已取消订单的判责方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种已取消订单的判责方法、装置、计算机设备和存储介质。所述方法包括获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断。通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量。通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到融合向量。通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。上述方案通过设置端到端的判责网络模型来进行判责，提高了判责的准确性。性。性。

【技术实现步骤摘要】
已取消订单的判责方法、装置、计算机设备和存储介质


[0001]本申请涉及互联网
，特别是涉及一种已取消订单的判责方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着互联网技术的发展，可以通过线上平台给司机派发货运订单。其中，由于司机错抢、客户取消等原因，可能会造成大量货运取消单。分析这些货运取消单的取消原因，判定责任方，可以帮助平台更好地进行司机监管，从而更好地为用户服务。
[0003]现有的判责方法采用多个判责网络模型串联，来对货运取消单进行责任判定。首先通过中间判责网络提取特征，并输出中间判责结果。再将中间判责结果输入主判责网络，通过主判责网络输出最终判责结果。
[0004]多层级串联的判责网络会导致误差累积，导致判责结果不准确。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高判责结果准确性的已取消订单的判责方法、装置、计算机设备和存储介质。
[0006]一方面，本专利技术实施例提供一种已取消订单的判责方法，所述方法包括：
[0007]获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断；
[0008]通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量；
[0009]通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到融合向量；
[0010]通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。
[0011]另一方面，本专利技术实施例还提供了一种已取消订单的判责装置，其包括：
[0012]判责数据获取模块，用于获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断；
[0013]特征向量获取模块，用于通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量；
[0014]融合向量获取模块，用于通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到融合向量；
[0015]判责模块，用于通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。
[0016]在一实施例中，所述判责数据包括多种判责子数据，所述编码器包括多个子编码器，所述特征向量获取模块包括：
[0017]特征向量获取子模块，用于通过所述多个子编码器中的每个子编码器对所述多种
判责子数据中对应的一种判责子数据进行编码，得到所述多个特征向量。
[0018]在一实施例中，所述判责数据包括订单信息、角色画像、声音信息以及车辆的行驶轨迹。
[0019]在一实施例中，当所述判责数据为声音信息时，所述特征向量获取子模块用于：
[0020]将所述声音信息转化成文本信息；
[0021]获取所述文本信息中文字对应的文字标识、位置标识以及角色标识；
[0022]将所述文字标识、所述位置标识以及所述角色标识作为所述编码器的输入，得到处于预设位置的文字对应的输出向量，以作为所述特征向量。
[0023]在一实施例中，所述装置还包括：
[0024]第一训练文本获取模块，用于获取训练文本；
[0025]第二训练文本获取模块，用于对所述训练文本中的部分文字进行掩码处理或随机字替换处理，得到处理后的训练文本；
[0026]训练模块，用于通过预测所述处理后的训练文本中经掩码处理的文字，训练所述判责网络模型中的所述编码器。
[0027]在一实施例中，所述获取训练文本步骤之后，还包括：
[0028]标注模块，用于对所述训练文本进行标签标注，得到标注后的训练文本；
[0029]调整模块，用于通过所述标注后的训练文本对所述判责网络模型进行调整。
[0030]在一实施例中，所述解码器包括二分类解码器和多标签分类解码器，所述判责模块包括：
[0031]判责结果获取子模块，用于通过所述二分类解码器对所述融合向量进行解码，得到所述判责结果；以及
[0032]判责原因获取子模块，用于通过所述多标签分类解码器对所述融合向量进行解码，得到所述判责原因。
[0033]再一方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0034]获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断；
[0035]通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量；
[0036]通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到融合向量；
[0037]通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。
[0038]又一方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0039]获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断；
[0040]通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量；
[0041]通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到
融合向量；
[0042]通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。
[0043]上述已取消订单的判责方法、装置、计算机设备和存储介质，通过设置端到端的判责网络模型来进行判责，保证了系统的简洁性，并提高了判责的准确性。
附图说明
[0044]图1为本专利技术实施例提供的已取消订单的判责方法的应用环境图；
[0045]图2为本专利技术实施例提供的已取消订单的判责方法的流程示意图；
[0046]图3为本专利技术实施例提供的判责网络模型的结构示意图；
[0047]图4为本专利技术实施例提供的已取消订单的判责方法中步骤A2的场景示意图；
[0048]图5为本专利技术实施例提供的已取消订单的判责方法中训练判责网络模型的场景示意图；
[0049]图6为本专利技术实施例提供的已取消订单的判责装置的结构框图；
[0050]图7为本专利技术实施例提供的计算机设备的内部结构图。
具体实施方式
[0051]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0052]本申请提供的已取消订单的判责方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。当服务器104检测到司机通过终端102对订单进行了取消操作后，获取已取消订单的判责数据，该判责数据用于对已取消订单进行责任结果和原因判断。然后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种已取消订单的判责方法，其特征在于，包括：获取已取消订单的判责数据，所述判责数据用于对所述已取消订单进行责任结果和原因判断；通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量；通过所述判责网络模型的特征融合模块对所述多个特征向量进行特征融合，得到融合向量；通过判责网络模型的解码器对所述融合向量进行解码，得到所述已取消订单的判责结果和判责原因。2.根据权利要求1所述的已取消订单的判责方法，其特征在于，所述判责数据包括多种判责子数据，所述编码器包括多个子编码器，所述通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量步骤，包括：通过所述多个子编码器中的每个子编码器对所述多种判责子数据中对应的一种判责子数据进行编码，得到所述多个特征向量。3.根据权利要求2所述的已取消订单的判责方法，其特征在于，所述判责数据包括订单信息、角色画像、声音信息以及车辆的行驶轨迹。4.根据权利要求3所述的已取消订单的判责方法，其特征在于，当所述判责数据为声音信息时，所述通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量步骤，包括：将所述声音信息转化成文本信息；获取所述文本信息中文字对应的文字标识、位置标识以及角色标识；将所述文字标识、所述位置标识以及所述角色标识作为所述编码器的输入，得到处于预设位置的文字对应的输出向量，以作为所述特征向量。5.根据权利要求1所述的已取消订单的判责方法，其特征在于，所述通过判责网络模型的编码器对所述判责数据进行编码，得到多个特征向量步骤之前，还包括：获取训练文本；对所述训练文本中的部分文字进行掩码处理或随机字替换处理，得到处理后的训练文...

【专利技术属性】
技术研发人员：刘广志，
申请(专利权)人：深圳依时货拉拉科技有限公司，
类型：发明
国别省市：