CN113592315B - 一种处理纠纷单的方法和装置 - Google Patents

Abstract

本发明公开了一种处理纠纷单的方法和装置，涉及人工智能技术领域。该方法的一具体实施方式包括：根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。该实施方式能够解决缺少纠纷风险识别和模型准确率低的技术问题。

Description

一种处理纠纷单的方法和装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种处理纠纷单的方法和装置。

背景技术

现有的处理纠纷单的方法主要有以下几种：

1)基于规则处理纠纷单：这种方法是基于纠纷业务的逻辑，对于交易纠纷的关键节点状态及用户沟通记录的关键文字，如“退货”，“发货”等类似词语组合在一起，构成纠纷处理规则。当用户的纠纷诉求满足纠纷规则所要求的各个节点要求时，触发该规则系统内置的解决方案，进行用户推送。

2)基于无监督方法处理纠纷单：这种方法一般是将纠纷交易记录的重要信息作为无监督机器学习方法的特征，按照设定好的聚类簇的数量，将整个历史纠纷单的处理结果进行聚类。当用户申请了某个交易纠纷时，根据无监督算法返回与此纠纷相似的纠纷处理结果作为本次纠纷处理结果进行推送。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

不同用户、不同订单在不同状态下，纠纷处理方式完全一致，缺少纠纷风险识别，对于高风险纠纷不能进行及时地处理，导致用户的售后体验较差；

现有方法主要是利用客户与商家的沟通记录进行纠纷处理，仅以沟通记录得到的纠纷处理模型准确率低、效果差。

发明内容

有鉴于此，本发明实施例提供一种处理纠纷单的方法和装置，以解决缺少纠纷风险识别和模型准确率低的技术问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种处理纠纷单的方法，包括：

根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；

判断所述纠纷单的风险系数是否大于等于风险阈值；

若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；

若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。

可选地，根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数，包括：

将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数；

其中，所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。

可选地，所述风险识别模型为DeepFM+TextCNN模型。

可选地，将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果，包括：

将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；

其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率。

可选地，所述纠纷处理模型为多模态模型；所述交易链路数据的模态包括文本、图片和结构化数据。

可选地，采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果，包括：

采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果。

可选地，对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：

从用户填写的纠纷回访表中解析出各项服务的分值；

将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；

对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

可选地，将所述各项服务的分值输入到综合评价模型中，以输出满意度系数，包括：

基于所述各项服务的分值权重，对所述各项服务的分值进行加权求和，得到满意度系数。

可选地，对所述满意度系数进行非线性变换，得到所述处理方案的修正系数，包括：

采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

另外，根据本发明实施例的另一个方面，提供了一种处理纠纷单的装置，包括：

识别模块，用于根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；

处理模块，用于判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。

可选地，所述识别模块还用于：

将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数；

其中，所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。

可选地，所述风险识别模型为DeepFM+TextCNN模型。

可选地，所述处理模块还用于：

将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；

其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率。

可选地，所述纠纷处理模型为多模态模型；所述交易链路数据的模态包括文本、图片和结构化数据。

可选地，所述处理模块还用于：

采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果。

可选地，所述处理模块还用于：

对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：

从用户填写的纠纷回访表中解析出各项服务的分值；

将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；

对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

可选地，所述处理模块还用于：

基于所述各项服务的分值权重，对所述各项服务的分值进行加权求和，得到满意度系数。

可选地，所述处理模块还用于：

采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现上述任一实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用若纠纷单的风险系数大于等于风险阈值，则将纠纷单下发至客服终端，以通过客服处理纠纷单，若纠纷单的风险系数小于风险阈值，将纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出纠纷单的处理结果的技术手段，所以克服了现有技术中缺少纠纷风险识别和模型准确率低的技术问题。本发明实施例对纠纷单进行纠纷风险识别，识别出潜在的具有纠纷升级风险的纠纷单，从而提前差异化处理，实现纠纷处理的快速响应，降低潜在的风险和提高用户的售后体验；本发明实施例关注整个纠纷交易产生的全链路数据，抓住用户不同交易链路环节的诉求意图与真实交易情况，切实提高纠纷处理模型方案预测推送的用户接受程度，更加高效解决纠纷问题；通过回访表和综合评价模型对问卷进行满意度打分，并将打分结果作为修正系数，来对模型的输出结果进行微调，从而实现纠纷处理过程的自纠正和闭环处理。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的处理纠纷单的方法的主要流程的示意图；

图2是根据本发明实施例的风险识别模型的结构示意图；

图3是根据本发明实施例的纠纷处理模型的结构示意图；

图4是根据本发明一个可参考实施例的处理纠纷单的方法的主要流程的示意图；

图5是根据本发明实施例的处理纠纷单的装置的主要模块的示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本发明实施例引入交易链路完备的数据，包括用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录等，然后将交易链路数据作为多模态模型的模型特征，这样极大地丰富了模型特征的丰富性和多样性，改善了模型信息不足造成的模型准确率低、效果差的现状。同时，本发明实施例还引入风险识别模型，对于风险系数极大的纠纷单优先处理，降低潜在的纠纷风险，提高用户的售后体验。最后，在用户的纠纷单得到妥善处理后，加入自动回访及自纠正处理过程，实现自纠正学习的闭环处理能力。因此，本发明实施例既能够高效、快速地处理纠纷单，又使得消费者的购物体验得到改善。

在本发明的实施例中，交易链路数据包含了用户从浏览、到下单、再到纠纷投诉的整个数据，例如，交易链路数据可以包括用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录等。

其中，用户行为记录主要包括：用户点击行为、加购行为等；订单记录主要包括：订单号、物品号、下单时间、订单处理时长等数据；物品属性主要包括：物品类型、品类、包装、数量等信息；用户属性主要包括：用户身份特征、账号等级、用户画像等信息；物流进度主要包括：物流状态、物流时效、物流商家等信息；物品评价内容主要包括：用户对物品的评价；物品问答内容主要包括：用户提问、提问回答者内容等信息；纠纷沟通记录主要包括：用户与商家聊天记录的文本信息、客户或商家举证的图片信息以及语音聊天信息。

需要指出的是，这些交易链路数据只是原始的数据，并不能作为模型的特征进行计算，需要先对这些数据进行解析操作。本发明实施例根据数据的模态不同，以不同方式进行解析。对于结构化数据，按照特征的数据类型分为离散特征(包括订单类型、纠纷类型、用户等级、纠纷概要一级id、纠纷概要二级id等)、连续特征(包括订单金额、物品金额、订单物品数量、用户购买力、优化折扣、物流时效等)、序列特征(包括物流状态、纠纷单状态等)；对于非结构化数据，按照模态分为文本、图像和语音。其中，语音会进一步处理转换为文本形式。

本发明实施例主要依靠两个模型实现了纠纷风险系数的识别及纠纷处理结果的计算。其中，风险识别模型主要是针对潜在高风险纠纷单进行识别，比如某些网络大V等具有高影响力用户的纠纷单或者潜在的具有纠纷升级的纠纷单。风险识别模型通过用户属性、用户行为记录和纠纷沟通记录等相关特征，计算出纠纷单为高风险的概率(即风险系数)，然后根据人工设置的风险阈值，对于大于等于风险阈值的纠纷单，则流转到人工通道交由人工客服响应，以及时响应高风险的纠纷单。而对于低于风险阈值的纠纷单，则被流转到纠纷处理模型中，由纠纷处理模型根据交易链路数据计算出该纠纷单的解决方案，并由系统推送到用户。

图1是根据本发明实施例的处理纠纷单的方法的主要流程的示意图。作为本发明的一个实施例，如图1所示，所述处理纠纷单的方法可以包括：

步骤101，根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数。

首先，根据纠纷单对应的用户属性、用户行为记录(用户点击行为、加购行为等)和纠纷沟通记录(用户与商家聊天记录的文本信息、客户或商家举证的图片信息以及语音聊天信息)等，识别出该纠纷单的风险系数。在本发明的实施例中，纠纷单的风险系数越高，说明该纠纷单为高风险纠纷的概率越大。

可选地，步骤101可以包括：将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数；其中，所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。在本发明的实施例中，由于采用用户属性用户行为记录和纠纷沟通记录来训练风险识别模型，使得模型具备了考虑用户售前属性的能力，从而能够准确地识别出纠纷单是否为高风险纠纷。

为了将用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中进行处理，需要将用户属性、用户行为记录和纠纷沟通记录变为风险识别模型可利用的特征格式，比如经过模型的嵌入(embedding)处理，转换为向量表示。在本发明的一些实施例中，纠纷沟通记录主要是沟通文本，这里有两种进行处理方式：一种是将用户与商家的整个沟通文本作为模型的输入，这种方式较为简单直接；另一种方式是通过提取关键词的方式从沟通文本中提取与风险相关的关键词，例如,“舆论曝光”、“微博”、“投诉”等词语，这样能够在一定程度上反应客户的风险等级。相较于第一种方式，第二种方式可在一定程度上减少不相关文本的干扰，识别效果更好。

以第二种方式为例，可选地，所述风险识别模型为DeepFM+TextCNN模型。由于模型需要处理是含有文本的混合特征，为了提高识别效果，本发明实施例选用DeepFM+TextCNN模型进行识别，这是由于传统的机器学习模型并不适合擅长处理文本内容，而本发明实施例主要关注文本的局部信息，所以采用TextCNN模型组件提取文本关键信息，并与结构化的多种特征向量化交叉结果拼接在一起，输入到全连接层，最终得到模型预测的纠纷单的风险系数。

如图2所示，将用户属性、用户行为记录和纠纷沟通记录通过输入层输入风险识别模型，其中，用户属性和用户行为记录通常为结构化数据，对于结构化数据，按照特征的数据类型分为离散特征、连续特征和序列特征，通过嵌入层(embedding lay)转换为特征向量，同时将纠纷沟通记录中的沟通文本输入风险识别模型，采用TextCNN模型组件提取文本关键信息。通过FM层对四组向量进行两两交叉组合，输出特征向量，通过全连接层对四组向量进行计算，输出特征向量。然后将FM层输出的特征向量与全连接层输出的特征向量拼接在一起，输入全连接层，最后通过输出层输出纠纷单的风险系数。

步骤102，判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则执行步骤103；若否，则执行步骤104。

通过风险识别模型输出纠纷单的风险系数后，判断风险系数是否大于等于预设的风险阈值。

步骤103，将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单。

如果风险系数大于等于预设的风险阈值，说明该纠纷单存在潜在高风险纠纷的可能性较大，比如某些网络大V等具有高影响力用户的纠纷单或者潜在的具有纠纷升级的纠纷单。对于大于等于风险阈值的纠纷单，则流转到人工通道交由人工客服响应，以及时响应高风险的纠纷单。

步骤104，将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果。

如果风险系数小于预设的风险阈值，说明该纠纷单存在潜在高风险纠纷的可能性较小。而对于低于风险阈值的纠纷单，则被流转到纠纷处理模型中，由纠纷处理模型根据交易链路数据计算出该纠纷单的解决方案，并由系统推送到用户。其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。

可选地，步骤104可以包括：将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率。

纠纷处理模型实现了纠纷处理的智能化解决，并具备一定的自纠正能力。可以预先梳理出各个场景下不同的纠纷投诉解决方案，包括同意退货退款、同意退款不退货、平台责任补偿、通用等共13种解决方案。纠纷处理模以标注的不同解决方案的离线数据进行训练、验证，并最终完成模型的上线，然后通过上线的模型预测纠纷单的处理结果。

可选地，所述纠纷处理模型为多模态模型。多模态模型主要是根据不同的模态设计不同的模型组件，并不断优化模型结构，本发明实施例的多模态模型如图3所示。如图3所示，将交易链路数据通过输入层输入纠纷处理模型，所述交易链路数据的模态包括文本(语音数据转换为文本)、图片和结构化数据。其中，对于文本特征、语音文本特征和结构化数据，这三种模态数据首先通过嵌入层(embedding lay)转换为低维稠密向量，接着经过位置编码层(position layer)加入位置编码，以便于理解文本的位置信息，然后经过表示层(transformer block)高维特征和精细特征的转换提取，降维层的降维，最后输出到模型的全连接层。对于图片特征，通过128个卷积核提取关键特征，这样模型可以很好地获得不同模态数据的关键特征，然后经过池化层的降维，最后输出到模型的全连接层，最终输出层输出各种解决方案对应的概率。

为了提高计算准确性，本发明实施例还在模型输出结果的基础上，引入了修正系数。可选地，不同处理方案对应的修正系数不一致，修正系数主要是为了增加业务可干预模型输出结果的一种手段。

可选地，采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果，包括：采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；筛选出修正概率最高的处理方案作为所述纠纷单的处理结果。需要指出的是，如果每个处理方案的修正概率都低于预设的概率阈值，则将通用处理方案作为纠纷单的处理结果。

获得了纠纷单的处理结果之后，根据映射表查找出处理结果对应的具体处理方案，将该具体处理方案推送至客户和商家，方案推送给客户后，需要客户反馈是否接受该处理方案，如果接受该处理方案，则依照方案解决纠纷，代表纠纷问题得到合理解决，这时系统将关闭纠纷单；如果商家或者客户并不接受该方案，则代表着该纠纷单解决难度较大，将会回流到人工客服通道，由人工客服进行跟单解决。

可选地，对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：从用户填写的纠纷回访表中解析出各项服务的分值；将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。不管以何种方式进行纠纷处理解决，最终在纠纷单关闭以后，系统将触发对客户推送带有奖励性质或者趣味性的回访表。回访的形式是针对不同的纠纷处理方案查表给出统一规范的回访表，待用户完成回访后，再由从纠纷回访表中解析出各项服务的分值，并将解析到分值数据输入到综合评价模型中，得到满意度得分，并将满意度系数存储到系统的数据库中，作为纠纷处理模型的特征对模型进行纠正。

可选地，将所述各项服务的分值输入到综合评价模型中，以输出满意度系数，包括：基于所述各项服务的分值权重，对所述各项服务的分值进行加权求和，得到满意度系数。

例如，可以采用以下综合评价模型计算满意度系数：

满意度系数＝满意度打分*0.35+纠纷服务分*0.2+纠纷解决时效*0.2+购买体验*0.1+待改进项数量*0.15

可选地，对所述满意度系数进行非线性变换，得到所述处理方案的修正系数，包括：采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。满意度系数经过非线性变换后作为纠纷处理模型的修正系数，来对模型的输出结果进行微调，使其更加符合纠纷单的处理场景。这样整个纠纷处理过程就是通过纠纷全链路数据实现了一个闭环的、带有自纠正能力的纠纷智能处理方案，可以更加客观公正给出有效处理方案，极大地提高了纠纷的解决效率和客户体验。

可选地，采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数，包括：

采用以下公式计算所述处理方案的修正系数：

y＝ln(x+1)

其中，y为修正系数，x为满意度系数。

可选地，也可以采用以下公式计算所述处理方案的修正系数：

y＝ln(x+2)

其中，y为修正系数，x为满意度系数。

可选地，也可以采用以下公式计算所述处理方案的修正系数：

y＝ln(x+2.5)

其中，y为修正系数，x为满意度系数。

需要指出的是，本发明实施例对非线性变换的公式不作限制，可以根据需要选择合适的公式进行非线性变换。

根据上面所述的各种实施例，可以看出本发明实施例通过若纠纷单的风险系数大于等于风险阈值，则将纠纷单下发至客服终端，以通过客服处理纠纷单，若纠纷单的风险系数小于风险阈值，将纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出纠纷单的处理结果的技术手段，解决了现有技术中缺少纠纷风险识别和模型准确率低的技术问题。本发明实施例对纠纷单进行纠纷风险识别，识别出潜在的具有纠纷升级风险的纠纷单，从而提前差异化处理，实现纠纷处理的快速响应，降低潜在的风险和提高用户的售后体验；本发明实施例关注整个纠纷交易产生的全链路数据，抓住用户不同交易链路环节的诉求意图与真实交易情况，切实提高纠纷处理模型方案预测推送的用户接受程度，更加高效解决纠纷问题；通过回访表和综合评价模型对问卷进行满意度打分，并将打分结果作为修正系数，来对模型的输出结果进行微调，从而实现纠纷处理过程的自纠正和闭环处理。

图4是根据本发明一个可参考实施例的处理纠纷单的方法的主要流程的示意图。作为本发明的又一个实施例，如图4所示，所述处理纠纷单的方法可以包括：

从数据库中获取各个历史纠纷单对应的交易链路数据，交易链路数据包含了用户从浏览、到下单、再到纠纷投诉的整个数据，例如，交易链路数据可以包括用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录等。其中，用户行为记录主要包括：用户点击行为、加购行为等；订单记录主要包括：订单号、物品号、下单时间、订单处理时长等数据；物品属性主要包括：物品类型、品类、包装、数量等信息；用户属性主要包括：用户身份特征、账号等级、用户画像等信息；物流进度主要包括：物流状态、物流时效、物流商家等信息；物品评价内容主要包括：用户对物品的评价；物品问答内容主要包括：用户提问、提问回答者内容等信息；纠纷沟通记录主要包括：用户与商家聊天记录的文本信息、客户或商家举证的图片信息以及语音聊天信息。

采用历史纠纷单对应的交易链路数据训练风险识别模型以及纠纷处理模型，所述风险识别模型为DeepFM+TextCNN模型，所述纠纷处理模型为多模态模型。所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案。

将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数。

判断所述纠纷单的风险系数是否大于等于风险阈值。

若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单。

若否，则将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果。

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果，所述输出结果包括各个处理方案对应的概率。

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果。

根据映射表查找出处理结果对应的具体处理方案，将该具体处理方案推送至客户和商家，方案推送给客户后，需要客户反馈是否接受该处理方案，如果接受该处理方案，则依照方案解决纠纷，代表纠纷问题得到合理解决，这时系统将关闭纠纷单；如果商家或者客户并不接受该方案，则代表着该纠纷单解决难度较大，将会回流到人工客服通道，由人工客服进行跟单解决。

不管以何种方式进行纠纷处理解决，最终在纠纷单关闭以后，系统将触发对客户推送带有奖励性质或者趣味性的回访表。回访的形式是针对不同的纠纷处理方案查表给出统一规范的回访表，待用户完成回访后，再由从纠纷回访表中解析出各项服务的分值，并将解析到分值数据输入到综合评价模型中，得到满意度得分，并将满意度系数存储到系统的数据库中，作为纠纷处理模型的特征对模型进行纠正。

另外，在本发明一个可参考实施例中处理纠纷单的方法的具体实施内容，在上面所述处理纠纷单的方法中已经详细说明了，故在此重复内容不再说明。

图5是根据本发明实施例的处理纠纷单的装置的主要模块的示意图，如图5所示，所述处理纠纷单的装置500包括识别模块501和处理模块502；其中，识别模块501用于根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；处理模块502用于判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。

可选地，所述识别模块501还用于：

将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数；

其中，所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。

可选地，所述风险识别模型为DeepFM+TextCNN模型。

可选地，所述处理模块502还用于：

将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；

其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率。

可选地，所述纠纷处理模型为多模态模型；所述交易链路数据的模态包括文本、图片和结构化数据。

可选地，所述处理模块502还用于：

采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果。

可选地，所述处理模块502还用于：

对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：

从用户填写的纠纷回访表中解析出各项服务的分值；

将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；

对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

可选地，所述处理模块502还用于：

基于所述各项服务的分值权重，对所述各项服务的分值进行加权求和，得到满意度系数。

可选地，所述处理模块502还用于：

采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

根据上面所述的各种实施例，可以看出本发明实施例通过若纠纷单的风险系数大于等于风险阈值，则将纠纷单下发至客服终端，以通过客服处理纠纷单，若纠纷单的风险系数小于风险阈值，将纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出纠纷单的处理结果的技术手段，解决了现有技术中缺少纠纷风险识别和模型准确率低的技术问题。本发明实施例对纠纷单进行纠纷风险识别，识别出潜在的具有纠纷升级风险的纠纷单，从而提前差异化处理，实现纠纷处理的快速响应，降低潜在的风险和提高用户的售后体验；本发明实施例关注整个纠纷交易产生的全链路数据，抓住用户不同交易链路环节的诉求意图与真实交易情况，切实提高纠纷处理模型方案预测推送的用户接受程度，更加高效解决纠纷问题；通过回访表和综合评价模型对问卷进行满意度打分，并将打分结果作为修正系数，来对模型的输出结果进行微调，从而实现纠纷处理过程的自纠正和闭环处理。

需要说明的是，在本发明所述处理纠纷单的装置的具体实施内容，在上面所述处理纠纷单的方法中已经详细说明了，故在此重复内容不再说明。

图6示出了可以应用本发明实施例的处理纠纷单的方法或处理纠纷单的装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的物品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、物品信息——仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的处理纠纷单的方法一般由服务器605执行，相应地，所述处理纠纷单的装置一般设置在服务器605中。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括识别模块和处理模块，其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，该设备实现如下方法：根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录。

根据本发明实施例的技术方案，因为采用若纠纷单的风险系数大于等于风险阈值，则将纠纷单下发至客服终端，以通过客服处理纠纷单，若纠纷单的风险系数小于风险阈值，将纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出纠纷单的处理结果的技术手段，所以克服了现有技术中缺少纠纷风险识别和模型准确率低的技术问题。本发明实施例对纠纷单进行纠纷风险识别，识别出潜在的具有纠纷升级风险的纠纷单，从而提前差异化处理，实现纠纷处理的快速响应，降低潜在的风险和提高用户的售后体验；本发明实施例关注整个纠纷交易产生的全链路数据，抓住用户不同交易链路环节的诉求意图与真实交易情况，切实提高纠纷处理模型方案预测推送的用户接受程度，更加高效解决纠纷问题；通过回访表和综合评价模型对问卷进行满意度打分，并将打分结果作为修正系数，来对模型的输出结果进行微调，从而实现纠纷处理过程的自纠正和闭环处理。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (9)

1.一种处理纠纷单的方法，其特征在于，包括：

根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；

判断所述纠纷单的风险系数是否大于等于风险阈值；

若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；

若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录；

将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果，包括：

将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；

其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果，包括：

采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果；

对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：

从用户填写的纠纷回访表中解析出各项服务的分值；

将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；

对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

2.根据权利要求1所述的方法，其特征在于，根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数，包括：

将纠纷单对应的用户属性、用户行为记录和纠纷沟通记录输入到经过训练的风险识别模型中，从而输出所述纠纷单对应的风险系数；

其中，所述风险识别模型采用风险样本进行有监督训练得到，每个风险样本包括历史纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，以及所述历史纠纷单是否具有纠纷风险。

3.根据权利要求2所述的方法，其特征在于，所述风险识别模型为DeepFM+TextCNN模型。

4.根据权利要求1所述的方法，其特征在于，所述纠纷处理模型为多模态模型；所述交易链路数据的模态包括文本、图片和结构化数据。

5.根据权利要求1所述的方法，其特征在于，将所述各项服务的分值输入到综合评价模型中，以输出满意度系数，包括：

基于所述各项服务的分值权重，对所述各项服务的分值进行加权求和，得到满意度系数。

6.根据权利要求1所述的方法，其特征在于，对所述满意度系数进行非线性变换，得到所述处理方案的修正系数，包括：

采用自然对数公式对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

7.一种处理纠纷单的装置，其特征在于，包括：

识别模块，用于根据纠纷单对应的用户属性、用户行为记录和纠纷沟通记录，识别出所述纠纷单的风险系数；

处理模块，用于判断所述纠纷单的风险系数是否大于等于风险阈值；若是，则将所述纠纷单下发至客服终端，以通过客服处理所述纠纷单；若否，则将所述纠纷单流转到纠纷处理模型中，基于所述纠纷单的交易链路数据输出所述纠纷单的处理结果；其中，所述交易链路数据包括以下至少两种：用户属性、用户行为记录、物品属性、物流进度、订单记录、物品评价内容、物品问答内容和纠纷沟通记录；

所述处理模块还用于：

将所述纠纷单对应的交易链路数据输入到经过训练的纠纷处理模型中，得到所述纠纷处理模型输出的输出结果；

采用修正系数修正所述输出结果，从而得到所述纠纷单的处理结果；

其中，所述纠纷处理模型采用纠纷样本进行有监督训练得到，每个纠纷样本包括历史纠纷单对应的交易链路数据和处理方案；所述输出结果包括各个处理方案对应的概率；

所述处理模块还用于：

采用各个处理方案对应的修正系数分别乘以所述各个处理方案对应的概率，得到所述各个处理方案对应的修正概率；

筛选出修正概率最高的处理方案作为所述纠纷单的处理结果；

所述处理模块还用于：

对于任意一个处理方案，所述处理方案的修正系数采用如下方法得到：

从用户填写的纠纷回访表中解析出各项服务的分值；

将所述各项服务的分值输入到综合评价模型中，以输出满意度系数；

对所述满意度系数进行非线性变换，得到所述处理方案的修正系数。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。