一种安全事件订单的检测方法、装置和电子设备与流程

本申请涉及数据处理的技术领域，具体而言，涉及一种安全事件订单的检测方法、装置和电子设备。

背景技术：

目前，随着互联网的快速发展，网约车客户端在人们的出行中占据了重要作用。目前，随着互联网的快速发展，网约车服务在人们的出行中占据了重要作用，进而推动了网约车服务内容的多样性，例如有普通出租车服务、快车服务、拼车服务以及顺风车服务等等。为了保证网约车的服务质量，网约车平台通常通过人工筛查的方式对订单的相关信息进行监管，从大量的服务订单中查找异常订单。而异常订单中有一类是安全事件订单，涉及到乘客或司机的人身或名誉安全，属于比较严重的事件，对于排查的及时性要求较高，但是，上述依赖于人工筛查的方式，在服务订单的数量较多时，筛查效率低，无法满足安全事件订单的排查需求。

技术实现要素：

有鉴于此，本申请实施例的目的在于提供一种安全事件订单的检测方法、装置和电子设备，解决了由于无法准确识别出有安全事件的订单导致的有安全事件的订单无法得到及时处理的技术问题。

根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：

获取多种特征数据，其中，所述多种特征数据为目标订单执行过程中，在不同时段获取到的与所述目标订单相关联的特征数据，所述特征数据包括：会话数据和/或反馈评价数据；利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果，其中，所述预测结果用于表征在特征数据的获取时段，所述目标订单存在安全事件的标签的概率；对所述多种预测结果进行融合，得到目标预测结果，并基于所述目标预测结果确定所述目标订单是否为安全事件订单。

在本申请较佳的实施例中，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理包括：在每种特征数据中提取指定文本信息；将所述特征数据和提取到的所述指定文本信息输入到所述相对应的目标预测模型中进行处理，得到相应的预测结果。

在本申请较佳的实施例中，在每种特征数据中提取指定文本信息包括：利用目标算法或者目标语言模型在所述每种特征数据中提取指定文本信息。

在本申请较佳的实施例中，所述目标预测模型包括以下任一种：神经网络模型、集成树模型和最大熵模型。

在本申请较佳的实施例中，对所述多种预测结果进行融合，得到目标预测结果包括：确定每个预测结果的权重值；基于所述权重值对所述多种预测结果进行加权求和计算，并将加权求和计算结果作为所述目标预测结果。

在本申请较佳的实施例中，基于所述目标预测结果确定所述目标订单是否为安全事件订单包括：判断所述目标预测结果是否大于或者等于预设阈值；若是，则确定所述目标订单为安全事件订单。

在本申请较佳的实施例中，所述多种特征数据包括以下至少之一：第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据；所述第一类特征数据为会话服务提供方与目标对象之间的会话信息，其中，所述目标对象包括订单服务提供方和/或服务请求方；所述第二类特征数据为所述订单服务提供方和所述服务请求方之间的互相评价数据；所述第三类特征数据为所述会话服务提供方记录的所述目标订单的订单描述信息；所述第四类特征数据为所述订单服务提供方和/或所述服务请求方在所述目标订单执行过程中的音频数据。

在本申请较佳的实施例中，所述多种特征数据包括：所述第一类特征数据；利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括：确定与所述第一类特征数据相对应的第一目标预测模型；利用所述第一目标预测模型对所述第一类特征数据进行处理，得到第一预测结果。

在本申请较佳的实施例中，所述多种特征数据包括：所述第二类特征数据；利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括：确定与所述第二类特征数据相对应的第二目标预测模型；利用所述第二目标预测模型对所述第二类特征数据进行处理，得到第二预测结果。

在本申请较佳的实施例中，所述多种特征数据包括：所述第三类特征数据；利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括：确定与所述第三类特征数据相对应的第三目标预测模型；利用所述第三目标预测模型对所述第三类特征数据进行处理，得到第三预测结果。

在本申请较佳的实施例中，所述方法还包括：确定训练样本，其中，所述训练样本包括：历史订单的多种特征数据和标签信息，其中，所述历史订单的多种特征数据为在目标订单发起之后，且在所述目标订单结束之前，在不同时段获取到的不同类型的特征数据；所述标签信息用于表征所述历史订单是否为安全事件订单；利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型。

在本申请较佳的实施例中，利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型包括：在所述历史订单的每种特征数据中提取指定文本信息；将所述历史订单的特征数据和提取到的指定文本信息输入到相对应的待训练模型中进行处理，得到目标预测结果。

在本申请较佳的实施例中，所述方法还包括：若确定出所述目标订单是所述安全事件订单，则统计订单服务提供方所属的历史订单中安全事件订单的数量，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方；若所述数量超过预设数量，则向服务请求方和/或所述服务请求方的紧急联系方发送报警提示信息。

在本申请较佳的实施例中，所述方法还包括：若确定出所述目标订单不是所述安全事件订单，则增加订单服务提供方的信誉值，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方。

根据本申请的另一个方面，还提供了一种安全事件订单的检测装置，包括：获取单元，用于获取多种特征数据，其中，所述多种特征数据为目标订单执行过程中，在不同时段获取到的与所述目标订单相关联的特征数据，所述特征数据包括：会话数据和/或反馈评价数据；处理单元，用于利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果，其中，所述预测结果用于表征在特征数据的获取时段，所述目标订单存在安全事件的标签的概率；融合确定单元，用于对所述多种预测结果进行融合，得到目标预测结果，并基于所述目标预测结果确定所述目标订单是否为安全事件订单。

在本申请较佳的实施例中，所述处理单元包括：提取模块，用于在每种特征数据中提取指定文本信息；处理模块，用于将所述特征数据和提取到的所述指定文本信息输入到所述相对应的目标预测模型中进行处理，得到相应的预测结果。

在本申请较佳的实施例中，所述提取模块，用于：利用目标算法或者目标语言模型在所述每种特征数据中提取指定文本信息。

在本申请较佳的实施例中，所述目标预测模型包括以下任一种：神经网络模型、集成树模型和最大熵模型。

在本申请较佳的实施例中，所述融合确定单元用于：确定每个预测结果的权重值；基于所述权重值对所述多种预测结果进行加权求和计算，并将加权求和计算结果作为所述目标预测结果。

在本申请较佳的实施例中，所述融合确定单元还用于：判断所述目标预测结果是否大于或者等于预设阈值；若是，则确定所述目标订单为安全事件订单。

在本申请较佳的实施例中，所述多种特征数据包括以下至少之一：第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据；所述第一类特征数据为会话服务提供方与目标对象之间的会话信息，其中，所述目标对象包括订单服务提供方和/或服务请求方；所述第二类特征数据为所述订单服务提供方和所述服务请求方之间的互相评价数据；所述第三类特征数据为所述会话服务提供方记录的所述目标订单的订单描述信息；所述第四类特征数据为所述订单服务提供方和/或所述服务请求方在所述目标订单执行过程中的音频数据。

在本申请较佳的实施例中，所述多种特征数据包括：所述第一类特征数据；所述处理单元还用于：确定与所述第一类特征数据相对应的第一目标预测模型；利用所述第一目标预测模型对所述第一类特征数据进行处理，得到第一预测结果。

在本申请较佳的实施例中，所述多种特征数据包括：所述第二类特征数据；所述处理单元还用于：确定与所述第二类特征数据相对应的第二目标预测模型；利用所述第二目标预测模型对所述第二类特征数据进行处理，得到第二预测结果。

在本申请较佳的实施例中，所述多种特征数据包括：所述第三类特征数据；所述处理单元还用于：确定与所述第三类特征数据相对应的第三目标预测模型；利用所述第三目标预测模型对所述第三类特征数据进行处理，得到第三预测结果。

在本申请较佳的实施例中，所述装置还用于：确定训练样本，其中，所述训练样本包括：历史订单的多种特征数据和标签信息，其中，所述历史订单的多种特征数据为在目标订单发起之后，且在所述目标订单结束之前，在不同时段获取到的不同类型的特征数据；所述标签信息用于表征所述历史订单是否为安全事件订单；利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型。

在本申请较佳的实施例中，所述装置还用于：在所述历史订单的每种特征数据中提取指定文本信息；将所述历史订单的特征数据和提取到的指定文本信息输入到相对应的待训练模型中进行处理，得到目标预测结果。

在本申请较佳的实施例中，所述装置还用于：若确定出所述目标订单是所述安全事件订单，则统计订单服务提供方所属的历史订单中安全事件订单的数量，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方；若所述数量超过预设数量，则向服务请求方和/或所述服务请求方的紧急联系方发送报警提示信息。

在本申请较佳的实施例中，所述装置还用于：若确定出所述目标订单不是所述安全事件订单，则增加订单服务提供方的信誉值，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方。

根据本申请的另一个方面，还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行上述所述的安全事件订单的检测方法的步骤。

根据本申请的另一个方面，还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述所述的安全事件订单的检测方法的步骤。

在本实施例中，首先，在目标订单的执行过程中，在不同时段获取到的不同类型的与目标订单相关联的多种特征数据，然后，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果；最后，对多种预测结果进行融合，得到目标预测结果，并基于目标预测结果确定目标订单是否为安全事件订单。通过上述描述可知，在本实施例中，能够及时预测服务订单是否为安全事件订单，进而解决了由于无法准确识别出有安全事件的订单导致的有安全事件的订单无法得到及时处理的技术问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种电子设备的示意图；

图2示出了本申请实施例所提供的一种安全事件订单的检测方法的流程图；

图3示出了本申请实施例所提供的第一种可选地安全事件订单的检测方法的流程图；

图4示出了本申请实施例所提供的第二种可选地安全事件订单的检测方法的流程图；

图5示出了本申请实施例所提供的第三种可选地安全事件订单的检测方法的流程图；

图6示出了本申请实施例所提供的第四种可选地安全事件订单的检测方法的流程图；

图7示出了本申请实施例所提供的第五种可选地安全事件订单的检测方法的流程图；

图8示出了本申请实施例所提供的第六种可选地安全事件订单的检测方法的流程图；

图9示出了本申请实施例所提供的一种安全事件订单的检测装置的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

本申请中的术语“服务”和“订单”可互换使用，以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的服务请求。接受该“服务”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务可以是收费的或免费的。

图1示出根据本申请的一些实施例的可以实现本申请提供的安全事件订单的检测方法的电子设备100的示例性硬件和软件组件的示意图。

电子设备100可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的安全事件订单的检测方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。

例如，电子设备100可以包括连接到网络的网络端口110、用于执行程序指令的一个或多个处理器120、通信总线130、和不同形式的存储介质140。

所述处理器102可以是中央处理单元(cpu，centralprocessingunit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储介质104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如，磁盘、rom、或ram，或其任意组合。示例性地，计算机平台还可以包括存储在rom、ram、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。电子设备100还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(input/output，i/o)接口150。

上述存储介质140存储有处理器120可执行的机器可读指令，当电子设备运行时，处理器120与存储介质140之间通过总线通信，处理器执行机器可读指令，以执行时执行安全事件订单的检测方法的步骤。

具体地，当电子设备运行时，处理器120与存储介质140之间通过总线通信，处理器120执行机器可读指令。

处理器120中的获取单元用来获取多种特征数据，其中，多种特征数据为目标订单执行过程中，在不同时段获取到的与目标订单相关联的特征数据，特征数据包括：会话数据和/或反馈评价数据。

之后，处理器120中的处理单元利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果，其中，预测结果用于表征在特征数据的获取时段，目标订单存在安全事件的标签的概率。

最后，处理器120中的融合确定单元对多种预测结果进行融合，得到目标预测结果，并基于目标预测结果确定所述目标订单是否为安全事件订单。

另外，存储介质也可以称为计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行下述安全事件订单的检测方法的步骤。

为了便于说明，在电子设备100中仅描述了一个处理器。然而，应当注意，本申请中的电子设备100还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如，若电子设备100的处理器执行步骤a和步骤b，则应该理解，步骤a和步骤b也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如，第一处理器执行步骤a，第二处理器执行步骤b，或者第一处理器和第二处理器共同执行步骤a和b。

参见图2所示的一种安全事件订单的检测方法的流程图。

图2所示的安全事件订单的检测方法以应用在服务器端为例进行说明，该方法包括如下步骤：

步骤s202，获取多种特征数据，其中，所述多种特征数据为目标订单执行过程中，在不同时段获取到的与所述目标订单相关联的特征数据，所述特征数据包括：会话数据和/或反馈评价数据；

在本实施例中，在目标订单的进行过程中，在不同的时间段获取到的不同类型的数据。

例如，在目标订单开始的时间a，订单服务提供方(例如，司机)与服务请求方(例如，乘客)之间的互相评价信息，该互相评价信息可以作为一种特征数据，其中，此时的互相评价可以为服务请求方在服务请求方客户端对订单服务提供方做出的评价，和/或，订单服务提供方在服务提供方客户端对服务请求方做出的评价。

然后，在目标订单开始的时间b，会话服务提供方(例如，客服)收到了服务请求方的投诉电话，该投诉电话的语音信息又可以作为另一种特征数据。

之后，在目标订单开始的时间c，会话服务提供方对目标订单进行了描述，得到订单描述信息，此时，该订单描述信息又可以作为另一种特征数据。

需要说明的是，在本实施例中，订单服务提供方或者服务请求方在行程中的录音数据也可以作为另一种特征数据。

步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果，其中，所述预测结果用于表征在特征数据的获取时段，所述目标订单为安全事件订单的概率；

在本实施例中，在不同时段获取到不同类型的特征数据之后，就可以将每种特征数据输入到相对应的目标预测模型中进行预测处理，得到多个预测结果。

例如，将上述所描述的订单服务提供方与服务请求方之间的互相评价信息输入到对应的目标预测模型中进行预测处理，得到预测结果a。将在目标订单开始的时间b获取到语音信息输入到对应的目标预测模型中进行预测处理，得到预测结果b。将上述订单描述信息输入到对应的目标预测模型中进行预测处理，得到预测结果c。以及将订单服务提供方或者服务请求方在行程中的录音数据输入到对应的目标预测模型中进行预测处理，得到预测结果d。

需要说明的是，上述预测结果a表示的是在目标订单开始的时间a，目标订单为安全事件订单的概率。上述预测结果b表示的是在目标订单开始的时间b，目标订单为安全事件订单的概率。上述预测结果c表示的是在目标订单开始的时间d，目标订单为安全事件订单的概率。

可选地，在本实施例中，目标预测模型包括以下任一种：神经网络模型、集成树模型和最大熵模型，其中，神经网络模型可以为深度神经网络模型，集成树模型可以为xgboost模型，除此之外，还可以选择支持向量机，通过该支持向量机对相应的特征数据进行处理。

需要说明的是，在本实施例中，针对不同类型的特征数据，可以选择不同的目标预测模型，本实施例不做具体限定。

步骤s206，对所述多种预测结果进行融合，得到目标预测结果，并基于所述目标预测结果确定所述目标订单是否为安全事件订单。

在本实施例中，在得到上述多种预测结果之后，就可以将多种预测结果进行融合，得到目标预测结果。

在得到目标预测结果之后，就可以结合目标预测结果确定目标订单是否为安全事件订单。

在本实施例中，首先，在目标订单的执行过程中，在不同时段获取到的不同类型的与目标订单相关联的多种特征数据，然后，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果；最后，对多种预测结果进行融合，得到目标预测结果，并基于目标预测结果确定目标订单是否为安全事件订单。通过上述描述可知，在本实施例中，能够及时预测服务订单是否为安全事件订单，进而解决了由于无法准确识别出有安全事件的订单导致的有安全事件的订单无法得到及时处理的技术问题。

下面将结合具体实施方式介绍本发明所提供的安全事件订单的检测方法。通过上述描述可知，在本实施例中，首先，在目标订单发起之后，且在目标订单结束之前，在不同时段获取到的不同类型的多种特征数据。

在一个可选的实施方式中，多种特征数据包括以下至少之一：第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据。

具体地，第一类特征数据为会话服务提供方与目标对象之间的会话信息，其中，所述目标对象包括订单服务提供方和/或服务请求方。

第二类特征数据为所述订单服务提供方和所述服务请求方之间的互相评价数据。

第三类特征数据为所述会话服务提供方记录的所述目标订单的订单描述信息。

第四类特征数据为所述订单服务提供方和/或所述服务请求方在所述目标订单执行过程中的音频数据。

例如，首先，服务请求方发起目标订单，订单服务提供方在分配到该目标订单之后，接收该目标订单，并前往接驾位置。在订单服务提供方确认接到该服务请求方之后，服务提供方客户端开启录音功能，该录音功能为记录订单服务提供方和/或服务请求方在目标订单执行过程中的音频数据。该音频数据可以包含订单服务提供方与服务请求方之间的沟通音频，以及订单服务提供方与其他对象之间的沟通音频，以及服务请求方与其他对象之间的沟通音频。上述所描述的沟通音频称为第四类特征数据。

在订单服务提供方将服务请求方送达目的地之后，订单服务提供方在服务提供方结算目标订单的费用，在费用结算成功之后，服务请求方可以在服务请求方客户端对该订单服务提供方的服务进行评价，得到评价信息；同时，订单服务提供方在服务提供方客户端对服务请求方做出的评价，得到评价信息。上述所描述的评价信息称为第二类特征数据。

在订单服务提供方将服务请求方送达目的地之后(或者之前)，或者，在订单服务提供方将服务请求方送达目的地的过程中，服务请求方可以向会话服务提供方拨打投诉电话；同时，订单服务提供方也可以向会话服务提供方拨打电话。上述电话的内容即为第一类特征数据：会话服务提供方与目标对象之间的会话信息，其中，目标对象包括：服务请求方和/或订单服务提供方。

在会话服务提供方处理完一个电话投诉以后，就可以针对该电话投诉添加该目标订单的处理意见，该处理意见即为上述第三类特征数据：会话服务提供方记录的所述目标订单的订单描述信息。

需要说明的是，在本实施例中，在会话服务提供方在对该目标订单填写完处理意见之后，确定目标订单结束。

通过上述描述可知，在本实施例中，利用不同时间段获取到的特征数据对目标订单是否为安全事件订单进行预测的方式，能够提高预测精度。由于一个目标订单在执行的过程中，可能需要较长的时间，若仅通过某个时间点获取到的数据，则安全事件订单的预测精度将下降。同时，若在目标订单结束之后，再预测该目标订单是否安全事件订单，则无法及时发现并解决安全事故，具有一定的滞后性。

基于此，在本实施例中，可以在订单执行的过程中，根据不同时段获取到的特征数据来对目标订单在该时段是否为安全事件订单的概率进行预测，以使会话服务提供方随时了解订单的动向，并及时发现以解决安全事故。

在本实施例中，在获取到上述多种特征数据之后，就可以利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果。

在一个可选的实施方式中，如图3所示，步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理包括如下步骤：

步骤s301，在每种特征数据中提取指定文本信息；

步骤s302，将所述特征数据和提取到的所述指定文本信息输入到所述相对应的目标预测模型中进行处理，得到相应的预测结果。

具体地，在本实施例中，在获取多种特征数据之后，可以在每种特征数据中提取指定文本信息。其中，该指定文本信息用于确定该特征数据中是否携带危险信息。例如，该指定文本信息可以为：是否报警，是否有人受伤，是否车辆受损等危险信息。

在提取得到指定文本信息之后，就可以将该类特征数据和提取到的指定文本信息输入到相对应的目标预测模型中进行处理，得到相应的预测结果。

需要说明的是，在本实施例中，特征数据包括多种，在每种特征数据中提取到的指定文本信息可以相同，还可以不同，具体可以根据实际需要来进行设定，本实施例中不做具体限定。

例如，在第一类特征数据中提取第一类指定文本信息，在第二类特征数据中提取第二类指定文本信息，在第三类特征数据中提取第三类指定文本信息，以及在第四类特征数据中提取第四类指定文本信息。其中，上述第一类指定文本信息，第二类指定文本信息，第三类指定文本信息和第四类指定文本信息中的任意两种指定文本信息相同或者不同。

在本实施例中，由于不同的特征数据是在不同的场景下提取到的，因此，在不同数据中提取不同指定文本信息的方式，能够得到更加准确的指定文本信息，从而提高目标预测模型的预测精度。

可选地，在本实施例中，步骤s301，在每种特征数据中提取指定文本信息包括如下步骤：

利用目标算法或者目标语言模型在所述每种特征数据中提取指定文本信息。

具体地，在本实施例中，可以通过目标算法或者目标语言模型抽取各类特征数据中的指定文本信息，比如，是否报警、是否有人受伤、是否车受损等信息。

需要说明的是，在本实施例中，上述目标算法可以为crf(conditionalrandomfield，中文条件随机场算法)，上述目标语言模型可以为bi-lstm(bi-directionallongshort-termmemory)语言模型。bilstm是由前向lstm(longshort-termmemory)与后向lstm组合而成。由于利用lstm对句子进行建模存在一个问题：无法编码从后到前的信息。在更细粒度的分类时，如对于强程度的褒义、弱程度的褒义、中性、弱程度的贬义、强程度的贬义的五分类任务需要注意情感词、程度词、否定词之间的交互。但是，通过bilstm可以更好的捕捉双向的语义依赖。

需要说明的是，在本实施例中，除此之外，还可以选择器的算法或者模型在每种特征数据中提取指定文本信息，本实施例不做具体限定。

在一个可选的实施方式中，如图4所示，步骤s206，对所述多种预测结果进行融合，得到目标预测结果包括如下步骤：

步骤s401，确定每个预测结果的权重值；

步骤s402，基于所述权重值对所述多种预测结果进行加权求和计算，并将加权求和计算结果作为所述目标预测结果。

具体地，在本实施例中，为每个预测结果预先设定了权重值，其中，该权重值可以根据每种特征数据的重要程度来进行设定，权重值的具体数值本实施例中不做具体限定。

在确定出每个预测结果的权重值之后，就可以基于权重值对多种预测结果进行加权求和计算，并将加权求和计算结果作为所述目标预测结果。在确定出该目标预测结果之后，就可以基于该目标预测结果确定目标订单是否为安全事件订单。

通过上述描述可知，每种预测结果表征在其所对应的特征数据的获取时段，目标订单为安全事件订单的概率。也即，在目标订单执行的过程中，不同时段预测出的该目标订单为安全事件订单的概率。通过将上述多种预测结果进行融合的方式，能够利用多种预测结果来预测目标订单是否为安全事件订单，从而得到更加准确的预测结果。

可选地，基于所述目标预测结果确定所述目标订单是否为安全事件订单包括：

判断所述目标预测结果是否大于或者等于预设阈值；若是，则确定所述目标订单为安全事件订单；否则，确定出该目标订单不是安全事件订单。

需要说明的是，在本实施例中，上述预设阈值可以根据实际需要来进行设定，本实施例对此不作具体限定。

通过上述描述可知，在本实施例中，将目标订单的各类数据特征的文本信息和抽取的指定文本信息分别输入到对应的目标预测模型中，然后得到特定时段目标订单是否为安全事件订单的分数(即，预测结果)。最终将各个时段的预测结果进行融合，得到该目标订单是否为安全事件订单的分数(即，目标预测结果)。具体的，对各个时段的分数(即，预测结果)进行加权求和计算，得到的最后的融合分数(即，目标预测结果)。需要说明的是，在目标订单进行过程中，每种数据特征是在不同时段出现，因此将每种数据特征输入到对应的目标预测模型后可以得到各个时段存在安全事件的可能性。

在一个可选的实施方式中，如图5所示，若多种特征数据包括：所述第一类特征数据；那么步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括如下步骤：

步骤s501，确定与所述第一类特征数据相对应的第一目标预测模型；

步骤s502，利用所述第一目标预测模型对所述第一类特征数据进行处理，得到第一预测结果。

通过上述描述可知，在本实施例中，上述多种特征数据包括以下至少之一：第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据。第一类特征数据为会话服务提供方与目标对象之间的会话信息，其中，所述目标对象包括订单服务提供方和/或服务请求方；第二类特征数据为所述订单服务提供方和所述服务请求方之间的互相评价数据；第三类特征数据为所述会话服务提供方记录的所述目标订单的订单描述信息；第四类特征数据为所述订单服务提供方和/或所述服务请求方在所述目标订单执行过程中的音频数据。

具体地，在本实施例中，首先，确定与第一类特征数据相对应的第一目标预测模型。然后，利用第一目标预测模型对第一类特征数据进行处理，得到第一预测结果。

需要说明的是，在利用第一目标预测模型对第一类特征数据进行处理时，可以利用上述所描述的目标算法或目标语言模型在第一类特征数据中提取第一指定文本信息。然后，将第一类特征数据的文本信息和第一指定文本信息输入到第一目标预测模型中进行处理，得到第一预测结果。

在一个可选的实施方式中，如图6所示，若多种特征数据包括：所述第二类特征数据；那么步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括如下步骤：

步骤s601，确定与所述第二类特征数据相对应的第二目标预测模型；

步骤s602，利用所述第二目标预测模型对所述第二类特征数据进行处理，得到第二预测结果。

具体地，在本实施例中，首先，确定与第二类特征数据相对应的第二目标预测模型。然后，利用第二目标预测模型对第二类特征数据进行处理，得到第二预测结果。

需要说明的是，在利用第二目标预测模型对第二类特征数据进行处理时，可以利用上述所描述的目标算法或目标语言模型在第二类特征数据中提取第二指定文本信息。然后，将第二类特征数据的文本信息和第二指定文本信息输入到第二目标预测模型中进行处理，得到第二预测结果。

在一个可选的实施方式中，如图7所示，所述多种特征数据包括：所述第三类特征数据；那么步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括如下步骤：

步骤s701，确定与所述第三类特征数据相对应的第三目标预测模型；

步骤s702，利用所述第三目标预测模型对所述第三类特征数据进行处理，得到第三预测结果。

具体地，在本实施例中，首先，确定与第三类特征数据相对应的第三目标预测模型。然后，利用第三目标预测模型对第二类特征数据进行处理，得到第三预测结果。

需要说明的是，在利用第三目标预测模型对第三类特征数据进行处理时，可以利用上述所描述的目标算法或目标语言模型在第三类特征数据中提取第三指定文本信息。然后，将第三类特征数据的文本信息和第三指定文本信息输入到第三目标预测模型中进行处理，得到第三预测结果。

在一个可选的实施方式中，如图8所示，所述多种特征数据包括：所述第四类特征数据；那么步骤s204，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果包括如下步骤：

步骤s801，确定与所述第四类特征数据相对应的第四目标预测模型；

步骤s802，利用所述第四目标预测模型对所述第四类特征数据进行处理，得到第四预测结果。

具体地，在本实施例中，首先，确定与第四类特征数据相对应的第四目标预测模型。然后，利用第四目标预测模型对第二类特征数据进行处理，得到第四预测结果。

需要说明的是，在利用第四目标预测模型对第四类特征数据进行处理时，可以利用上述所描述的目标算法或目标语言模型在第四类特征数据中提取第四指定文本信息。然后，将第四类特征数据的文本信息和第四指定文本信息输入到第四目标预测模型中进行处理，得到第四预测结果。

下面举例说明上述过程。

在订单进行过程中，每个特征数据出现时间会不同，即，不同的阶段的特征数据会不同，导致目标预测模型中输入的特征数据就不同。

例如，在目标订单开始的时间a，获取订单服务提供方与服务请求方之间的互相评价信息(即，第二类特征数据)。将第二类特征数据的文本信息和抽取到的指定文本信息输入到a类模型(即，第二目标预测)中。

然后，在目标订单开始的时间b，会话服务提供方(例如，客服)收到了服务请求方的投诉电话(即，第一类特征数据)。将第一类特征数据的文本信息和抽取到的指定文本信息输入到b类模型(即，第一目标预测)中。

之后，在目标订单开始的时间c，会话服务提供方对目标订单进行了描述，得到订单描述信息(即，第三类特征数据)。将第三类特征数据的文本信息和抽取到的指定文本信息输入到c类模型(即，第三目标预测)中。

a类模型、b类模型和c类模型在对相应的数据进行处理时，分别得到订单在a时间存在安全事件的概率(第二预测结果)、订单在b时间存在安全事件的概率(第一预测结果)、订单在c时间存在安全事件的概率(第三预测结果)。

最后，将上述3种概率进行融合，得到最终的该订单为安全事件订单的概率(分数)的更准确结果(即，目标预测二结果)。

在一个可选的实施方式中，该方法还包括如下步骤：

步骤s1，确定训练样本，其中，所述训练样本包括：历史订单的多种特征数据和标签信息，其中，所述历史订单的多种特征数据为在目标订单发起之后，且在所述目标订单结束之前，在不同时段获取到的不同类型的特征数据；所述标签信息用于表征所述历史订单是否为安全事件订单；

步骤s2，利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型。

具体地，在本实施例中，在执行上述步骤s202至步骤s206之前，还需要对目标预测模型的初始模型进行训练。通过上述描述可知，不同类型的特征数据对应不同的目标预测模型，因此，在对目标预测模型的初始模型进行训练时，可以对目标预测模型的初始模型进行分段训练。

基于此，在本实施例中，首先，构建训练样本。训练样本的构建过程为：首先，选择大量的历史订单，然后，在该历史订单的订单数据中提取第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据。除此之外，还需要确定该历史订单是否安全事件订单的标签信息。

之后，就可以基于第一类特征数据和标签信息构建第一类训练样本，并基于第二类特征数据和标签信息构建第二类训练样本，基于第三类特征数据和标签信息构建第三类训练样本，基于第四类特征数据和标签信息构建第四类训练样本。在得到上述4类训练样本之后，就可以利用上述4类训练样本分别训练对应的待训练模型。

例如，通过第一类训练样本训练第一目标预测模型的初始模型(即，与第一类训练样本相对应的待训练模型)，得到第一目标预测模型。通过第二类训练样本训练第二目标预测模型的初始模型(即，与第二类训练样本相对应的待训练模型)，得到第二目标预测模型。通过第三类训练样本训练第三目标预测模型的初始模型(即，与第三类训练样本相对应的待训练模型)，得到第三目标预测模型。通过第四类训练样本训练第四目标预测模型的初始模型(即，与第四类训练样本相对应的待训练模型)，得到第四目标预测模型。

可选地，在本实施例中，步骤s2，利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型包括如下步骤：

首先，在所述历史订单的每种特征数据中提取指定文本信息；

然后，将所述历史订单的特征数据和提取到的指定文本信息输入到相对应的待训练模型中进行处理，得到目标预测结果。

具体地，在本实施例中，针对每类训练样本中的特征数据，首先，利用上述实施方式中所描述的目标算法和目标语言模型，在历史订单的每种特征数据中提取指定文本信息。之后，利用历史订单的特征数据和提取到的指定文本信息输入到相对应的待训练模型中进行处理，得到目标预测结果。

例如，在第一类训练样本的特征数据中提取指定文本信息，然后，利用提取到的指定文本信息和第一类训练样本的特征数据对第一目标预测模型的初始模型进行训练。

又例如，在第二类训练样本的特征数据中提取指定文本信息，然后，利用提取到的指定文本信息和第二类训练样本的特征数据对第二目标预测模型的初始模型进行训练。

又例如，在第三类训练样本的特征数据中提取指定文本信息，然后，利用提取到的指定文本信息和第二类训练样本的特征数据对第三目标预测模型的初始模型进行训练。

又例如，在第四类训练样本的特征数据中提取指定文本信息，然后，利用提取到的指定文本信息和第二类训练样本的特征数据对第四目标预测模型的初始模型进行训练。

在另一个可选的实施方式中，该方法还包括如下步骤：

若确定出所述目标订单是所述安全事件订单，则统计订单服务提供方所属的历史订单中安全事件订单的数量，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方；

若所述数量超过预设数量，则向服务请求方和/或所述服务请求方的紧急联系方发送报警提示信息。

具体地，在本实施例中，如果确定出目标订单为安全事件订单，则可以确定该目标订单所属的订单服务提供方的历史订单中被统计为安全事件订单的数量。

如果该数量超过预设数量，则表示该订单服务提供方存在潜在的危险，此时，可以向服务请求方和/或该服务请求方的紧急联系方发送报警提示信息。通过上述方式，能够及时感知危险，以及时解决潜在的安全事故，从而解决了现有技术由于无法准确识别出有安全事件的订单导致的有安全事件的订单无法得到及时处理的技术问题。

在另一个可选的实施方式中，该方法还包括如下步骤：

若确定出所述目标订单不是所述安全事件订单，则增加订单服务提供方的信誉值，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方。

需要说明的是，在本实施例中，如果确定出目标订单为安全事件订单，还可以降低订单服务提供方的信用等级，以对订单服务提供方做出相应的警示。相反地，在本实施例中，如果确定出目标订单不是安全事件订单，那么就可以增加订单服务提供方的信誉值，通过上述方式，提高了网约车平台的合理化程度，使得网约车平台的奖赏和惩罚制度更加完善，同时还能对订单服务提供方进行激励。

图9是示出本申请的一些实施例的安全事件订单的检测装置的框图，该安全事件订单的检测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图所示，安全事件订单的检测装置可以包括获取单元910、处理单元920和融合确定单元930。

获取单元910，用于获取多种特征数据，其中，所述多种特征数据为在服务请求方发起目标订单之后，在不同时段获取到的不同类型的特征数据，所述特征数据包括：通话数据和/或评价数据；所述通话数据为会话服务提供方、订单服务提供方和服务请求方之间的通话数据，所述评价数据为目标订单的订单评价数据，和/或，订单服务提供方和服务请求方之间的评价数据；

处理单元920，用于利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果，其中，所述预测结果用于表征在特征数据的获取时段，所述目标订单存在安全事件的标签的概率；

融合确定单元930，用于对所述多种预测结果进行融合，得到目标预测结果，并基于所述目标预测结果确定所述目标订单是否为安全事件订单。

在本实施例中，首先，在目标订单发起之后，且在目标订单结束之前，在不同时段获取到的不同类型的多种特征数据，然后，利用每种特征数据相对应的目标预测模型对相应的特征数据进行处理，得到多种预测结果；最后，对多种预测结果进行融合，得到目标预测结果，并基于目标预测结果确定目标订单是否为安全事件订单。通过上述描述可知，在本实施例中，能够及时预测服务订单是否为安全事件订单，进而解决了由于无法准确识别出有安全事件的订单导致的有安全事件的订单无法得到及时处理的技术问题。

可选地，所述处理单元包括：提取模块，用于在每种特征数据中提取指定文本信息；处理模块，用于将所述特征数据和提取到的所述指定文本信息输入到所述相对应的目标预测模型中进行处理，得到相应的预测结果。

可选地，所述提取模块，用于：利用目标算法或者目标语言模型在所述每种特征数据中提取指定文本信息。

可选地，所述目标预测模型包括以下任一种：神经网络模型、集成树模型和最大熵模型。

可选地，所述融合确定单元用于：将所述多种预测结果输入到目标融合模型中，以使所述目标融合模型对所述多种预测结果进行处理，得到所述目标预测结果。

可选地，所述融合确定单元用于：确定每个预测结果的权重值；基于所述权重值对所述多种预测结果进行加权求和计算，并将加权求和计算结果作为所述目标预测结果。

可选地，所述融合确定单元还用于：判断所述目标预测结果是否大于或者等于预设阈值；若是，则确定所述目标订单为安全事件订单。

可选地，所述多种特征数据包括以下至少之一：第一类特征数据，第二类特征数据，第三类特征数据和第四类特征数据；所述第一类特征数据为会话服务提供方与目标对象之间的会话信息，其中，所述目标对象包括订单服务提供方和/或服务请求方；所述第二类特征数据为所述订单服务提供方和所述服务请求方之间的互相评价数据；所述第三类特征数据为所述会话服务提供方记录的所述目标订单的订单描述信息；所述第四类特征数据为所述订单服务提供方和/或所述服务请求方在所述目标订单执行过程中的音频数据。

可选地，所述多种特征数据包括：所述第一类特征数据；所述处理单元还用于：确定与所述第一类特征数据相对应的第一目标预测模型；利用所述第一目标预测模型对所述第一类特征数据进行处理，得到第一预测结果。

可选地，所述多种特征数据包括：所述第二类特征数据；所述处理单元还用于：确定与所述第二类特征数据相对应的第二目标预测模型；利用所述第二目标预测模型对所述第二类特征数据进行处理，得到第二预测结果。

可选地，所述多种特征数据包括：所述第三类特征数据；所述处理单元还用于：确定与所述第三类特征数据相对应的第三目标预测模型；利用所述第三目标预测模型对所述第三类特征数据进行处理，得到第三预测结果。

可选地，所述装置还用于：获取历史订单的多种特征数据，其中，所述历史订单的多种特征数据为在目标订单发起之后，且在所述目标订单结束之前，在不同时段获取到的不同类型的特征数据；利用所述训练样本对相应的待训练模型进行训练，得到所述目标预测模型。

可选地，所述装置还用于：在所述历史订单的每种特征数据中提取指定文本信息；将所述历史订单的特征数据和提取到的指定文本信息输入到相对应的待训练模型中进行处理，得到目标预测结果。

可选地，所述装置还用于：若确定出所述目标订单是所述安全事件订单，则统计订单服务提供方所属的历史订单中安全事件订单的数量，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方；若所述数量超过预设数量，则向服务请求方和/或所述服务请求方的紧急联系方发送报警提示信息。

可选地，所述装置还用于：若确定出所述目标订单不是所述安全事件订单，则增加订单服务提供方的信誉值，其中，所述订单服务提供方为所述目标订单所属的订单服务提供方。

上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过lan、wan、蓝牙、zigbee、或nfc等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。

在本实施例中，还提供了计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一所述的安全事件订单的检测方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。