基于机器学习检测运输服务相关安全问题的人工智能系统的制作方法

1.本说明书涉及用于检测与运输服务相关的安全问题的人工智能(ai)系统和方法，更具体地，涉及使用机器学习自动检测与运输服务相关的安全问题的人工智能系统和方法。


背景技术：

2.安全问题检测通常由运输服务平台执行，以筛选运输服务期间存在安全问题的事件。检测安全问题的一种方法是基于乘客或运输服务提供商报告的事件。例如，如果乘客报告服务提供商行为怪异，例如酒后驾驶，则可能会手动将服务行程标记为存在安全问题，并且将通知平台采取进一步行动，例如指示提供商立即停车，取消提供商提供服务的许可证或通知当地警察局有关提供商违反法律的行为。
3.检测安全问题通常由运输服务平台雇佣的客户服务接待员手动执行。例如，接待员可以接听一个电话，并使用接待员的个人判断，根据来电者描述的事件确定是否存在安全问题。此外，一些运输服务平台为乘客提供安全问题报告选项，以便在他们受到安全威胁时通知客户服务。例如，滴滴
tm
交通服务应用程序具有“一键报警”功能，乘客可以按下一个按钮向客户服务部门发送安全报告。
4.然而，现有的方法并不准确或有效。例如，使用操作员根据事件描述手动检测安全问题的成本高昂，如果呼叫量很大，则变得不切实际。此外，基于应用程序的乘客报警功能导致高误报警率。例如，当乘客需要客户服务帮助时，他们倾向于按下按钮，其中大多数与安全问题无关。因此，需要一种基于事件描述的自动且准确地检测安全问题的方法。
5.本说明书的实施例通过提供改进的人工智能系统和方法来解决上述问题，该系统和方法用于使用机器学习从事件描述中自动检测与运输服务相关的安全问题。


技术实现要素：

6.在一个方面，本说明书的实施例提供了一种人工智能系统，用于训练用于检测运输服务相关安全问题的学习模型。所述系统包括一个存储设备，被配置为存储事件的第一样本描述和所述事件的已知安全问题。该第一样本描述包括第一组标记文本。所述系统还包括至少一个处理器。所述至少一个处理器被配置为将所述第一样本描述分割为多个词段，并确定所述多个词段对应的词向量。所述至少一个处理器被进一步配置为确定第一样本描述中第一组标记文本的特征。至少一个处理器还被配置为基于词向量和特征来训练学习模型。所述系统还包括一个通信接口，被配置为提供用于从事件描述中自动检测与运输服务相关的安全问题的学习模型。
7.在另一个方面，本说明书的实施例还提供了一种人工智能方法，用于训练用于检测与运输服务相关的安全问题的学习模型。所述方法包括接收一个事件的第一样本描述和所述事件的已知安全问题。所述第一样本描述包括第一组标记文本。所述方法进一步包括将第一样本描述分割成多个词段。所述方法还包括确定多个词段对应的词向量和确定第一
样本描述中第一组标记文本的特征。所述方法还包括根据词向量和特征训练学习模型，并提供用于从事件描述中自动检测与运输服务相关的安全问题的学习模型。
8.在另一个方面，本说明书的实施例进一步提供了一种非临时性计算机可读介质，该介质上存储有指令，当由至少一个处理器执行时，使至少一个处理器执行用于检测与运输服务相关的安全问题的人工智能方法。所述方法包括接收一个事件的第一样本描述和所述事件的已知安全问题。所述第一样本描述包括第一组标记文本。所述方法进一步包括将第一样本描述分割成多个词段。所述方法还包括确定多个词段对应的词向量和确定第一样本描述中第一组标记文本的特征。所述方法还包括根据词向量和特征训练学习模型，并提供用于从事件描述中自动检测与运输服务相关的安全问题的学习模型。
9.应当理解的是，上述一般描述和以下详细描述都只是示例性的和解释性的，并不构成对本说明书的限定。
附图说明
10.图1是根据本说明书一些实施例所示的示例性与运输服务相关的安全问题检测系统的示意图。
11.图2是根据本说明书一些实施例所示的示例性的训练检测模型以检测与运输服务相关的安全问题的系统的示意图。
12.图3是根据本说明书一些实施例所示的示例性的训练检测模型以检测与运输服务相关的安全问题的方法的流程图。
13.图4是根据本说明书一些实施例所示的示例性的基于检测模型检测与运输服务相关的安全问题的系统的示意图。
14.图5是根据本说明书一些实施例所示的示例性的基于检测模型检测与运输服务相关的安全问题的方法的应用流程图。
具体实施方式
15.现在将详细参考示例性实施例，其示例如附图所示。在可能的情况下，将在整个附图中使用相同的标号来指代相同或相似的部件。
16.图1是根据本说明书一些实施例所示的示例性与运输服务相关的安全问题检测系统(“安全问题检测设备100”)的示意图。根据本说明书，安全问题检测系统100被配置为基于使用样本事件描述和相应的已知安全问题(例如，包括在训练数据101中的已知安全问题)训练的检测模型105从事件描述(例如，事件描述103)中检测安全问题。在一些实施例中，安全问题检测系统100可以包括图1中所示的组件，包括训练数据库110、模型训练设备120、检测设备130、事件描述数据库140、终端设备150、网络160和客户服务170，以促进各个组件之间的通信。与图1所示的组件相比，安全问题检测系统100可以包括更多或更少的组件。
17.根据本说明书，安全问题检测系统100可以从终端设备150或客户服务170接收事件描述(例如，作为训练数据101或事件描述103的一部分的乘客事件描述或客户服务事件描述样本)。例如，终端设备150可以是移动电话、台式计算机、pda、机器人、自助服务台等或可以记录乘客事件描述的任何车载设备。终端设备150可以包括被配置为接收由一个或多
个乘客提供的乘客事件描述的用户交互界面。在一些实施例中，终端设备150可以包括麦克风和语音录音设备，诸如模拟录音设备(例如，留声机录音机或磁带录音机)或数字录音设备(如，数字录音机)，用于记录乘客口头提供的事件描述。终端设备150可以附加地或替代地包括用于将记录的音频录音转写成文本(例如，事件描述)的转录模块。在一些实施例中，终端设备150可以将事件描述记录为文本。例如，终端设备150可以包括用于接收文本输入的键盘、触笔或触摸屏。在一些实施例中，类似于终端设备150，客户服务170还可以配备有麦克风和录音设备，用于记录乘客通过电话提供的事件描述，且还可以具有转录模块，用于将记录的音频数据转写成事件描述的文本。
18.在一些实施例中，在样本运输服务期间，可以通过车载设备记录的乘客事件描述来描述相同的事件，以及在使用样本运输服务的乘客与客户服务170之间的电话交谈期间记录的客户服务事件描述。这些事件描述被称为与本说明书一致的“样本”事件描述。这些事件描述可以被收集并用作安全问题检测系统100中的训练数据101的一部分来训练检测模型105。例如，样本事件描述和各自服务行程的已知安全问题，在此期间发生的事件如样本事件描述中所述，模型训练设备120可以使用如样本事件描述中所述的在此期间发生的事件来训练检测模型105。服务行程的已知事件可以是客户服务运营商基于样本事件描述进行的基准检测。样本事件描述及其各自已知的安全问题可以成对地存储在训练数据库110中作为训练数据101。
19.在一些实施例中，基于经过训练的检测模型105，安全问题检测系统100可以处理并自动检测事件描述103。例如，检测设备130可以检测乘客进行事件描述103的服务行程的安全问题，或者在此期间记录使用运输服务的乘客与客户服务170之间的电话对话。事件描述103可存储在事件描述数据库140中。在一些实施例中，事件描述103及其检测结果(例如，检测到的安全问题)可被周期性地提供以更新训练数据库110。
20.如图1所示，安全问题检测系统100可以包括用于执行两个阶段(即训练阶段和检测阶段)的组件。为了执行训练阶段，安全问题检测系统100可以包括训练数据库110和模型训练设备120。为了执行检测阶段，安全事件检测系统100可以包括检测设备130和事件描述数据库140。在一些实施例中，当预训练用于检测安全问题的学习模型(例如，检测模型105)时，安全问题检测系统100可以仅包括检测设备130和事件描述数据库140以执行安全检测相关功能。
21.安全问题检测系统100可以可选地包括网络160，以促进安全问题检测设备100的各个组件之间的通信，例如训练数据库110和事件描述数据库140、设备120和130，以及终端150和170。例如，网络160可以是局域网(lan)、无线网络、云计算环境(例如，软件即服务、平台即服务、基础设施即服务)、客户端服务器、广域网(wan)等。在一些实施例中，网络160可以由有线数据通信系统或设备代替。
22.在一些实施例中，如图1所示，安全问题检测系统100的各个组件可以彼此远离或位于不同位置，并通过网络160连接。在一些替代实施例中，安全问题检测设备100的某些组件可以位于同一地点或一个设备内。例如，训练数据库110可以与模型训练设备120一起位于现场或作为模型训练设备的一部分。作为另一示例，模型训练设备120和检测设备130可以位于同一计算机或处理设备内，例如客户服务170内。
23.如图1所示，模型训练设备120可以与训练数据库110通信，以接收一组或多组训练
数据101。每组训练数据101可以包括样本事件描述(例如，乘客事件描述和/或客户服务事件描述)及其相应的地面真实安全问题检测，该检测表明服务行程的已知安全问题。模型训练设备120可以使用从训练数据库110接收的训练数据101来训练学习模型，用于基于乘客的描述或乘客与客户服务170之间的电话对话来检测服务行程的安全问题。模型训练设备120可以用由执行训练过程的软件专门编程的硬件来实现。例如，模型训练设备120可以包括处理器和非瞬时计算机可读介质(结合图2详细说明)。处理器可以通过执行存储在计算机可读介质中的训练过程的指令来进行训练。模型训练设备120可以另外包括输入和输出接口，以与训练数据库110、网络160和/或用户接口(图中未示出)通信。用户界面可用于选择训练数据集、调整训练过程的一个或多个参数、选择或修改学习模型的框架，和/或手动或半自动地提供与用于训练的样本事件描述相关联的检测结果。
24.根据本说明书，模型训练设备120可以在训练检测模型105之前对样本描述进行预处理。预处理可以使用词嵌入模型。例如，每个样本事件描述可以被分割成多个词段，并且词段可以被用于作为词嵌入模型的输入。词嵌入模型可以向每个词段分配词向量。在一些实施例中，预处理可以进一步包括文本标记。根据用于特征提取的关键字列表对文本进行标记。关键词列表包括操作员手动生成和/或更新的指示安全问题的词语或短语。例如，如果文本中包含关键词列表中的“喝酒”、“怪异”和“粗鲁”等词，这些词可能会在文本中被标记。模型训练设备120可以从标记文本中提取特征并构造特征矩阵。
25.与一些实施例一致，检测模型105可以进一步包括卷积神经网络(cnn)模型来处理数据，其中基于标记文本和来自词嵌入模型的词向量确定的特征可以用作输入。cnn模型的架构包括将输入转换为输出的一组不同的层。如本文所使用的，“训练”学习模型是指确定学习模型中至少一个层的一个或多个参数。例如，cnn模型的卷积层可以包括至少一个滤波器或内核。可以通过例如基于反向传播的训练过程来确定至少一个滤波器的一个或多个参数，例如核权重、大小、形状和结构。与一些实施例一致，可以使用监督学习来训练检测模型105。
26.检测设备130可从模型训练设备120接收检测模型105。检测设备130可以包括处理器和非临时计算机可读介质(图中未示出)。处理器可以执行存储在介质中的安全问题检测过程的指令。检测设备130还可以包括输入和输出接口，以与事件描述数据库140、网络160和/或用户接口(图中未示出)通信。用户界面可用于为安全问题检测选择事件描述103、启动检测过程或显示检测结果107。
27.检测设备130可以与事件描述数据库140通信以接收一个或多个事件描述103，可以从终端设备150接收存储在事件描述数据库140中的事件描述103。检测设备130可以使用从模型训练设备120接收的训练模型来检测事件描述103描述的服务行程的安全问题，并输出检测结果107。
28.图2是根据本说明书一些实施例所示的示例性的用于检测与运输服务相关的安全问题的系统200的示意图。与本说明书一致，系统200可以是模型训练设备120的实施例。在一些实施例中，如图2所示，系统200可以包括通信接口202、处理器204、内存206和存储器208，例如集成电路(ic)芯片(例如，实现为专用集成电路(asic)或现场可编程门阵列(fpga))或具有专用功能的分立器件。在一些实施例中，系统200的一个或多个组件可以位于云中，或者可以替代地位于单个位置(例如移动设备内部)或分布式位置。系统200的组件
可以在集成设备中或分布在不同位置，但通过网络(图中未示出)彼此通信。与本说明书一致，系统200可以被配置为基于训练数据101训练检测模型105，训练数据101可以被提供给检测设备130用于处理事件描述103。
29.通信接口202可通过通信电缆、无线局域网(wlan)、广域网(wan)、无线网络(如无线电波)、蜂窝网络和/或本地或短程无线网络(例如蓝牙
tm
)或其他通信方法，向训练数据库110等组件发送数据并从其接收数据。在一些实施例中，通信接口202可以包括综合业务数字网络(isdn)卡、电缆调制解调器、卫星调制解调器或调制解调器以提供数据通信连接。作为另一示例，通信接口202可以包括局域网(lan)卡，以提供到兼容lan的数据通信连接。无线链路也可以由通信接口202实现。在这种实现中，通信接口202可以发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
30.根据一些实施例，通信接口202可以从训练数据库110接收包括样本事件描述(例如，乘客事件描述和/或客户服务事件描述)及其各自已知的安全问题的训练数据101。
31.样本事件描述可以以文本或以终端设备150或客户服务170获取的原始格式(例如，音频)接收。样本事件描述可以包括描述安全问题的场景和/或周围环境的一句或多句话。当事件描述是口头表达时，终端设备150或客户服务170可以将事件描述转录成文本数据，并可以将文本数据发送到系统200的通信接口202，并且系统200中的转录模型(图中未示出)可以将音频转录成文本数据。通信接口202还可以将文本数据提供给内存206和/或存储器208以供存储，或者提供给处理器204以供处理。
32.处理器204可以包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于训练学习模型(例如，检测模型105)的单独处理器模块。或者，处理器204可以被配置为共享处理器模块，用于执行除模型训练之外的其他功能。
33.内存206和存储器208可以包括提供用于存储处理器204可能需要操作的任何类型的信息的任何适当类型的大容量存储器。内存206和存储器208可以是易失性或非易失性、磁性、半导体、磁带、光学、可移除、不可移除或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但不限于rom、闪存、动态ram和静态ram。内存206和/或存储器208可以被配置为存储一个或多个计算机程序，这些程序可以由处理器204执行以执行本说明书披露的功能。例如，内存206和/或存储器208可被配置为存储可由处理器204执行以训练检测模型105的程序。
34.内存206和/或存储器208可进一步被配置为存储处理器204使用的信息和数据。例如，存储器208可被配置为存储知识数据库，包括与服务行程、场景、安全问题和其他安全相关数据相关的各种类型的数据。在一些实施例中，知识数据库可以包括用于从事件描述中自动识别安全问题的各种列表，例如操作员手动生成和/或更新的关键字列表。
35.与本说明书一致，知识数据库可以进一步包括用于训练词嵌入模型的词向量。在一些实施例中，使用词嵌入来确定词向量，该词嵌入将词映射到实数向量。在一些实施例中，词向量可以具有几百个维度。
36.在一些实施例中，内存206和/或存储208还可以存储中间数据，例如样本事件描述中的词段、学习模型的各层输出的特征图、以及优化损失函数等。内存206和/或存储器208可以另外存储各种学习模型，包括其模型参数，例如cnn模型和词嵌入模型等，这些将被描
述。各种类型的数据可以被永久存储、定期删除或在处理后被立即忽略。
37.如图2所示，处理器204可以包括多个模块，例如词嵌入单元240、特征确定单元242、训练数据集成单元244和cnn训练单元246等。这些模块(以及任何相应的子模块或子单元)可以是处理器204的硬件单元(例如，集成电路的一部分)，其被设计用于与处理器204通过执行程序的至少一部分实现的其他组件或软件单元一起使用。该程序可以存储在计算机可读介质上，并且当由处理器204执行时，它可以执行一个或多个功能。尽管图2显示单元240-单元246都在一个处理器204内，但是可以设想，这些单元可以分布在彼此靠近或远离的不同处理器之间。
38.在一些实施例中，图2的单元242至单元246可以执行计算机指令以执行训练。例如，图3是根据本说明书实施例的用于训练检测模型105的示例性方法300的流程图。在一些实施例中，在应用于方法300之前，可以使用关键词列表来标记训练数据101内的样本事件描述，以提高检测过程的效率。例如，操作员可以基于关键词列表手动标记和/或更新样本事件描述的标签。
39.方法300可以包括如下所述的步骤s302至步骤s320。在一些实施例中，通信接口202可以执行步骤s302和步骤s310，词嵌入单元240可以执行步骤s304至步骤s306和步骤s312至步骤s314，特征确定单元242可以执行步骤s308和步骤s316，训练数据集成单元244可以执行步骤s318，并且cnn训练单元246可以执行步骤s320。应当理解，执行本说明书中的一些步骤和单元可以是可选的。例如，如果仅一种类型的事件描述(例如，仅乘客事件描述或客户服务事件描述)被用作训练数据(例如，训练数据101)，则步骤s318和训练数据集成单元244可以可选地执行该方法。此外，一些步骤可以同时执行，或者以不同于图2所示的顺序执行。例如，在执行步骤s302至步骤s308的同时，可以同时执行步骤s310至步骤s316。
40.在步骤302中，通信接口202可以接收训练数据101，该训练数据101包括事件的第一样本描述(例如，乘客事件描述)和与事件的第一样本描述相对应的已知安全事件。在一些实施例中，第一样本描述可以是在样本运输服务期间由车载设备记录的乘客事件描述。在一些实施例中，可以接收大量训练数据来训练学习模型。每个示例事件描述可以包括描述安全问题的一个或多个句子。例如，描述可能是“驾驶员没有按照应用程序中显示的预定路线驾驶！”。
41.在步骤s304中，词嵌入单元240可以将每个样本描述分割成多个词段。词段是句子中具有语义的最小单位。词段可以是一个字或两个或更多字的组合。如果事件描述包含多个句子，可以先将其分割成不同的句子。在一些实施例中，每个样本描述可以使用句子分割模型进行分割，句子分割模型为使用样本句子和这些句子的已知词段训练的。使用分割模型可以将每个样本事件描述分割成多个词段。
42.在步骤s306中，词嵌入单元240可以使用例如词嵌入模型来确定多个词段对应的词向量。
43.在步骤s308中，特征确定单元242可以确定第一事件描述中的第一组标记文本的特征。例如，特征确定单元242可以为标记文本构造第一特征矩阵m1。文本标记可由操作员手动执行或由安全问题检测系统100自动执行。在一些实施例中，根据关键词列表标记文本。例如，如果文本中包含诸如饮酒、怪异或粗鲁之类的词，这些词在操作员生成的关键词列表中，这些词将被标记在文本中。
44.在一些实施例中，方法300可进一步包括步骤s310至步骤s320，其中可接收第二样本描述，并可用于额外训练学习模型。在步骤s310中，可以接收与第一样本描述不同的事件的第二样本描述。在一些实施例中，第二样本描述可以是在使用样本运输服务的乘客与客户服务170之间的电话交谈期间记录的客户服务事件描述。例如，所有与应用程序相关的训练数据可以以“_u”作为后缀，所有与客户服务相关的训练信息可以以“_s”作为后缀。
45.在步骤s312中，事件的第二样本描述可以用类似于步骤s304的词嵌入单元240分割。在步骤s314中，类似步骤s306，可以基于词嵌入模块240对事件的第二样本描述提供的附加信息来确定多个附加词段对应的附加词向量。在步骤s316中，类似于步骤308，可以确定第二样本描述中的第二组标记文本的附加特征。
46.在步骤s318中，第二组标记文本的特征可以与第一组标记文本特征相组合。在一些实施例中，训练数据集成单元244可以将第一样本描述与描述相同事件的第二样本描述相匹配。例如，训练数据集成单元244可以将第一样本描述与具有相同事件识别号的第二样本描述相匹配。训练数据集成单元244还可以组合匹配的第一样本描述和第二样本描述的特征矩阵。
47.在步骤s320中，cnn处理单元246可以基于词向量和组合后的特征来训练学习模型。例如，cnn处理单元246可以将组合后的特征矩阵与词向量一起作为cnn的输入，以训练学习模型。在一些实施例中，cnn处理单元246可以基于输入生成检测结果作为cnn的输出。在一些实施例中，可以通过将从cnn获得的输出和对应于第一样本描述和第二样本描述所描述的与事件相关的已知安全问题的特征图之间的差异最小化来训练学习模型。在一些实施例中，该差异可以是两个特征图之间的均方差(即，范数-2差异)。也可以使用任何合适的方法来解决优化问题，例如各种迭代方法。
48.在一些实施例中，如果只有第一样本描述(例如，由运输服务应用程序记录的乘客描述)可以用作训练数据，则方法300可以跳过步骤s310至步骤318，并在步骤s308之后直接进行步骤s320，以基于从第一事件描述导出的词向量和特征来训练检测模型105。类似地，在一些实施例中，如果只有第二样本描述(例如，由客户服务记录的描述)可以用作训练数据，则方法300可以跳过步骤s302至步骤308，并包括步骤s310至步骤s316和步骤s320。
49.图4是根据本说明书实施例所示的基于检测模型105检测与运输服务相关的安全问题的示例性系统400的示意图。与本说明书一致，系统400可以是检测设备130的实施例。在一些实施例中，如图4所示，系统400可以包括通信接口402、处理器404、内存406和存储器408。在某些实施例中系统400可以具有与系统200类似的硬件组件和配置。与本说明书一致，系统400可以被配置为基于模型训练设备120提供的检测模型105从事件描述103中检测安全问题。
50.通信接口402的配置可以与通信接口202类似。在一些实施例中，通信接口402可向模型训练设备120、事件描述数据库140、训练数据库110和显示器450等组件发送数据，并从组件接收数据。例如，通信接口402可以从模型训练设备120接收检测模型105，从事件描述数据库140接收事件描述103。事件描述103可以由乘客430通过终端设备150或由客户服务170提供。
51.处理器404可包括与处理器204中的硬件组件类似的硬件组件。处理器404可被配置为专用于使用学习模型进行安全问题检测的独立处理器模块。可替换地，处理器404可以
被配置为共享处理器模块，用于执行除了安全问题检测之外的其他功能。内存406和存储器408可以类似于内存206和存储器208。例如，内存406和/或存储器408可以被配置为存储可由处理器404执行以基于检测模型105检测安全问题的程序。存储器408还可以存储与存储在存储器208中的知识数据库类似的知识数据库。
52.在一些实施例中，内存406和/或存储器408还可以存储中间数据，例如事件描述中的词段、学习模型的层输出的特征图等。内存406和/或存储器408可以另外存储包括其模型参数的各种学习模型，例如检测模型105和词嵌入模型等。
53.如图4所示，处理器404可以包括多个模块，例如词嵌入单元440、特征确定单元442、数据集成单元444和cnn处理单元446等。这些模块(以及任何相应的子模块或子单元)可以是处理器404的硬件单元(例如，集成电路的一部分)，其被设计用于通过执行程序的至少一部分而由处理器404实现的其他组件或软件单元。该程序可以存储在计算机可读介质上，并且当由处理器404执行时，它可以执行一个或多个功能。尽管图4中单元440至单元446全部在一个处理器404内，但是可以设想，这些单元可以分布在彼此靠近或远离的不同处理器之间。
54.在一些实施例中，单元442至单元446可以执行计算机指令以执行训练。图5是根据本说明书实施例的基于检测模型105检测与运输服务相关的安全问题的示例性方法500的流程图。方法500可以由系统400实现，特别是处理器404或图4中未示出的单独处理器。方法500可以包括如下所述的步骤s502至步骤s522。应当理解，执行本说明书中披露的一些步骤可能是可选的。此外，一些步骤可以同时执行，或者以不同于图5所示的顺序执行。
55.在步骤s502中，通信接口402可以接收包括事件的第一事件描述的事件描述103。在一些实施例中，第一事件描述可以是在运输服务期间由车载设备记录的乘客事件描述。例如，描述可能是“驾驶员没有按照应用程序中显示的预定路线驾驶！”。
56.在步骤s504至步骤s508中，词嵌入单元440和特征确定单元442可以与步骤s304至步骤s308类似地预处理第一事件描述，以获得标记文本的词段和特征的词向量。
57.在步骤s510中，可以接收与第一事件描述不同的相同事件的第二事件描述。在一些实施例中，第二事件描述可以是在使用运输服务的乘客与客户服务170之间的电话交谈期间记录的客户服务事件描述。
58.在步骤s512至步骤s516中，词嵌入单元440和特征确定单元442可以与步骤s312至步骤s316类似地对第二事件描述预处理，以获得第二事件描述中的词段的附加词向量和标记文本的附加特征。在步骤s518中，与步骤s318类似，可以将从第二事件描述导出的特征与从第一事件描述中导出的特征组合。
59.在步骤s520中，cnn处理单元446可以将检测模型105应用于组合后的特征和词向量，以检测一个或多个安全问题。在一些实施例中，cnn处理单元446可以将词向量和比较的特征矩阵输入到训练后的检测模型105，以检测安全问题并提供检测结果107。
60.在一些实施例中，如果只有第一事件描述(例如，由终端设备150中的运输服务应用程序记录的乘客描述)可用，方法500可以跳过步骤s510至步骤s518，并且在步骤s508之后直接进行到步骤s520。方法500可以选择仅使用由终端设备150记录的描述训练的检测模型105，并在步骤s520中应用所选择的模型。类似地，在一些实施例中，如果仅第二事件描述(例如，由客户服务记录的描述)可用，则方法500可以跳过步骤s502至步骤s508，因此，方法
500可以选择仅使用由客户服务170记录的描述训练的检测模型105，并在步骤s520中应用所选择的模型。
61.在一些实施例中，通信接口402还可以提供cnn输出的检测结果107。例如，如图4所示，检测结果107可通过显示器450提供给客户服务170。显示器450可包括显示器，例如液晶显示器(lcd)、发光二极管显示器(led)、等离子显示器或任何其他类型的显示器，并提供呈现在显示器上的图形用户界面(gui)，用于用户输入和数据描绘。显示器可以包括许多不同类型的材料，例如塑料或玻璃，并且可以是对触摸敏感的材料，用于接收来自用户的输入。例如，显示器可以包括基本呈刚性的触敏材料，例如gorilla glass
tm
，或者基本呈柔性的触敏材料，例如willow glass
tm
。在一些实施例中，显示器450可以是客户服务170的一部分。
62.在步骤s522中，可以将检测到的安全问题(例如，检测结果107)和相应的事件描述作为训练数据101添加到训练数据库110中。例如，通信接口402可以以周期性方式、请求响应方式等实时更新训练数据库110。在训练数据库110被更新之后，模型训练设备120可以重复方法300以训练更新的检测模型105。
63.本说明书的另一方面涉及存储指令的非暂时性计算机可读介质，该指令在执行时会使得一个或多个处理器执行上述方法。计算机可读介质可以包括易失性或非易失性、磁性、半导体基、磁带基、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，计算机可读介质可以是存储有所公开的计算机指令的存储设备或存储模块。在一些实施例中，计算机可读介质可以是存储有计算机指令的光盘或闪存驱动器。
64.显而易见的是，对于本领域技术人员来说，可以对所公开的系统和相关方法进行各种修改和变型。对于本领域技术人员来说，通过考虑所公开系统的规范和实践以及相关方法，其他实施例将是显而易见的。
65.本说明书和示例仅被视为示例性的，真实范围由以下权利要求及其等效内容表示。