机器判责方法、装置、电子设备和可读存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种机器判责方法、装置、电子设备和可读存储介质。

背景技术

目前，随着互联网技术的发展，线上服务平台越来越多，其中，用户可以通过智能手机等终端设备在线上服务平台进行下单操作，当线上服务平台接收到用户的订单后，可以提供相应的服务。例如，以网约车服务平台为例，用户可以通过智能手机等终端设备在网约车服务平台进行下单操作，当网约车服务平台接收到用户的订单后，可以提供网约车服务。

然而，随着线上服务平台的订单量越来越多，不可避免的会出现大量问题订单(例如用户对线上服务平台或者服务提供者的投诉等)，若出现问题订单，线上服务平台则需要确定该问题订单的责任方，即针对该问题订单进行判责。

相关技术中，可以通过机器学习的方式确定判责结果，但是此种方法不具备可解释性，当与问题订单相关的任意一方对判责结果不认可时，反而需要花费更多的时间和人力来对判责结果进行解释，降低了判责的效率。

发明内容

有鉴于此，本申请实施例提供一种机器判责方法、装置、电子设备和可读存储介质，可以使得目标判责结果更加准确，同时提高了目标判责结果的可解释性。

第一方面，提供了一种机器判责方法，所述方法应用于电子设备，所述方法包括：

获取判责数据集，所述判责数据集包括多个预定类别的待处理数据，所述待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，所述第一类待处理数据用于表征客观属性，所述第二类待处理数据用于表征待判责各方的信息交互属性；

基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，所述中间判责结果用于表征所述判责数据集对应的判责原因；以及

至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

第二方面，提供了一种机器判责装置，所述装置应用于电子设备，所述装置包括：

判责数据集模块，用于获取判责数据集，所述判责数据集包括多个预定类别的待处理数据，所述待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，所述第一类待处理数据用于表征客观属性，所述第二类待处理数据用于表征待判责各方的信息交互属性；

中间判责结果模块，用于基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，所述中间判责结果用于表征所述判责数据集对应的判责原因；以及

目标判责结果模块，用于至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如第一方面所述的方法。

在本申请实施例中，可以通过至少一个中间判责网络以及判责数据集中的至少一个第二类待处理数据确定至少一个中间判责结果，然后至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。在此过程中，由于中间判责结果是基于待判责各方的信息交互属性确定的，所以可以使得目标判责结果更加准确，同时，由于中间判责结果可以表征判责数据集对应的判责原因，所以中间判责结果还可以对目标判责结果进行解释说明，提高了目标判责结果的可解释性。

附图说明

通过以下参照附图对本申请实施例的描述，本申请实施例的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1为本申请实施例提供的一种机器判责方法的流程图；

图2为本申请实施例提供的另一种机器判责方法的流程图；

图3为本申请实施例提供的一种确定并输出中间判责结果的流程图；

图4为本申请实施例提供的一种确定中间判责结果的流程图；

图5为本申请实施例提供的一种确定目标判责结果的流程图；

图6为本申请实施例提供的另一种确定目标判责结果的流程图；

图7为本申请实施例提供的一种机器判责装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

目前，随着互联网技术的发展，线上服务平台越来越多，其中，用户可以通过智能手机等终端设备在线上服务平台进行下单操作，当线上服务平台接收到用户的订单后，可以提供相应的服务。例如，以网约车服务平台为例，用户可以通过智能手机等终端设备在网约车服务平台进行下单操作，当网约车服务平台接收到用户的订单后，可以提供网约车服务。

然而，随着线上服务平台的订单量越来越多，不可避免的会出现大量问题订单(例如用户对线上服务平台或者服务提供者的投诉等)，若出现问题订单，线上服务平台则需要确定该问题订单的责任方，即针对该问题订单进行判责。

相关技术中，可以通过机器学习的方式确定判责结果，但是此种方法不具备可解释性，当与问题订单相关的任意一方对判责结果不认可时，反而需要花费更多的时间和人力来对判责结果进行解释，降低了判责的效率。

为了解决上述问题，本申请实施例提供一种机器判责方法，可以在确定目标判责结果的过程中确定至少一个中间判责结果，增加了目标判责结果的可解释性。

在本申请实施例中，若发生问题订单，则线上服务平台需要针对该问题订单对应的各个待判责方进行机器判责，其中，待判责方的数量为大于等于2的自然数。例如，以网约车场景为例，各个待判责方可以为网约车司机(服务提供方)和乘客(服务被提供方)。再例如，以外卖场景为例，各个待判责方可以为外卖骑手(服务提供方之一)、商家(服务提供方之一)和顾客(服务被提供方)。

其中，上述机器判责方法可以应用至电子设备，电子设备可以是终端或者服务器，终端可以是智能手机、平板电脑或者个人计算机(Personal Computer，PC)等，服务器可以是单个服务器，也可以是以分布式方式配置的服务器集群，还可以是云服务器。

具体的，上述机器判责方法可以如图1所示，图1为本申请实施例提供的一种机器判责方法的流程图。

其中，在进行判责的过程中，可以获取判责数据集11。其中，判责数据集11中可以包括至少两类待处理数据，第一类待处理数据可以用于表征客观属性，该客观属性可以用于表征客观存在的事实，例如纠纷事件或者问题订单发生的时间、地点、天气状况等等。第二类待处理数据可以用于表征待判责各方的信息交互属性，例如服务提供方或者服务被提供方上传的证据(聊天记录或者现场录音录像等等)。

需要说明的，上述第二类待处理数据为经过合法途径正常获取的数据。例如，在网约车场景中，第二类待处理数据可以是网约车内部安装的网约车专用录音录像设备所录制的音频数据，在实际应用中，为了保证司乘安全，网约车服务平台会为每辆网约车配置专用的录音录像设备，在乘客使用网约车服务之前，会预先告知乘客车内安装有录音录像设备并全程开启，当用户接受后，该录音录像设备将在服务过程中全程开启。

在获取判责数据集11后，可以将判责数据集11输入预先训练的判责模型12。

其中，可以将第一类待处理数据输入主判责网络122将第二类待处理数据输入中间判责网络121。当中间判责网络121接收到第二类待处理数据后，可输出中间判责结果131，并将中间判责结果131输入主判责网络122。

当主判责网络122接收到第一类待处理数据和中间判责结果131之后，可以至少基于第一类待处理数据和中间判责结果131确定目标判责结果132。

在本申请实施例中，可以通过至少一个中间判责网络以及判责数据集中的至少一个第二类待处理数据确定至少一个中间判责结果，然后至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。在此过程中，由于中间判责结果是基于待判责各方的信息交互属性确定的，所以可以使得目标判责结果更加准确，同时，由于中间判责结果可以表征判责数据集对应的判责原因，所以中间判责结果还可以对目标判责结果进行解释说明，提高了目标判责结果的可解释性。

下面将结合具体实施方式，对本申请实施例提供的一种机器判责方法进行详细的说明，如图2所示，具体步骤如下：

在步骤21，获取判责数据集。

其中，判责数据集包括多个预定类别的待处理数据，待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，第一类待处理数据用于表征客观属性，第二类待处理数据用于表征待判责各方的信息交互属性。

在一种可选的实施方式中，第二类待处理数据可以包括待判责各方的语音交互信息和/或待判责各方的文字交互信息。

以网约车场景为例，若本申请实施例的机器判责方法应用至取消订单判责(即乘客/司机将订单主动取消后的责任判定)，则第一类待处理数据可以包括订单基本特征(例如订单发生的时间、约定上车地点、目的地等等)、乘客特征(例如乘客的发单位置、乘客的发单位置距离约定上车地点的距离、乘客在过去一段时间内主动取消订单的次数等等)和司机特征(例如司机的接单位置、司机的接单位置距离约定上车地点的距离、司机在过去一段时间内主动取消订单的次数等等)。

第二类待处理数据可以包括司乘语音信息和司乘文本信息，其中，第二类待处理数据为经过合法途径正常获取的数据。在本场景中，司乘语音信息可以是司机和乘客之间的语音交流信息，在乘客和司机授权之后，可以将司乘语音信息作为第二类待处理数据。司乘文本信息可以是司机和乘客之间的文本交流信息，在乘客和司机授权之后，可以将司乘文本信息作为第二类待处理数据。

当然，判责数据集中还可以包括其它类别的待处理数据，例如用于表征待判责各方在一段时间内的行动轨迹等等，当然，这些数据也是经过授权后合法取得的数据。

在一种可选的实施方式中，在获取判责数据集之后，可以对判责数据集中的各类数据进行预处理，例如数据清洗处理、语音识别处理和分词处理等等，经过预处理，可以将判责数据集中无效或者无意义的数据滤除，只保留有效的数据，提高了判责的效率。

在步骤22，基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果。

其中，中间判责结果用于表征判责数据集对应的判责原因，即中间判责结果可以是用于对目标判责结果进行解释说明的中间数据，在实际应用中，中间判责结果可以是对应目标判责结果的说明文本，也可以是其它类型的解释性数据。

在一种可选的实施方式中，本申请实施例可以输出中间判责结果，然后将中间判责结果进行展示等操作，以对目标判责结果进行解释说明。

在一种可选的实施方式中，信息交互属性可以是待判责各方之间的交互信息，即第二类待处理数据包括待判责各方的语音交互信息和/或待判责各方的文字交互信息。

进而步骤22可以执行为：将第二类待处理数据输入至少一个中间判责网络，以使得各中间判责网络根据待判责各方的语音交互信息和/或待判责各方的文字交互信息输出中间判责结果。

在判责的过程中，中间判责结果可以用于作为对应目标判责结果的判责原因。在实际应用中，每个中间判责网络均可以对应于预定判责任务，每个预定判责任务均可以对应一个判责原因。也就是说，中间判责网络对应预定判责任务，其中，预定判责任务用于判定第二类待处理数据对应的判责原因。

具体的，步骤22可以执行为：将各第二类待处理数据分别输入各中间判责网络，以使得各中间判责网络基于预定判责任务输出用于表征判责原因的中间判责结果。

具体的，如图3所示，图3为本申请实施例提供的一种确定并输出中间判责结果的流程图。

在确定判责数据集中的第二类待处理数据31之后，可以将第二类待处理数据31分别输入至中间判责网络321、中间判责网络322和中间判责网络323。

其中，中间判责网络321、中间判责网络322和中间判责网络323分别对应不同的任务，具体的，中间判责网络321对应预定判责任务A，中间判责网络322对应预定判责任务B，中间判责网络323对应预定判责任务C。

以网约车场景中针对司机是否有责进行判定为例，针对预定判责任务A、B和C，预定判责任务A可以是判断司机是否存在诱导乘客取消订单的行为(例如司机进行虚假描述、司机接驾意愿不明确等行为)，中间判责网络321可以根据司机与乘客之间的信息交互属性(语音交流信息、即时通讯文本等)确定预定判责任务A对应的中间判责结果，该预定判责任务A对应的中间判责结果可以为“是”或者“否”。

预定判责任务B可以是判断司机是否存在加价议价行为(例如司机以排队等理由要求乘客加价等行为)，中间判责网络322可以根据司机与乘客之间的信息交互属性(语音交流信息、即时通讯文本等)确定预定判责任务B对应的中间判责结果，该预定判责任务B对应的中间判责结果可以为“是”或者“否”。

预定判责任务C可以是判断司机是否满足豁免条件(例如乘客以不用车为理由导致订单取消、乘客以发错单为理由导致订单取消等)，中间判责网络323可以根据司机与乘客之间的信息交互属性(语音交流信息、即时通讯文本等)确定预定判责任务C对应的中间判责结果，该预定判责任务C对应的中间判责结果可以为“是”或者“否”。

在上述情况下，中间判责结果为“是”或者“否”，也就是说，在该情况下，中间判责网络可以是基于二分类模型构建的网络，其中，每个中间判责网络(即每个预定判责任务)均对应两种可能的中间判责结果，例如，中间判责网络可以是基于softmax逻辑回归模型构建的网络。

当然，在另一种情况下，中间判责结果也可以是除“是”和“否”以外具体的结果，例如“司机进行虚假描述”、“司机以排队等理由要求乘客加价”、“乘客以发错单为理由导致订单取消”等等。也就是说，在该情况下，中间判责网络可以是基于其它分类模型构建的网络，其中，每个中间判责网络(即每个预定判责任务)均可以对应两种以及两种以上可能的结果。

通过本申请实施例，将中间判责结果作为判责原因进行输出后，该判责原因可以对目标判责结果进行具体的解释说明，无需人工进行解释说明，增强了机器判责过程的可解释性。

在本申请实施例中，为了使得中间判责网络可以更好地处理第二类待处理数据，可以对第二类待处理数据进行特征提取和数据拼接，具体的，该过程可以执行为：对各第二类待处理数据进行特征提取，确定各第二类待处理数据对应的第二特征向量，对各第二特征向量进行数据拼接，确定第二合并向量，以及将第二合并向量分别输入各中间判责网络，以确定各中间判责网络输出的中间判责结果。

具体的，如图4所示，图4为本申请实施例提供的一种确定中间判责结果的流程图。

在图4中，获取第二类特征数据411和第二类特征数据412后，可以分别对第二类特征数据411和第二类特征数据412进行特征提取，具体的，可以对第二类特征数据411和第二类特征数据412进行嵌入(embedding)操作，以确定第二特征向量421和第二特征向量422。

其中，embedding是深度学习中常用的特征提取手段，具体的，特征提取就是把高维原始数据(图像、文字等)映射到低维流形(Manifold)，使得高维原始数据被映射到低维流形之后变得可分离，这个映射的过程可以叫做embedding。

在确定第二特征向量421和第二特征向量422后，可以对第二特征向量421和第二特征向量422进行数据拼接，具体的，可以通过concat函数43对第二特征向量421和第二特征向量422进行数据拼接，并确定第二合并向量44。

其中，concat函数可以用于将两个或多个数组进行连接，以实现数据拼接。

在确定第二合并向量44后，可以将第二合并向量44分别输入至各中间判责网络(中间判责网络451-中间判责网络453)，以使得各中间判责网络分别输出中间判责结果，即中间判责结果461-中间判责结果463。

通过本申请实施例，因为在通过中间判责网络确定中间判责结果之前，可以先对各第二类待处理数据进行特征提取以及数据拼接，所以，可以使得中间判责网络能够更有效率的处理第二类待处理数据，进而提高机器判责的效率。

在另一种可选的实施方式中，还可以先对各第二类待处理数据进行数据预处理，然后确定各第二特征向量。具体的，该过程可以执行为：对各第二类待处理数据进行数据预处理，确定各第二类待处理数据对应的预处理数据，以及对各预处理数据进行嵌入处理，以确定各预处理数据对应的第二特征向量。

其中，数据预处理包括数据清洗处理、语音识别处理和分词处理中的至少一种。

通过数据预处理，可以对第二类待处理数据进行整理，使得中间判责网络的处理效率更高。

在步骤23，至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

在一种可选的实施方式中，主判责网络可以基于各第一类待处理数据和各中间判责结果确定目标判责结果，具体的，该过程可以执行为：对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量，对各第一特征向量和各中间判责结果进行数据拼接，确定第一合并向量，以及将第一合并向量输入主判责网络，以确定主判责网络输出的目标判责结果。

如图5所示，图5为本申请实施例提供的一种确定目标判责结果的流程图。其中，判责数据集中包括第一类待处理数据511、第一类待处理数据512、第一类待处理数据513、第二类待处理数据531和第二类待处理数据532。

在获取判责数据集后，可以先对各第一类待处理数据和各第二类待处理数据进行特征提取，确定第一特征向量521、第一特征向量522、第一特征向量523、第二特征向量541和第二特征向量542。

其中，在对各第一类待处理数据和各第二类待处理数据进行特征提取之前，可以先对各第一类待处理数据和各第二类待处理数据进行预处理操作，使得各个网络的处理效率更高。

在确定各第二特征向量后，可以通过concat函数55对各第二特征向量进行数据拼接，确定第二合并向量，然后基于将第二合并向量分别输入至中间判责网络561、中间判责网络562和中间判责网络563中，以使得各中间判责网络分别输出中间判责结果，即中间判责结果571、中间判责结果572和中间判责结果573。

在确定各中间判责结果后，可以将各中间判责结果(中间判责结果571、中间判责结果572和中间判责结果573)和各第一特征向量(第一特征向量521、第一特征向量522和第一特征向量523)输入concat函数58中进行数据拼接，确定第一合并向量，然后将第一合并向量输入主判责网络59中，以使得主判责网络59输出目标判责结果510。

其中，主判责网络可以是基于分类模型构建的网络，例如，主判责网络可以是基于softmax逻辑回归模型构建的网络。

在本申请实施例中，可以通过至少一个中间判责网络以及判责数据集中的至少一个第二类待处理数据确定至少一个中间判责结果，然后至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。在此过程中，由于中间判责结果是基于待判责各方的信息交互属性确定的，所以可以使得目标判责结果更加准确，同时，中间判责结果还可以对目标判责结果进行解释说明，提高了目标判责结果的可解释性。

在另一种可选的实施方式中，主判责网络可以基于各第一类待处理数据、各中间判责结果和上述第二合并向量确定目标判责结果，具体的，该过程可以执行为：对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量，对各第一特征向量、各中间判责结果和第二合并向量进行数据拼接，确定第一合并向量，以及将第一合并向量输入主判责网络，以确定主判责网络输出的目标判责结果。

如图6所示，图6为本申请实施例提供的另一种确定目标判责结果的流程图。其中，判责数据集中包括第一类待处理数据611、第一类待处理数据612、第一类待处理数据613、第二类待处理数据631和第二类待处理数据632。

在获取判责数据集后，可以先对各第一类待处理数据和各第二类待处理数据进行特征提取，确定第一特征向量621、第一特征向量622、第一特征向量623、第二特征向量641和第二特征向量642。

其中，在对各第一类待处理数据和各第二类待处理数据进行特征提取之前，可以先对各第一类待处理数据和各第二类待处理数据进行预处理操作，使得各个网络的处理效率更高。

在确定各第二特征向量后，可以通过concat函数65对各第二特征向量进行数据拼接，确定第二合并向量，然后基于将第二合并向量分别输入至中间判责网络661、中间判责网络662和中间判责网络663中，以使得各中间判责网络分别输出中间判责结果，即中间判责结果671、中间判责结果672和中间判责结果673。

在确定各中间判责结果后，可以将各中间判责结果(中间判责结果671、中间判责结果672和中间判责结果673)、各第一特征向量(第一特征向量621、第一特征向量622和第一特征向量623)和concat函数65输出的第二合并向量输入concat函数68中进行数据拼接，确定第一合并向量，然后将第一合并向量输入主判责网络69中，以使得主判责网络69输出目标判责结果610。

在本申请实施例中，可以通过至少一个中间判责网络以及判责数据集中的至少一个第二类待处理数据确定至少一个中间判责结果，然后至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。在此过程中，由于中间判责结果是基于待判责各方的信息交互属性确定的，所以可以使得目标判责结果更加准确，同时，由于中间判责结果可以表征判责数据集对应的判责原因，所以中间判责结果还可以对目标判责结果进行解释说明，提高了目标判责结果的可解释性。

在主判责网络和中间判责网络上线之前，可以对主判责网络和中间判责网络进行训练。

在一种可选的实施方式中，主判责网络和中间判责网络可以基于训练集单独训练。

针对主判责网络，主判责网络可以基于如下步骤训练：获取训练集，针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果，至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果，以及基于历史结果和历史结果对应的标注，训练主判责网络。

其中，该训练集可以包括多个历史数据集和每个历史数据集对应的多个标注，历史数据集包括多个预定类别的历史数据，历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，第一类历史数据用于表征客观属性，第二类历史数据用于表征待判责各方的信息交互属性，标注用于表征历史数据集的真实判责结果。

在实际应用中，可以将准确的真实判责结果(例如由专业人士认为给出的判定结果)作为训练集中的标注，这样，可以使得主判责网络能够基于准确的真实判责结果进行学习，提高主判责网络的训练效果。

针对中间判责网络，中间判责网络可以基于如下步骤训练：获取训练集，针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果，以及基于历史中间结果和历史中间结果对应的标注，训练中间判责网络。

其中，训练集包括多个历史数据集和每个历史数据集对应的多个标注，历史数据集至少包括第二类历史数据，第二类历史数据用于表征待判责各方的信息交互属性，标注用于表征历史数据集的真实中间结果。

在本申请实施例中，由于主判责网络和中间判责网络单独进行训练，所以，在对中间判责网络进行训练时，只需获取历史中间结果即可对中间判责网络进行训练，提高了对中间判责网络训练的效率。

在另一种可选的实施方式中，主判责网络和中间判责网络可以基于训练集联合训练。

具体的，主判责网络和中间判责网络可以基于如下步骤进行联合训练：获取训练集，针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果，至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果，以及基于预先设置的联合损失函数、历史结果以及历史结果对应的标注、各历史中间结果以及各历史中间结果对应的标注，调整主判责网络和中间判责网络的网络参数。

其中，训练集包括多个历史数据集和每个历史数据集对应的多个标注，历史数据集包括多个预定类别的历史数据，历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，第一类历史数据用于表征客观属性，第二类历史数据用于表征待判责各方的信息交互属性，标注用于表征历史数据集的真实判责结果和真实中间结果。

在一种情况下，联合损失函数可以是对多个损失的求和，例如，可以通过历史结果以及历史结果对应的标注确定损失L

在另一种情况下，联合损失函数中还可以包括各个损失对应的权重，即L＝w

在实际应用中，由于第二类待处理数据用于表征待判责各方的信息交互属性，所以第二类待处理数据可以更清楚的体现纠纷事件的实际情况，因此，在联合训练的过程中，可以将损失L

基于相同的技术构思，本申请实施例还提供了一种机器判责装置，如图7所示，该装置包括：判责数据集模块71、中间判责结果模块72和目标判责结果模块73。

判责数据集模块71，用于获取判责数据集，所述判责数据集包括多个预定类别的待处理数据，所述待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，所述第一类待处理数据用于表征客观属性，所述第二类待处理数据用于表征待判责各方的信息交互属性。

中间判责结果模块72，用于基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，所述中间判责结果用于表征所述判责数据集对应的判责原因。

目标判责结果模块73，用于至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

可选的，所述第二类待处理数据包括待判责各方的语音交互信息和/或待判责各方的文字交互信息；

所述中间判责结果模块72，具体用于：

将第二类待处理数据输入至少一个中间判责网络，以使得各中间判责网络根据待判责各方的语音交互信息和/或待判责各方的文字交互信息输出中间判责结果。

可选的，各所述中间判责网络对应于预定判责任务；

所述中间判责结果模块72，具体用于：

将所述第二类待处理数据分别输入各中间判责网络以分别获得各预定判责任务对应的中间判责结果。

可选的，所述中间判责网络基于二分类模型构建。

可选的，所述中间判责结果模块72，具体用于：

对各第二类待处理数据进行特征提取，确定各第二类待处理数据对应的第二特征向量。

对各第二特征向量进行数据拼接，确定第二合并向量。

将所述第二合并向量分别输入各中间判责网络，以确定各中间判责网络输出的中间判责结果。

可选的，所述目标判责结果模块73，具体用于：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量。

对各第一特征向量、各中间判责结果和第二合并向量进行数据拼接，确定第一合并向量。

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

可选的，所述目标判责结果模块73，具体用于：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量。

对各第一特征向量和各中间判责结果进行数据拼接，确定第一合并向量。

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

可选的，所述主判责网络和所述中间判责网络基于训练集单独训练。

可选的，所述主判责网络基于如下模块训练：

第一获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果。

第一历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果。

第一历史结果模块，用于至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果。

第一训练模块，用于基于所述历史结果和所述历史结果对应的标注，训练所述主判责网络。

可选的，所述中间判责网络基于如下模块训练：

第二获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集至少包括第二类历史数据，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实中间结果。

第二历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果。

第二训练模块，用于基于所述历史中间结果和所述历史中间结果对应的标注，训练所述中间判责网络。

可选的，所述主判责网络和所述中间判责网络基于训练集联合训练。

可选的，所述主判责网络和所述中间判责网络基于如下模块进行联合训练：

第三获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果和真实中间结果。

第三历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果。

第二历史结果模块，用于至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果。

第三训练模块，用于基于预先设置的联合损失函数、所述历史结果以及所述历史结果对应的标注、各历史中间结果以及各历史中间结果对应的标注，调整所述主判责网络和所述中间判责网络的网络参数。

在本申请实施例中，可以通过至少一个中间判责网络以及判责数据集中的至少一个第二类待处理数据确定至少一个中间判责结果，然后至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。在此过程中，由于中间判责结果是基于待判责各方的信息交互属性确定的，所以可以使得目标判责结果更加准确，同时，由于中间判责结果可以表征判责数据集对应的判责原因，所以中间判责结果还可以对目标判责结果进行解释说明，提高了目标判责结果的可解释性。

图8是本申请实施例的电子设备的示意图。如图8所示，图8所示的电子设备为通用地址查询装置，其包括通用的计算机硬件结构，其至少包括处理器81和存储器82。处理器81和存储器82通过总线83连接。存储器82适于存储处理器81可执行的指令或程序。处理器81可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器81通过执行存储器82所存储的指令，从而执行如上所述的本申请实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线83将上述多个组件连接在一起，同时将上述组件连接到显示控制器84和显示装置以及输入/输出(I/O)装置85。输入/输出(I/O)装置85可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置85通过输入/输出(I/O)控制器86与系统相连。

本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。

这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。

也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。

本申请的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各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、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请的另一实施例涉及一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时可以实现上述部分或全部的方法实施例。

即，本领域技术人员可以理解，本申请实施例可以通过处理器执行计算机程序产品(计算机程序/指令)来指定相关的硬件(包括处理器自身)，进而实现上述实施例方法中的全部或部分步骤。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本申请实施例公开了TS1、一种机器判责方法，其中，所述方法包括：

获取判责数据集，所述判责数据集包括多个预定类别的待处理数据，所述待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，所述第一类待处理数据用于表征客观属性，所述第二类待处理数据用于表征待判责各方的信息交互属性；

基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，所述中间判责结果用于表征所述判责数据集对应的判责原因；以及

至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

TS2、如TS1所述的方法，其中，所述第二类待处理数据包括待判责各方的语音交互信息和/或待判责各方的文字交互信息；

所述基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，包括：

将第二类待处理数据输入至少一个中间判责网络，以使得各中间判责网络根据待判责各方的语音交互信息和/或待判责各方的文字交互信息输出中间判责结果。

TS3、如TS1或TS2所述的方法，其中，各所述中间判责网络对应于预定判责任务；

所述基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，包括：

将所述第二类待处理数据分别输入各中间判责网络以分别获得各预定判责任务对应的中间判责结果。

TS4、如TS1所述的方法，其中，所述中间判责网络基于二分类模型构建。

TS5、如TS1所述的方法，其中，所述基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，包括：

对各第二类待处理数据进行特征提取，确定各第二类待处理数据对应的第二特征向量；

对各第二特征向量进行数据拼接，确定第二合并向量；以及将所述第二合并向量分别输入各中间判责网络，以确定各中间判责网络输出的中间判责结果。

TS6、如TS5所述的方法，其中，所述至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果，包括：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量；

对各第一特征向量、各中间判责结果和第二合并向量进行数据拼接，确定第一合并向量；以及

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

TS7、如TS1所述的方法，其中，所述至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果，包括：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量；

对各第一特征向量和各中间判责结果进行数据拼接，确定第一合并向量；以及

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

TS8、如TS1所述的方法，其中，所述主判责网络和所述中间判责网络基于训练集单独训练。

TS9、如TS8所述的方法，其中，所述主判责网络基于如下步骤训练：

获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果；

针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；

至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果；以及

基于所述历史结果和所述历史结果对应的标注，训练所述主判责网络。

TS10、如TS8所述的方法，其中，所述中间判责网络基于如下步骤训练：

获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集至少包括第二类历史数据，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实中间结果；

针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；以及

基于所述历史中间结果和所述历史中间结果对应的标注，训练所述中间判责网络。

TS11、如TS1所述的方法，其中，所述主判责网络和所述中间判责网络基于训练集联合训练。

TS12、如TS11所述的方法，其中，所述主判责网络和所述中间判责网络基于如下步骤进行联合训练：

获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果和真实中间结果；

针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；

至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果；以及

基于预先设置的联合损失函数、所述历史结果以及所述历史结果对应的标注、各历史中间结果以及各历史中间结果对应的标注，调整所述主判责网络和所述中间判责网络的网络参数。

TS13、一种机器判责装置，其中，所述装置包括：

判责数据集模块，用于获取判责数据集，所述判责数据集包括多个预定类别的待处理数据，所述待处理数据包括至少一个第一类待处理数据和至少一个第二类待处理数据，所述第一类待处理数据用于表征客观属性，所述第二类待处理数据用于表征待判责各方的信息交互属性；

中间判责结果模块，用于基于至少一个中间判责网络和第二类待处理数据，确定至少一个中间判责结果，所述中间判责结果用于表征所述判责数据集对应的判责原因；以及

目标判责结果模块，用于至少基于各第一类待处理数据、各中间判责结果和主判责网络，确定目标判责结果。

TS14、如TS13所述的装置，其中，所述第二类待处理数据包括待判责各方的语音交互信息和/或待判责各方的文字交互信息；

所述中间判责结果模块，具体用于：

将第二类待处理数据输入至少一个中间判责网络，以使得各中间判责网络根据待判责各方的语音交互信息和/或待判责各方的文字交互信息输出中间判责结果。

TS15、如TS13或TS14所述的装置，其中，各所述中间判责网络对应于预定判责任务；

所述中间判责结果模块，具体用于：

将所述第二类待处理数据分别输入各中间判责网络以分别获得各预定判责任务对应的中间判责结果。

TS16、如TS13所述的装置，其中，所述中间判责网络基于二分类模型构建。

TS17、如TS13所述的装置，其中，所述中间判责结果模块，具体用于：

对各第二类待处理数据进行特征提取，确定各第二类待处理数据对应的第二特征向量；

对各第二特征向量进行数据拼接，确定第二合并向量；以及将所述第二合并向量分别输入各中间判责网络，以确定各中间判责网络输出的中间判责结果。

TS18、如TS17所述的装置，其中，所述目标判责结果模块，具体用于：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量；

对各第一特征向量、各中间判责结果和第二合并向量进行数据拼接，确定第一合并向量；以及

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

TS19、如TS13所述的装置，其中，所述目标判责结果模块，具体用于：

对各第一类待处理数据进行特征提取，确定各第一类待处理数据对应的第一特征向量；

对各第一特征向量和各中间判责结果进行数据拼接，确定第一合并向量；以及

将所述第一合并向量输入主判责网络，以确定所述主判责网络输出的目标判责结果。

TS20、如TS13所述的装置，其中，所述主判责网络和所述中间判责网络基于训练集单独训练。

TS21、如TS20所述的装置，其中，所述主判责网络基于如下模块训练：

第一获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果；

第一历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；

第一历史结果模块，用于至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果；以及

第一训练模块，用于基于所述历史结果和所述历史结果对应的标注，训练所述主判责网络。

TS22、如TS20所述的装置，其中，所述中间判责网络基于如下模块训练：

第二获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集至少包括第二类历史数据，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实中间结果；

第二历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；以及

第二训练模块，用于基于所述历史中间结果和所述历史中间结果对应的标注，训练所述中间判责网络。

TS23、如TS13所述的装置，其中，所述主判责网络和所述中间判责网络基于训练集联合训练。

TS24、如TS23所述的装置，其中，所述主判责网络和所述中间判责网络基于如下模块进行联合训练：

第三获取模块，用于获取训练集，所述训练集包括多个历史数据集和每个历史数据集对应的多个标注，所述历史数据集包括多个预定类别的历史数据，所述历史数据包括至少一个第一类历史数据和至少一个第二类历史数据，所述第一类历史数据用于表征客观属性，所述第二类历史数据用于表征待判责各方的信息交互属性，所述标注用于表征所述历史数据集的真实判责结果和真实中间结果；

第三历史中间结果模块，用于针对每个历史数据集，基于至少一个中间判责网络和第二类历史数据，确定至少一个历史中间结果；

第二历史结果模块，用于至少基于各第一类历史数据、各历史中间结果和主判责网络，确定历史结果；以及

第三训练模块，用于基于预先设置的联合损失函数、所述历史结果以及所述历史结果对应的标注、各历史中间结果以及各历史中间结果对应的标注，调整所述主判责网络和所述中间判责网络的网络参数。

TS25、一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如TS1-TS12中任一项所述的方法。

TS26、一种计算机可读存储介质，其中，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现TS1-TS12任一项所述的方法。

TS27、一种计算机程序产品，包括计算机程序/指令，其中，所述计算机程序/指令被处理器执行时实现TS1-TS12任一项所述的方法。