本发明涉及物流管理，尤其涉及一种快递包裹的拦截订单标记方法、装置、设备及存储介质。
背景技术：
1、消费者负反馈(ccr)是衡量商品品质、商家服务和物流服务水平的综合指标，指标覆盖了订单评价、售后、投诉以及进线咨询等多渠道的消费者反馈原声，通过识别消费者反馈的负向内容进行综合评估，统计周期内有效负反馈订单量/有效支付订单量(除异常订单外)。ccr是消费者对商家的商品、内容和服务体验的综合评估指标，可以帮助商家直观了解消费者反馈问题，便于商家有针对性的改善商品品质、提升服务水平。
2、但是现有技术中在计算消费者负反馈(ccr)的过程中往往会出现同行间的恶意投诉现象，从而导致了商户对消费者负反馈的统计结果并不准确，也无法有效的体现出消费者的真实反馈意见。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、本发明的主要目的在于解决现有技术中在计算消费者负反馈(ccr)的过程中往往会出现同行间的恶意投诉现象，从而导致了商户对消费者负反馈的统计结果并不准确，也无法有效的体现出消费者真实反馈意见的问题。
2、本发明第一方面提供了一种快递包裹的拦截订单标记方法，包括：获取历史运单号文本数据，对所述历史运单号文本数据进行预处理，得到测试文本数据，并根据所述测试文本数据构建文本词训练集，其中，所述文本词训练集包括bert训练集和词向量训练集；根据所述bert训练集对bert预训练模型进行训练，得到第一训练结果，并根据所述词向量训练集对lstm模型进行训练，得到第二训练结果；根据所述第一训练结果和所述第二训练结果构建融合模型，并对所述融合模型进行微调处理，得到快递包裹拦截标记模型；获取当前运单号文本数据，将所述当前运单号文本数据输入到所述快递包裹拦截标记模型，通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记，并提示所述目标网点对所述目标运单号对应的快递包裹进行拦截。
3、可选的，在本发明第一方面的第一种实现方式中，所述获取历史运单号文本数据，对所述历史运单号文本数据进行预处理，得到测试文本数据，并根据所述测试文本数据构建文本词训练集的步骤包括：从历史运单数据库中提取所述历史运单号文本数据，并将所述历史运单号文本数据中的无用数据进行删除，得到所述测试文本数据，其中，所述无用数据包括覆盖率高于第一预设阈值的文本、中文符号以及出现次数小于第二预设阈值的文本；对所述测试文本数据中的目标文本词语进行标记，并根据已标记所述目标文本词语后的测试文本数据构建所述bert训练集和所述词向量训练集。
4、可选的，在本发明第一方面的第二种实现方式中，所述根据所述bert训练集对bert预训练模型进行训练，得到第一训练结果，并根据所述词向量训练集对lstm模型进行训练，得到第二训练结果的步骤包括：将所述bert训练集输入到所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理和掩盖处理，得到掩盖分词结果，并对所述掩盖分词结果中的掩盖词语进行预测，得到所述第一训练结果；将所述词向量训练集输入至所述lstm模型，并根据所述词向量训练集对所述lstm模型进行训练和微调，得到所述第二训练结果。
5、可选的，在本发明第一方面的第三种实现方式中，所述将所述bert训练集输入到所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理和掩盖处理，得到掩盖分词结果，并对所述掩盖分词结果中的掩盖词语进行预测，得到所述第一训练结果的步骤包括：将所述bert训练集输入至所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理，得到分词结果，并将所述分词结果中预设数量的指定词语进行掩盖处理，得到掩盖分词结果；根据预设词典对所述掩盖分词结果进行映射处理，得到掩盖分词序列，其中，所述预设词典包括各类词语与预设编码的对应关系；通过所述bert预训练模型对所述掩盖分词序列中掩盖的指定词语进行预测，得到预测结果，并根据所述预测结果对所述bert预训练模型进行模型微调，得到所述第一训练结果。
6、可选的，在本发明第一方面的第四种实现方式中，所述根据所述第一训练结果和所述第二训练结果构建融合模型，并对所述融合模型进行微调处理，得到快递包裹拦截标记模型的步骤包括：根据所述第一训练结果和所述第二训练结果构建融合模型，通过所述融合模型对所述词向量训练集和所述bert训练集中的特征向量进行标签分类处理，得到标签分类结果；将所述标签分类结果与所述测试文本数据中的所述目标文本词语进行比对，得到对比结果；根据所述对比结果对所述融合模型进行模型微调，得到所述快递拦截标记模型。
7、可选的，在本发明第一方面的第五种实现方式中，所述根据所述根据所述融合模型对所述词向量训练集和所述bert训练集中的特征向量进行标签分类处理，得到标签分类结果的步骤包括：通过所述融合模型提取所述词向量训练集和所述bert训练集中的特征向量，将所述特征向量输入至所述融合模型中的全连接层中，并通过所述全连接层中的relu激活函数对所述特征向量进行非线性运算，得到非线性结果；将所述非线性结果输入至所述融合模型中的softmax层中，并通过softmax层对所述非线性结果进行标签分类处理，得到所述标签分类结果。
8、可选的，在本发明第一方面的第六种实现方式中，所述获取当前运单号文本数据，将所述当前运单号文本数据输入到所述快递包裹拦截标记模型，通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记，并提示所述目标网点对所述目标运单号对应的快递包裹进行拦截的步骤包括：获取所述当前运单号文本数据，将所述当前运单号文本数据输入至所述快递包裹拦截标记模型，并通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记；根据标记的所述目标运单号和所述目标网点生成拦截提醒信息，将所述拦截提醒信息发送至所述目标网点，并提示所述目标网点根据所述拦截提醒信息对所述目标运单号对应的快递包裹进行拦截。
9、本发明第二方面提供了一种快递包裹的拦截订单标记装置，包括：训练集构建模块，用于获取历史运单号文本数据，对所述历史运单号文本数据进行预处理，得到测试文本数据，并根据所述测试文本数据构建文本词训练集，其中，所述文本词训练集包括bert训练集和词向量训练集；模型训练模块，用于根据所述bert训练集对bert预训练模型进行训练，得到第一训练结果，并根据所述词向量训练集对lstm模型进行训练，得到第二训练结果；模型微调模块，用于根据所述第一训练结果和所述第二训练结果构建融合模型，并对所述融合模型进行微调处理，得到快递包裹拦截标记模型；运单号拦截模块，用于获取当前运单号文本数据，将所述当前运单号文本数据输入到所述快递包裹拦截标记模型，通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记，并提示所述目标网点对所述目标运单号对应的快递包裹进行拦截。
10、可选的，在本发明第二方面的第一种实现方式中，所述训练集构建模块包括：无用数据删除单元，用于从历史运单数据库中提取所述历史运单号文本数据，并将所述历史运单号文本数据中的无用数据进行删除，得到所述测试文本数据，其中，所述无用数据包括覆盖率高于第一预设阈值的文本、中文符号以及出现次数小于第二预设阈值的文本；目标词语标记单元，用于对所述测试文本数据中的目标文本词语进行标记，并根据已标记所述目标文本词语后的测试文本数据构建所述bert训练集和所述词向量训练集。
11、可选的，在本发明第二方面的第二种实现方式中，所述模型训练模块包括：第一训练结果单元，用于将所述bert训练集输入到所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理和掩盖处理，得到掩盖分词结果，并对所述掩盖分词结果中的掩盖词语进行预测，得到所述第一训练结果；第二训练结果单元，用于将所述词向量训练集输入至所述lstm模型，并根据所述词向量训练集对所述lstm模型进行训练和微调，得到所述第二训练结果。
12、可选的，在本发明第二方面的第三种实现方式中，所述第一训练结果单元包括：掩盖分词结果子单元，用于将所述bert训练集输入至所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理，得到分词结果，并将所述分词结果中预设数量的指定词语进行掩盖处理，得到掩盖分词结果；掩盖分词序列子单元，用于根据预设词典对所述掩盖分词结果进行映射处理，得到掩盖分词序列，其中，所述预设词典包括各类词语与预设编码的对应关系；指定词语预测子单元，用于通过所述bert预训练模型对所述掩盖分词序列中掩盖的指定词语进行预测，得到预测结果，并根据所述预测结果对所述bert预训练模型进行模型微调，得到所述第一训练结果。
13、可选的，在本发明第二方面的第五种实现方式中，所述模型微调模块包括：标签分类结果单元，用于根据所述第一训练结果和所述第二训练结果构建融合模型，通过所述融合模型对所述词向量训练集和所述bert训练集中的特征向量进行标签分类处理，得到标签分类结果；对比结果单元，用于将所述标签分类结果与所述测试文本数据中的所述目标文本词语进行比对，得到对比结果；拦截标记模型单元，用于根据所述对比结果对所述融合模型进行模型微调，得到所述快递拦截标记模型。
14、可选的，在本发明第二方面的第六种实现方式中，所述标签分类结果单元包括：非线性结果子单元，用于通过所述融合模型提取所述词向量训练集和所述bert训练集中的特征向量，将所述特征向量输入至所述融合模型中的全连接层中，并通过所述全连接层中的relu激活函数对所述特征向量进行非线性运算，得到非线性结果；标签分类处理子单元，用于将所述非线性结果输入至所述融合模型中的softmax层中，并通过softmax层对所述非线性结果进行标签分类处理，得到所述标签分类结果。
15、可选的，在本发明第二方面的第七种实现方式中，所述运单号拦截模块包括：目标运单号标记单元，用于获取所述当前运单号文本数据，将所述当前运单号文本数据输入至所述快递包裹拦截标记模型，并通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记；目标包裹拦截单元，用于根据标记的所述目标运单号和所述目标网点生成拦截提醒信息，将所述拦截提醒信息发送至所述目标网点，并提示所述目标网点根据所述拦截提醒信息对所述目标运单号对应的快递包裹进行拦截。
16、本发明第三方面提供了一种快递包裹的拦截订单标记设备，包括：存储器和至少一个处理器，所述存储器中存储有计算机可读指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述计算机可读指令，以使得所述快递包裹的拦截订单标记设备执行如上所述快递包裹的拦截订单标记方法的各个步骤。
17、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，当其在计算机上运行时，使得计算机执行如上所述快递包裹的拦截订单标记方法的各个步骤。
18、有益效果：本发明的技术方案中，通过历史运单文本数据，并对其中属于虚假签收的恶意投诉词语进行标记，以此来构建bert训练集和词向量训练集，并通过bert训练集和词向量训练集分别对不同的深度网络模型进行训练和融合，得到快递包裹拦截标记模型；通过快递包裹拦截标记模型能够快速且准确的确定当前运单号文本数据属于虚假签收的恶意投诉的运单号，并对运单号和对应的网点进行打标处理，以便于能够及时通知网点对恶意投诉的快递包裹进行拦截，从而有效降低消费者负反馈中虚假签收的恶意投诉数据，有效地保证了消费者负反馈采集的准确性。
1.一种快递包裹的拦截订单标记方法，其特征在于，所述快递包裹的拦截订单标记方法包括：
2.根据权利要求1所述快递包裹的拦截订单标记方法，其特征在于，所述获取历史运单号文本数据，对所述历史运单号文本数据进行预处理，得到测试文本数据，并根据所述测试文本数据构建文本词训练集的步骤包括：
3.根据权利要求1所述快递包裹的拦截订单标记方法，其特征在于，所述根据所述bert训练集对bert预训练模型进行训练，得到第一训练结果，并根据所述词向量训练集对lstm模型进行训练，得到第二训练结果的步骤包括：
4.根据权利要求3所述快递包裹的拦截订单标记方法，其特征在于，所述将所述bert训练集输入到所述bert预训练模型，通过所述bert预训练模型对所述bert训练集进行分词处理和掩盖处理，得到掩盖分词结果，并对所述掩盖分词结果中的掩盖词语进行预测，得到所述第一训练结果的步骤包括：
5.根据权利要求2所述快递包裹的拦截订单标记方法，其特征在于，所述根据所述第一训练结果和所述第二训练结果构建融合模型，并对所述融合模型进行微调处理，得到快递包裹拦截标记模型的步骤包括：
6.根据权利要求5所述快递包裹的拦截订单标记方法，其特征在于，所述根据所述根据所述融合模型对所述词向量训练集和所述bert训练集中的特征向量进行标签分类处理，得到标签分类结果的步骤包括：
7.根据权利要求1所述快递包裹的拦截订单标记方法，其特征在于，所述获取当前运单号文本数据，将所述当前运单号文本数据输入到所述快递包裹拦截标记模型，通过所述快递包裹拦截标记模型对所述当前运单号文本数据中需要拦截的目标运单号和目标网点进行标记，并提示所述目标网点对所述目标运单号对应的快递包裹进行拦截的步骤包括：
8.一种快递包裹的拦截订单标记装置，其特征在于，包括：
9.一种快递包裹的拦截订单标记设备，其特征在于，包括存储器和至少一个处理器，所述存储器中存储有计算机可读指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述快递包裹的拦截订单标记方法的各个步骤。
