1.本技术涉及物流运输、深度学习的技术领域，尤其涉及标签推送方法、装置、电子设备及计算机可读存储介质。
背景技术：2.在快件运输过程中，有很多订单会因为各种原因不能及时、保质保量送到到客户手中，针对运输中出现了问题的订单，需要经过仲裁系统进行责任划分和理赔。以往通过人工处理仲裁订单(将进入仲裁系统的订单称为仲裁订单)，为每个网点添加标签，输出网点考核基础信息，并手动同步到其他平台(系统)，这种方式处理效率低，周期长，无法同时应对大量订单或者大量网点的情况。
3.基于此，本技术提供了标签推送方法、装置、电子设备及计算机可读存储介质，以解决上述现有技术中存在的问题。
技术实现要素：4.本技术的目的在于提供标签推送方法、装置、电子设备及计算机可读存储介质，获取每个结算周期内各网点的仲裁数据，自动标识各网点对应的标签并推送关联平台，使得关联平台能快速获取到相关信息。
5.本技术的目的采用以下技术方案实现：
6.第一方面，本技术提供了一种标签推送方法，用于将仲裁系统中的网点的标签推送至关联平台，所述方法包括：
7.获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；
8.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；
9.当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。
10.该技术方案的有益效果在于：首先获取网点在当前结算周期内的仲裁数据，分别检测这些仲裁数据是否满足每个标签对应的预设条件，从而得到网点在当前结算周期内的标签，并当网点在当前结算周期内的标签与上一结算周期不匹配时，对关联平台上的该网点的标签进行更新。也就是说，当获取到每个网点在当前结算周期内的仲裁数据后，能够自动为其检测得到当前结算周期的标签，然后比较网点的标签相较上一结算周期是否发生变化，如果发生变化，则需要对关联平台上的网点的标签进行更新。由于仲裁数据能够指示网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投
诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种，在实际应用中，可以根据各标签对应的预设条件的不同，将上述仲裁数据分别与各标签对应的预设条件进行比对，用以确定网点的标签。这样做的好处是，(与信息推荐过程需要针对海量数据设置海量标签不同，)仲裁系统中的标签数量是有限的(数量不超过预设数量阈值，预设数量阈值例如是7个、8个、10个、20个、50个、100个等)，因此可以预先设置每个标签对应的预设条件(例如是针对一种或多种仲裁数据的数值条件)，针对每个网点，分别检测该网点的仲裁数据是否满足各标签对应的预设条件，逐个确定是否将各标签作为网点对应的标签，这种匹配方式计算总量有限，计算结果准确度高，只要仲裁数据无误，则给网点添加的标签就不会出错，适用于仲裁系统这样看重公平程度、误判会造成重大影响的平台。将仲裁系统中确定的各网点在当前结算周期内的标签同步至其他关联平台，使得关联平台能够快速、及时得到各网点(在当前结算周期)的准确标签，便于在关联平台中针对各网点进行后续的等级调整、结算方式调整、任务分配、业务调整等，达到奖惩分明、及时准确的目的，监督、促使各网点提供高质量服务。
11.在一些可选的实施方式中，所述获取所述网点在当前结算周期内的仲裁数据，包括：
12.当所述网点在当前结算周期内的订单数量不小于第一数量阈值或者仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；
13.基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。
14.该技术方案的有益效果在于：当网点在当前结算周期(即本结算周期)内的订单数量较多、或者网点在当前结算周期内的仲裁订单较多之时，才具有统计学意义，避免订单数量或者仲裁订单数量太少时误差过大的情况。另外，如果某个网点每个月的订单数量太少，对其打标签的价值就低，没必要利用本技术提供的方法来进行计算其所对应的标签，造成计算资源、算力的浪费。当网点的总订单数量较多或者仲裁订单数量较多时，通过获取仲裁系统(数据库)中各部门上传的需要仲裁的订单信息，获取网点在当前结算周期内的仲裁数据，对订单处理情况进行评定，所获取的仲裁数据详实、准确，自动化程度高，便于对物流网点进行考核。
15.在一些可选的实施方式中，所述基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据，包括：
16.基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，所述分类结果用于指示以下至少一项：乱收费是否成立、服务质量被投诉是否成立、上楼服务未提供被投诉是否成立、是否虚假签收及虚假问题件、派送延误是否成立、差重差方类别是否审核通过和包装不规范差错是否成立；
17.基于每个所述仲裁订单的分类结果，获取所述网点在当前结算周期内的仲裁数据。
18.该技术方案的有益效果在于：利用仲裁订单的订单信息获取仲裁订单的分类结果，这种分类结果能够指示网点在该仲裁订单上是否存在乱收费、服务质量被投诉、上楼服务未提供、虚假签收及虚假问题件、派送延误、差重差方、包装不规范等情况，再根据网点对应的当前结算周期内所有仲裁订单的分类结果，就能够获取网点在当前结算周期内的仲裁
数据。采用上述方式获取仲裁数据，能够清楚定位每个仲裁订单的分类结果，实现了仲裁处理流程的透明化、公开化，可靠性高，便于追溯、判责。
19.在一些可选的实施方式中，所述基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，包括：
20.分别将所述网点在当前结算周期内的每个仲裁订单的订单信息输入分类模型，以得到每个所述仲裁订单的分类结果；
21.其中，所述订单分类模型的训练过程包括：
22.获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本仲裁订单的订单信息以及所述样本仲裁订单的分类结果的标注数据；
23.针对所述训练集中的每个训练数据，执行以下处理：
24.将所述训练数据中的样本仲裁订单的订单信息输入预设的深度学习模型，以得到所述样本仲裁订单的分类结果的预测数据；
25.基于所述样本仲裁订单的分类结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
26.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述订单分类模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
27.该技术方案的有益效果在于：订单分类模型可以由大量的训练数据训练得到，能够针对不同的输入数据(即仲裁订单的订单信息，例如可以包括订单号、创建时间、期望配送时间、发货地址、收货地址、收货人名称、收货人电话、代收网点、承运商、分拨中心、快递网点、扫描纪录、物品名称、物品类型、物品数量、物品重量、物品体积、天气类型、疫情防控类型等)预测得到相应的输出数据(即仲裁订单的分类结果，例如是网点在该仲裁订单上是否存在乱收费、服务质量被投诉、上楼服务未提供、虚假签收及虚假问题件、派送延误、差重差方、包装不规范等情况)，适用范围广，智能化水平高。通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该预设的深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100％找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的订单分类模型，可以基于仲裁订单的订单信息获取仲裁订单的分类结果，且计算结果准确性高、可靠性高。
28.在一些可选的实施方式中，所述标签包括客服类标签和操作质控类标签；
29.所述客服类标签包括：服务质量差低、服务质量差中和服务质量差高；
30.所述操作质控类标签包括：偷重偷方低、偷重偷方中、偷重偷方高和包装不规范差错。
31.该技术方案的有益效果在于：将标签分成两个类别，客服部上传的仲裁订单所产生的客服类标签，操作质控部上传的仲裁订单所产生的操作质控类标签。也就是说，基于仲裁订单的上传来源(客服部和操作质控部)设置两类标签，用于反映网点在客服和操作质控上存在的问题，例如服务质量差的问题(客服部上传)，以及偷重偷方、包装不规范的问题(操作质控部上传)，从而使标签立体化、精细化地反应网点的服务水平高低和操作质控优劣，相比于仅设置客服类标签或者操作质控类标签来说，两个维度能够更全面地考核网点的综合水平。
32.在一些可选的实施方式中，所述分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签，包括：
33.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
34.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将当前结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
35.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，检测所述网点在上一结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
36.当检测到所述网点在上一结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将上一结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
37.当检测到所述网点在上一结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，取消所述网点在当前结算周期内的客服类标签；
38.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述操作质控类标签对应的预设条件；
39.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述操作质控类标签对应的预设条件时，将当前结算周期内满足条件的所述操作质控类标签添加至所述网点在当前结算周期内的标签；
40.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个操作质控类标签对应的预设条件时，取消所述网点在当前结算周期内的操作质控类标签。
41.该技术方案的有益效果在于：对于客服类标签，一旦被打上标签，需要连续两个结算周期没有客服类标签，才可以取消，也就是说，不仅看当前结算周期内是否满足客服类标签的预设条件，还要看上一结算周期内是否满足客服类标签的预设条件，连续两个结算周期(也即最新两个结算周期)不满足客服类标签的预设条件才可以取消客服类标签；而对于操作质控类标签，被打上标签后，只要当前结算周期不满足操作质控类标签的预设条件，就可以取消标签。相比较来说，客服类标签是溯及既往的(此处既往是指上一结算周期)，操作质控类标签不溯及既往的，也因为客服类标签对应的问题相对来说更加严重，这是从实际应用中的具体情况出发所做的设定，对客服类标签和操作质控类区别对待，是精细化管理的一部分，因为操作质控类标签所体现的问题可能是无心之过失、无意识所为，客服类标签所体现的问题性质较为严重恶劣，往往是主观故意犯错，施加更严重的惩戒措施，能够帮助网点正确认识到客服类问题的严重性，实现以考核促提升的效果。
42.在一些可选的实施方式中，更新每个所述关联平台中的所述网点的标签的过程包括：
43.清空所述关联平台中的所述网点的已有标签；
44.将接收到的所述网点在当前结算周期内的标签作为所述关联平台中的所述网点的标签。
45.该技术方案的有益效果在于：在对关联平台中的网点标签进行更新时，首先清空
已有标签，再重新设置网点标签，相比于挨个比对每个已有标签是否需要保留、再判断是否需要新增标签来说，方便快捷，更新效率高。
46.第二方面，本技术提供了一种标签推送装置，用于将仲裁系统中的网点的标签推送至关联平台，所述装置包括：
47.数据获取模块，用于获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；
48.标签获取模块，用于分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；
49.标签更新模块，用于当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。
50.在一些可选的实施方式中，所述数据获取模块包括：
51.信息获取单元，用于当所述网点在当前结算周期内的订单数量不小于第一数量阈值或者仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；
52.获取数据单元，用于基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。
53.在一些可选的实施方式中，所述获取数据单元包括：
54.分类结果子单元，用于基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，所述分类结果用于指示以下至少一项：乱收费是否成立、服务质量被投诉是否成立、上楼服务未提供被投诉是否成立、是否虚假签收及虚假问题件、派送延误是否成立、差重差方类别是否审核通过和包装不规范差错是否成立；
55.仲裁数据子单元，用于基于每个所述仲裁订单的分类结果，获取所述网点在当前结算周期内的仲裁数据。
56.在一些可选的实施方式中，所述分类结果子单元用于：
57.分别将所述网点在当前结算周期内的每个仲裁订单的订单信息输入分类模型，以得到每个所述仲裁订单的分类结果；
58.其中，所述订单分类模型的训练过程包括：
59.获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本仲裁订单的订单信息以及所述样本仲裁订单的分类结果的标注数据；
60.针对所述训练集中的每个训练数据，执行以下处理：
61.将所述训练数据中的样本仲裁订单的订单信息输入预设的深度学习模型，以得到所述样本仲裁订单的分类结果的预测数据；
62.基于所述样本仲裁订单的分类结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
63.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述订单分类模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
64.在一些可选的实施方式中，所述标签包括客服类标签和操作质控类标签；
65.所述客服类标签包括：服务质量差低、服务质量差中和服务质量差高；
66.所述操作质控类标签包括：偷重偷方低、偷重偷方中、偷重偷方高和包装不规范差错。
67.在一些可选的实施方式中，所述标签获取模块包括第一检测单元和第二检测单元；
68.所述第一检测单元用于：
69.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
70.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将当前结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
71.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，检测所述网点在上一结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
72.当检测到所述网点在上一结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将上一结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
73.当检测到所述网点在上一结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，取消所述网点在当前结算周期内的客服类标签；
74.所述第二检测单元用于：
75.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述操作质控类标签对应的预设条件；
76.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述操作质控类标签对应的预设条件时，将当前结算周期内满足条件的所述操作质控类标签添加至所述网点在当前结算周期内的标签；
77.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个操作质控类标签对应的预设条件时，取消所述网点在当前结算周期内的操作质控类标签。
78.在一些可选的实施方式中，更新每个所述关联平台中的所述网点的标签的过程包括：
79.清空所述关联平台中的所述网点的已有标签；
80.将接收到的所述网点在当前结算周期内的标签作为所述关联平台中的所述网点的标签。
81.第三方面，本技术提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
82.第四方面，本技术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存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤。
附图说明
83.下面结合附图和实施方式对本技术进一步说明。
84.图1示出了本技术提供的一种标签推送方法的流程示意图。
85.图2示出了本技术提供的一种获取仲裁数据的流程示意图。
86.图3示出了本技术提供的另一种获取仲裁数据的流程示意图。
87.图4示出了本技术提供的一种获取网点的客服类标签的流程示意图。
88.图5示出了本技术提供的一种获取网点的操作质控类标签的流程示意图。
89.图6示出了本技术提供的一种更新关联平台中的网点的标签的流程示意图。
90.图7示出了本技术提供的一种标签推送装置的结构示意图。
91.图8示出了本技术提供的一种电子设备的结构框图。
92.图9示出了本技术提供的一种程序产品的结构示意图。
具体实施方式
93.下面将结合本技术的说明书附图以及具体实施方式，对本技术中的技术方案进行描述，需要说明的是，在不相冲突的前提下，以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。
94.在本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，a和b和c，其中a、b和c可以是单个，也可以是多个。值得注意的是，“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
95.还需说明的是，本技术中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
96.【方法实施方式】
97.参见图1，图1示出了本技术提供的一种标签推送方法的流程示意图。
98.所述标签推送方法用于将仲裁系统中的网点的标签推送至关联平台，所述方法包括：
99.步骤s101：获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；
100.步骤s102：分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；
101.步骤s103：当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关
联平台，以更新每个所述关联平台中的所述网点的标签。
102.由此，首先获取网点在当前结算周期内的仲裁数据，分别检测这些仲裁数据是否满足每个标签对应的预设条件，从而得到网点在当前结算周期内的标签，并当网点在当前结算周期内的标签与上一结算周期不匹配时，对关联平台上的该网点的标签进行更新。
103.也就是说，当获取到每个网点在当前结算周期内的仲裁数据后，能够自动为其检测得到当前结算周期的标签，然后比较网点的标签相较上一结算周期是否发生变化，如果发生变化，则需要对关联平台上的网点的标签进行更新。
104.由于仲裁数据能够指示网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种，在实际应用中，可以根据各标签对应的预设条件的不同，将上述仲裁数据分别与各标签对应的预设条件进行比对，用以确定网点的标签。
105.这样做的好处是，(与信息推荐过程需要针对海量数据设置海量标签不同，)仲裁系统中的标签数量是有限的(数量不超过预设数量阈值，预设数量阈值例如是7个、8个、10个、20个、50个、100个等)，因此可以预先设置每个标签对应的预设条件(例如是针对一种或多种仲裁数据的数值条件)，针对每个网点，分别检测该网点的仲裁数据是否满足各标签对应的预设条件，逐个确定是否将各标签作为网点对应的标签，这种匹配方式计算总量有限，计算结果准确度高，只要仲裁数据无误，则给网点添加的标签就不会出错，适用于仲裁系统这样看重公平程度、误判会造成重大影响的平台。
106.将仲裁系统中确定的各网点在当前结算周期内的标签同步至其他关联平台，使得关联平台能够快速、及时得到各网点(在当前结算周期)的准确标签，便于在关联平台中针对各网点进行后续的等级调整、结算方式调整、任务分配、业务调整等，达到奖惩分明、及时准确的目的，监督、促使各网点提供高质量服务。
107.本技术对仲裁系统的关联平台不作限定，其例如可以包括用户中心、供应链平台、物流订单平台、电商平台中的一种或多种。
108.上述平台之间可以存在数据交互、数据同步等，本技术不对此设限。例如物流订单平台中的订单可以部分来源于通过电商平台(例如是淘宝、京东、拼多多、抖音等)下单的商家，部分来源于通过小程序(微信、支付宝、美团等)下单的企业、个人等。
109.在一个具体应用场景中，电商平台中可以前台显示每个网点的标签，便于电商平台的商家充分了解每个网点是否存在客服类服务质量差的问题、操作质控类服务不规范不达标的问题，在充分了解的前提下选择合适的网点开展合作，保障商家利益，避免商家在不知情的情况下选择服务质量差的网点，导致物流服务上出现服务不到位的情况，招致购物顾客的差评，影响商家收益。
110.本技术对结算周期不作限定，每个结算周期的时长可以是一天、一个星期、一个月或者三个月、半年、一年等。
111.作为一个示例，每个结算周期的时长是一个月，假设今天是2022年6月1日，当前结算周期是2022年5月1日至2022年5月31日，上一结算周期是2022年4月1日至2022年4月30日。
112.本技术中的乱收费成立票数可以理解为乱收费被投诉或者被查到、且经仲裁人员
核查属实的单数(即订单数量)。具体而言，网点a的一个订单涉及乱收费的情况成为仲裁订单，经客服部上传后，仲裁人员核实确实存在乱收费情况，则该网点a的乱收费成立票数+1(即加一)。
113.本技术中的服务质量被投诉成立票数可以理解为服务质量被投诉且经仲裁人员核查属实的单数。具体而言，网点b的一个订单涉及服务质量差、被投诉的情况成为仲裁订单，经客服部上传后，仲裁人员核实确实存在服务质量差的情况，则该网点b的服务质量被投诉成立票数+1。
114.本技术中的上楼服务未提供被投诉成立票数可以理解为上楼服务未提供被投诉且经仲裁人员核查属实的单数。具体而言，网点c的一个订单涉及上楼服务未提供、被投诉的情况成为仲裁订单，经客服部上传后，仲裁人员核实确实存在上楼服务未提供的情况，则该网点c的上楼服务未提供被投诉成立票数+1。
115.本技术中的虚假签收及虚假问题件票数可以理解为出现虚假签收或虚假问题件且经仲裁人员核查属实的单数。具体而言，网点d的一个订单涉及虚假签收或者虚假问题件的情况成为仲裁订单，经客服部上传后，仲裁人员核实确实存在虚假签收或者虚假问题件的情况，则该网点d的虚假签收及虚假问题件票数+1。
116.本技术中的派送延误成立票数占比是指(当前结算周期内)派送延误的订单在全部订单(即当前结算周期内派件给该网点的所有订单)中的占比，可以理解为派送延误且经仲裁人员核查属实的单数与该网点的订单总数的比值。具体而言，网点e的一个订单涉及派送延误的情况成为仲裁订单，经客服部上传后，仲裁人员核实确实存在派送延误的情况，则该网点e的派送延误单数+1。
117.本技术中的差重差方类别审核通过条数可以理解为差重差方且经仲裁人员核查属实的单数。具体而言，网点f的一个订单涉及差重差方的情况成为仲裁订单，经操作质控部上传后，仲裁人员核实确实存在差重差方的情况，则该网点f的差重差方类别审核通过条数+1。
118.本技术中包装不规范差错票数可以理解为包装不规范且经仲裁人员核查属实的单数。具体而言，网点g的一个订单涉及包装不规范的情况成为仲裁订单，经操作质控部上传后，仲裁人员核实确实存在包装不规范的情况，则该网点g的包装不规范差错票数+1。
119.网点在每个结算周期内的标签的数量可以是0个、1个或多个。
120.本技术中，所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配可以是指二者不一致的情况。
121.例如网点在当前结算周期内的标签是“服务质量差中”和“偷重偷方低”，在上一结算周期内的标签是“服务质量差低”和“包装不规范差错”，则二者不匹配。
122.又例如网点在当前结算周期内的标签是“服务质量差中”和“偷重偷方低”，在上一结算周期内的标签是“服务质量差中”，则二者不匹配。
123.又例如网点在当前结算周期内的标签是“服务质量差中”，在上一结算周期内的标签是“偷重偷方高”，则二者不匹配。
124.在一些可选的实施方式中，所述方法还可以包括：当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签相匹配时，不做任何操作。具体而言，不需要更新任何一个关联平台中的网点的标签，也就是说，所有关联平台中网点的标签保持不变。
125.参见图2，图2示出了本技术提供的一种获取仲裁数据的流程示意图。
126.在一些可选的实施方式中，所述步骤s101可以包括：
127.步骤s201：当所述网点在当前结算周期内的订单数量不小于第一数量阈值或者仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；
128.步骤s202：基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。
129.由此，当网点在当前结算周期(即本结算周期)内的订单数量较多、或者网点在当前结算周期内的仲裁订单较多之时，才具有统计学意义，避免订单数量或者仲裁订单数量太少时统计结果误差过大的情况。
130.另外，如果某个网点每个月的订单数量太少，对其打标签的价值就低，没必要利用本技术提供的方法来进行计算其所对应的标签，造成计算资源、算力的浪费。
131.当网点的总订单数量较多或者仲裁订单数量较多时，通过获取仲裁系统(数据库)中各部门上传的需要仲裁的订单信息，获取网点在当前结算周期内的仲裁数据，对订单处理情况进行评定，所获取的仲裁数据详实、准确，自动化程度高，便于对物流网点进行考核。
132.本技术对第一数量阈值和第二数量阈值不作限定，第一数量阈值例如可以是10、100、1000、10000等，第二数量阈值例如可以是1、2、3、5、10、20、30、50、100、1000等。第一数量阈值通常大于第二数量阈值，这是因为所有物流订单中仲裁订单往往是少数，一般不会超过5％，很少超过20％。
133.本技术对订单信息不作限定，订单信息例如可以包括订单号、创建时间、期望配送时间、发货地址、收货地址、收货人名称、收货人电话、代收网点、承运商、分拨中心、快递网点、扫描纪录、物品名称、物品类型、物品数量、物品重量、物品体积、天气类型、疫情防控类型等。
134.在另一些可选的实施方式中，所述步骤s101可以包括：
135.当所述网点在当前结算周期内的订单数量不小于第一数量阈值并且仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；
136.基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。
137.参见图3，图3示出了本技术提供的另一种获取仲裁数据的流程示意图。
138.在一些可选的实施方式中，所述步骤s202可以包括：
139.步骤s301：基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，所述分类结果用于指示以下至少一项：乱收费是否成立、服务质量被投诉是否成立、上楼服务未提供被投诉是否成立、是否虚假签收及虚假问题件、派送延误是否成立、差重差方类别是否审核通过和包装不规范差错是否成立；
140.步骤s302：基于每个所述仲裁订单的分类结果，获取所述网点在当前结算周期内的仲裁数据。
141.由此，利用仲裁订单的订单信息获取仲裁订单的分类结果，这种分类结果能够指示网点在该仲裁订单上是否存在乱收费、服务质量被投诉、上楼服务未提供、虚假签收及虚假问题件、派送延误、差重差方、包装不规范等情况，再根据网点对应的当前结算周期内所
有仲裁订单的分类结果，就能够获取网点在当前结算周期内的仲裁数据。
142.采用上述方式获取仲裁数据，能够清楚定位每个仲裁订单的分类结果，实现了仲裁处理流程的透明化、公开化，可靠性高，便于追溯、判责。
143.在一些可选的实施方式中，所述步骤s301可以包括：
144.分别将所述网点在当前结算周期内的每个仲裁订单的订单信息输入分类模型，以得到每个所述仲裁订单的分类结果；
145.其中，所述订单分类模型的训练过程包括：
146.获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本仲裁订单的订单信息以及所述样本仲裁订单的分类结果的标注数据；
147.针对所述训练集中的每个训练数据，执行以下处理：
148.将所述训练数据中的样本仲裁订单的订单信息输入预设的深度学习模型，以得到所述样本仲裁订单的分类结果的预测数据；
149.基于所述样本仲裁订单的分类结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
150.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述订单分类模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
151.由此，订单分类模型可以由大量的训练数据训练得到，能够针对不同的输入数据预测得到相应的输出数据(即仲裁订单的分类结果，例如是网点在该仲裁订单上是否存在乱收费、服务质量被投诉、上楼服务未提供、虚假签收及虚假问题件、派送延误、差重差方、包装不规范等情况)，适用范围广，智能化水平高。
152.通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该预设的深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100％找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的订单分类模型，可以基于仲裁订单的订单信息获取仲裁订单的分类结果，且计算结果准确性高、可靠性高。
153.在一些可选的实施方式中，本技术可以采用上述训练过程训练得到订单分类模型，在另一些可选的实施方式中，本技术可以采用预先训练好的订单分类模型。
154.在一些可选的实施方式中，例如可以对过往的仲裁订单所对应的相关数据进行关键词提取，以得到样本仲裁订单的订单信息，也就是说，这些样本仲裁订单可以是真实的历史仲裁订单。当然，样本仲裁订单的订单信息也可以是利用gan模型的生成网络自动生成的。
155.其中，gan模型即生成对抗网络(generative adversarial network)，由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。使用gan模型可以生成多个样本仲裁订单的订单信息，用于订单分类模型的训练过程，能有效降低原始数据采集的数据量，大大降低数据采集和标注的成本。
156.本技术对标注数据的获取方式不作限定，例如可以采用人工标注的方式，也可以采用自动标注或者半自动标注的方式。当样本仲裁订单采用历史仲裁订单时，可以对历史仲裁订单所对应的相关数据进行关键词提取，以获取样本仲裁订单对应的分类结果的标注数据。也就是说，通过关键词提取的方式，可以利用历史仲裁订单所对应的相关数据获取历史仲裁订单的订单信息以及分类结果的标注数据。
157.本技术对订单分类模型的训练过程不作限定，其例如可以采用上述监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。
158.本技术对预设的训练结束条件不作限定，其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等)，或者可以是训练集中的训练数据都完成一次或多次训练，或者可以是本次训练得到的总损失值不大于预设损失值。
159.在另一些可选的实施方式中，所述步骤s301可以包括：
160.针对所述网点在当前结算周期内的每个仲裁订单，利用交互设备接收针对每个所述仲裁订单的分类操作，响应于所述分类操作，获得每个所述仲裁订单的分类结果。
161.本技术对交互设备不作限定，交互设备例如可以是手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备或者其他智能终端设备，或者，交互设备可以是控制台或者工作站。
162.本技术对利用交互设备接收各种(人工)操作的方式不作限定。按照输入方式划分操作，例如可以包括文本输入操作、音频输入操作、视频输入操作、按键操作、鼠标操作、键盘操作、智能触控笔操作等。
163.在一些可选的实施方式中，所述标签包括客服类标签和操作质控类标签；
164.所述客服类标签包括：服务质量差低、服务质量差中和服务质量差高；
165.所述操作质控类标签包括：偷重偷方低、偷重偷方中、偷重偷方高和包装不规范差错。
166.不同的订单由不同的部门处理，客服部负责货物物流的跟进工作、接待客户的各种投诉、记录客户咨询解答客户疑问、为客户协调问题提供解决方案。操作质控部负责质量安全管理，在业务操作实施过程中组织、协调、检查和考核工作，负责把控物流运输分拣等中间环节的质量时效。对应不同的仲裁订单，产生的阶段和原因不同，上传部门不同，可以分别归类为客服部仲裁订单，操作质控部仲裁订单。
167.由此，将标签分成两个类别，即(客服部上传的仲裁订单所对应的)客服类标签，以及(操作质控部上传的仲裁订单所对应的)操作质控类标签。
168.也就是说，基于仲裁订单的上传来源(客服部和操作质控部)设置两类标签，用于反映网点在客服和操作质控上存在的问题，例如服务质量差的问题(客服部上传)，以及偷重偷方、包装不规范的问题(操作质控部上传)，从而使标签立体化、精细化地反应网点的服务水平高低和操作质控优劣，相比于仅设置客服类标签或者操作质控类标签来说，两个维度能够更全面地考核网点的综合水平。
169.本技术对每个标签对应的预设条件不作限定，在一个具体应用场景中，各标签对应的预设条件如下：
170.针对客服类标签：
171.①
乱收费成立票数≥1票
172.②
服务质量被投诉成立票数≥1票
173.③
上楼服务未提供被投诉成立票数≥1票
174.④
虚假签收、虚假问题件票数≥1票
175.⑤
派送延误成立票数占比≥2％；(派送延误成立票数占比即当前结算周期内派送延误单数与派件量的比值)。
176.标签“服务质量差低”对应的预设条件是：网点在当前结算周期内的仲裁数据满足以上5个条件中的3个条件且只满足3个条件。
177.标签“服务质量差中”对应的预设条件是：网点在当前结算周期内的仲裁数据满足以上5个条件中的4个条件且只满足4个条件。
178.标签“服务质量差高”对应的预设条件是：网点在当前结算周期内的仲裁数据满足以上5个条件中的5个条件。
179.其中，仲裁事件以结算审核时间计算，派件量以应派时间计算。
180.针对操作质控类标签，以结算审核时间统计：
181.标签“偷重偷方低”对应的预设条件是：差重差方类别审核通过条数不小于5条且小于10条；
182.标签“偷重偷方中”对应的预设条件是：差重差方类别审核通过条数不小于10条且小于15条，且差异重量不小于500kg且小于1000kg；
183.标签“偷重偷方高”对应的预设条件是：差重差方类别审核通过条数不小于15条，且差异重量不小于1000kg；
184.标签“包装不规范差错”对应的预设条件是：包装不规范差错票数≥3票。
185.需要注意的是，上述具体应用场景中的数值举例仅仅是一种示例，不应理解为对本技术的限制。
186.参见图4和图5，图4示出了本技术提供的一种获取网点的客服类标签的流程示意图，图5示出了本技术提供的一种获取网点的操作质控类标签的流程示意图。
187.在一些可选的实施方式中，所述步骤s102可以包括：
188.步骤s401：分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
189.步骤s402：当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将当前结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
190.步骤s403：当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，检测所述网点在上一结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
191.步骤s404：当检测到所述网点在上一结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将上一结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
192.步骤s405：当检测到所述网点在上一结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，取消所述网点在当前结算周期内的客服类标签；
193.步骤s501：分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述操
作质控类标签对应的预设条件；
194.步骤s502：当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述操作质控类标签对应的预设条件时，将当前结算周期内满足条件的所述操作质控类标签添加至所述网点在当前结算周期内的标签；
195.步骤s503：当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个操作质控类标签对应的预设条件时，取消所述网点在当前结算周期内的操作质控类标签。
196.由此，一旦网点被打上客服类标签标签，需要连续两个结算周期没有客服类标签，才可以取消，也就是说，不仅看当前结算周期内是否满足客服类标签的预设条件，还要看上一结算周期内是否满足客服类标签的预设条件，连续两个结算周期(也即最新两个结算周期，或者说最近两个结算周期)不满足客服类标签的预设条件才可以取消客服类标签。换句话说，一旦网点被打上客服类标签标签，只要网点在当前结算周期或者上一结算周期的仲裁数据满足任何一个客服类标签的预设条件，就不可能取消该网点的客服类标签；只有当网点在最近两个结算周期内的仲裁数据都不满足任何一个客服类标签对应的预设条件(即每一个客服类标签的预设条件都不满足)时，才可以取消客服类标签。
197.而对于操作质控类标签，当网点被打上标签后，只要当前结算周期不满足操作质控类标签的预设条件，就可以取消标签。
198.相比较来说，客服类标签是溯及既往的(此处既往是指上一结算周期)，操作质控类标签不溯及既往的，也因为客服类标签对应的问题相对来说更加严重，这是从实际应用中的具体情况出发所做的设定，对客服类标签和操作质控类区别对待，是精细化管理的一部分，因为操作质控类标签所体现的问题可能是无心之过失、无意识所为，客服类标签所体现的问题性质较为严重恶劣，往往是主观故意犯错，施加更严重的惩戒措施，能够帮助网点正确认识到客服类问题的严重性，实现以考核促(服务能力)提升的效果。
199.在一个具体应用场景中，网点h在上一结算周期内的标签是“服务质量差中”，在当前结算周期内的仲裁数据满足标签“服务质量差低”的预设条件，则网点h在当前结算周期内的标签包括“服务质量差低”。
200.在另一个具体应用场景中，网点i在上一结算周期内的标签是“服务质量差中”和“偷重偷方低”，在当前结算周期内的仲裁数据满足标签“服务质量差中”的预设条件，则网点i在当前结算周期内的标签包括“服务质量差中”。
201.在又一个具体应用场景中，网点j在上一结算周期内的标签是“服务质量差中”和“偷重偷方低”，在当前结算周期内的仲裁数据满足标签“偷重偷方低”的预设条件，在上一结算周期内的仲裁数据满足标签“服务质量差中”的预设条件，则网点j在当前结算周期内的标签包括“服务质量差中”和“偷重偷方低”。
202.在又一个具体应用场景中，网点k在上一结算周期内的标签是“服务质量差中”和“偷重偷方低”，在当前结算周期内的仲裁数据满足标签“偷重偷方低”的预设条件，在上一结算周期内的仲裁数据不满足任何客服类标签的预设条件，则网点k在当前结算周期内的标签包括“偷重偷方低”。
203.在又一个具体应用场景中，网点l在上一结算周期内的标签是“服务质量差中”和“偷重偷方低”，在当前结算周期内的仲裁数据不满足任何标签的预设条件，在上一结算周期内的仲裁数据不满足任何客服类标签的预设条件(但是在上一结算周期内的仲裁数据满
足标签“偷重偷方低”的预设条件)，则取消网点l在当前结算周期内的标签。
204.参见图6，图6示出了本技术提供的一种更新关联平台中的网点的标签的流程示意图。
205.在一些可选的实施方式中，更新每个所述关联平台中的所述网点的标签的过程可以包括：
206.步骤s601：清空所述关联平台中的所述网点的已有标签；
207.步骤s602：将接收到的所述网点在当前结算周期内的标签作为所述关联平台中的所述网点的标签。
208.由此，在对关联平台中的网点标签进行更新时，首先清空已有标签，再重新设置网点标签，相比于挨个比对每个已有标签是否需要保留、再判断是否需要新增标签来说，方便快捷，更新效率高。
209.在一个具体应用场景中，可以在当前结算过程结束后立刻更新每个关联平台中的网点的标签。在另一个具体应用场景中，每个结算周期的时长是一个月，当前结算周期是2022年5月1日至2022年5月31日，上一结算周期是2022年4月1日至2022年4月30日，可以在每个月的1号更新网点在各关联平台的标签。
210.在一些可选的实施方式中，所述方法还可以包括：
211.利用显示设备显示每个所述关联平台中的网点的标签。
212.显示设备例如可以是单独的显示屏或者具有显示功能的交互设备。
213.【装置实施方式】
214.参见图7，图7示出了本技术提供的一种标签推送装置的结构示意图。
215.本技术还提供了一种标签推送装置，其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
216.所述标签推送装置用于将仲裁系统中的网点的标签推送至关联平台，所述装置包括：
217.数据获取模块101，用于获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；
218.标签获取模块102，用于分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；
219.标签更新模块103，用于当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。
220.在一些可选的实施方式中，所述数据获取模块101可以包括：
221.信息获取单元，用于当所述网点在当前结算周期内的订单数量不小于第一数量阈值或者仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；
222.获取数据单元，用于基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。
223.在一些可选的实施方式中，所述获取数据单元可以包括：
224.分类结果子单元，用于基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，所述分类结果用于指示以下至少一项：乱收费是否成立、服务质量被投诉是否成立、上楼服务未提供被投诉是否成立、是否虚假签收及虚假问题件、派送延误是否成立、差重差方类别是否审核通过和包装不规范差错是否成立；
225.仲裁数据子单元，用于基于每个所述仲裁订单的分类结果，获取所述网点在当前结算周期内的仲裁数据。
226.在一些可选的实施方式中，所述分类结果子单元可以用于：
227.分别将所述网点在当前结算周期内的每个仲裁订单的订单信息输入分类模型，以得到每个所述仲裁订单的分类结果；
228.其中，所述订单分类模型的训练过程包括：
229.获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本仲裁订单的订单信息以及所述样本仲裁订单的分类结果的标注数据；
230.针对所述训练集中的每个训练数据，执行以下处理：
231.将所述训练数据中的样本仲裁订单的订单信息输入预设的深度学习模型，以得到所述样本仲裁订单的分类结果的预测数据；
232.基于所述样本仲裁订单的分类结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
233.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述订单分类模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
234.在一些可选的实施方式中，所述标签可以包括客服类标签和操作质控类标签；
235.所述客服类标签包括：服务质量差低、服务质量差中和服务质量差高；
236.所述操作质控类标签包括：偷重偷方低、偷重偷方中、偷重偷方高和包装不规范差错。
237.在一些可选的实施方式中，所述标签获取模块102可以包括第一检测单元和第二检测单元；
238.所述第一检测单元用于：
239.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
240.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将当前结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
241.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，检测所述网点在上一结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；
242.当检测到所述网点在上一结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将上一结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；
243.当检测到所述网点在上一结算周期内的仲裁数据不满足任何一个客服类标签对
应的预设条件时，取消所述网点在当前结算周期内的客服类标签；
244.所述第二检测单元用于：
245.分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述操作质控类标签对应的预设条件；
246.当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述操作质控类标签对应的预设条件时，将当前结算周期内满足条件的所述操作质控类标签添加至所述网点在当前结算周期内的标签；
247.当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个操作质控类标签对应的预设条件时，取消所述网点在当前结算周期内的操作质控类标签。
248.在一些可选的实施方式中，更新每个所述关联平台中的所述网点的标签的过程可以包括：
249.清空所述关联平台中的所述网点的已有标签；
250.将接收到的所述网点在当前结算周期内的标签作为所述关联平台中的所述网点的标签。
251.【设备实施方式】
252.本技术还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤，其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
253.参见图8，图8示出了本技术提供的一种电子设备200的结构框图。
254.电子设备200例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
255.存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)211和/或高速缓存存储器212，还可以进一步包括只读存储器(rom)213。
256.其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220实现上述任一项方法的步骤。
257.存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例的每一个或某种组合中可能包括网络环境的实现。
258.相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。
259.处理器220可以采用一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmablelogic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)或其他电子元件。
260.总线230可以为表示几类总线结构的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
261.电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备200交互的设备通信，和/或与使得该电子设
备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
262.【介质实施方式】
263.本技术还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存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤，其具体实施方式与上述方法实施方式中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
264.参见图9，图9示出了本技术提供的一种程序产品的结构示意图。
265.所述程序产品用于实现上述任一项方法。程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本技术中，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。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
266.计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是任何可读介质，该可读介质可以发送、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。可读存储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、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c++等，还包括常规的过程式程序设计语言诸如c语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
267.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。
技术特征：1.一种标签推送方法，其特征在于，用于将仲裁系统中的网点的标签推送至关联平台，所述方法包括：获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。2.根据权利要求1所述的标签推送方法，其特征在于，所述获取所述网点在当前结算周期内的仲裁数据，包括：当所述网点在当前结算周期内的订单数量不小于第一数量阈值或者仲裁订单数量不小于第二数量阈值时，获取所述网点在当前结算周期内的仲裁订单的订单信息；基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据。3.根据权利要求2所述的标签推送方法，其特征在于，所述基于所述网点在当前结算周期内的仲裁订单的订单信息，获得所述网点在当前结算周期内的仲裁数据，包括：基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，所述分类结果用于指示以下至少一项：乱收费是否成立、服务质量被投诉是否成立、上楼服务未提供被投诉是否成立、是否虚假签收及虚假问题件、派送延误是否成立、差重差方类别是否审核通过和包装不规范差错是否成立；基于每个所述仲裁订单的分类结果，获取所述网点在当前结算周期内的仲裁数据。4.根据权利要求3所述的标签推送方法，其特征在于，所述基于所述网点在当前结算周期内的仲裁订单的订单信息，获取每个所述仲裁订单的分类结果，包括：分别将所述网点在当前结算周期内的每个仲裁订单的订单信息输入分类模型，以得到每个所述仲裁订单的分类结果；其中，所述订单分类模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本仲裁订单的订单信息以及所述样本仲裁订单的分类结果的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本仲裁订单的订单信息输入预设的深度学习模型，以得到所述样本仲裁订单的分类结果的预测数据；基于所述样本仲裁订单的分类结果的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作为所述订单分类模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。5.根据权利要求1所述的标签推送方法，其特征在于，所述标签包括客服类标签和操作
质控类标签；所述客服类标签包括：服务质量差低、服务质量差中和服务质量差高；所述操作质控类标签包括：偷重偷方低、偷重偷方中、偷重偷方高和包装不规范差错。6.根据权利要求5所述的标签推送方法，其特征在于，所述分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签，包括：分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将当前结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，检测所述网点在上一结算周期内的仲裁数据是否满足每个所述客服类标签对应的预设条件；当检测到所述网点在上一结算周期内的仲裁数据满足至少一个所述客服类标签对应的预设条件时，将上一结算周期内满足条件的所述客服类标签添加至所述网点在当前结算周期内的标签；当检测到所述网点在上一结算周期内的仲裁数据不满足任何一个客服类标签对应的预设条件时，取消所述网点在当前结算周期内的客服类标签；分别检测所述网点在当前结算周期内的仲裁数据是否满足每个所述操作质控类标签对应的预设条件；当检测到所述网点在当前结算周期内的仲裁数据满足至少一个所述操作质控类标签对应的预设条件时，将当前结算周期内满足条件的所述操作质控类标签添加至所述网点在当前结算周期内的标签；当检测到所述网点在当前结算周期内的仲裁数据不满足任何一个操作质控类标签对应的预设条件时，取消所述网点在当前结算周期内的操作质控类标签。7.根据权利要求1所述的标签推送方法，其特征在于，更新每个所述关联平台中的所述网点的标签的过程包括：清空所述关联平台中的所述网点的已有标签；将接收到的所述网点在当前结算周期内的标签作为所述关联平台中的所述网点的标签。8.一种标签推送装置，其特征在于，用于将仲裁系统中的网点的标签推送至关联平台，所述装置包括：数据获取模块，用于获取所述网点在当前结算周期内的仲裁数据，所述网点在当前结算周期内的仲裁数据用于指示所述网点在当前结算周期内的乱收费成立票数、服务质量被投诉成立票数、上楼服务未提供被投诉成立票数、虚假签收及虚假问题件票数、派送延误成立票数占比、差重差方类别审核通过条数和包装不规范差错票数中的一种或多种；标签获取模块，用于分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；
标签更新模块，用于当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
技术总结本申请提供了标签推送方法、装置、电子设备及计算机可读存储介质，用于将仲裁系统中的网点的标签推送至关联平台，所述方法包括：获取所述网点在当前结算周期内的仲裁数据；分别检测所述网点在当前结算周期内的仲裁数据是否满足每个标签对应的预设条件，以获取所述网点在当前结算周期内的标签；当所述网点在当前结算周期内的标签与所述网点在上一结算周期内的标签不匹配时，将所述网点在当前结算周期内的标签推送至所述仲裁系统的一个或多个关联平台，以更新每个所述关联平台中的所述网点的标签。将仲裁系统中确定的各网点在当前结算周期内的标签同步至其他关联平台，使得关联平台能够快速、及时得到各网点的准确标签。及时得到各网点的准确标签。及时得到各网点的准确标签。
技术研发人员：潘秒秒 吕智帆
受保护的技术使用者：上海乾臻信息科技有限公司
技术研发日：2022.06.21
技术公布日：2022/11/1
