安全管理方法、装置、电子设备及计算机存储介质

摘要

本申请提供一种安全管理方法、装置、电子设备及计算机存储介质，该方法可以包括：获取待分配订单的信息；提取待分配订单的信息，利用目标配送人员的风险预测模型，得到目标配送人员配送待分配订单的风险值；在目标配送人员配送待分配订单的风险值大于风险阈值的情况下，将待分配订单的信息发送给其他配送人员。由此本申请可以有效避免目标配送人员与商家和用户之间可能发生的治安风险问题。

权利要求

1.一种安全管理方法，其特征在于，所述方法包括：

获取待分配订单的信息；

提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；每个所述历史订单的信息包括所述历史订单对应的语音特征信息；所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；所述风险预测模型包括三个深度残差网络，所述深度残差网络包括两层残差结构，每层残差结构提取到预先设定的需要关注的一个或多个风险特征信息；

在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。

2.根据权利要求1所述的方法，其特征在于，所述提取所述待分配订单的信息，利用所述目标配送人员的风险预测模型得到所述目标配送人员配送所述待分配订单的风险值之前，所述方法还包括：获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练所述目标配送人员的风险预测模型。

3.根据权利要求2所述的方法，其特征在于，所述提取所述待分配订单的信息，利用所述目标配送人员的风险预测模型得到所述目标配送人员配送所述待分配订单的风险值之前，所述方法还包括：获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息，训练所述目标配送人员的风险预测模型。

4.一种建立风险预测模型的方法，其特征在于，所述方法包括：

获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括历史订单对应的语音特征信息；所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；所述风险预测模型包括三个深度残差网络，所述深度残差网络包括两层残差结构，每层残差结构提取到预先设定的需要关注的一个或多个风险特征信息；

基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型，包括：基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到各历史订单的风险值；

基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的损失值；

在所述损失值大于损失阈值的情况下，对所述风险预测初始模型的参数进行调整，更新所述风险预测初始模型；

再次执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值的步骤，直至所述损失值小于或等于所述损失阈值，得到所述风险预测模型。

6.根据权利要求5所述的方法，其特征在于，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

7.根据权利要求6所述的方法，其特征在于，所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值之前，所述方法还包括：获取所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

8.根据权利要求7所述的方法，其特征在于，所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：根据所述历史订单信息中的所述目标配送人员的特征信息确定所述目标配送人员的特征向量矩阵以及所述目标配送人员的历史风险表征向量矩阵；

根据所述历史订单对应的用户的特征信息确定所述用户的特征向量矩阵以及所述用户的历史风险表征向量矩阵；

根据所述历史订单对应的商家的特征信息确定所述商家的特征向量矩阵以及所述商家的历史风险表征向量矩阵；

根据所述历史订单的特征信息确定所述历史订单的特征向量矩阵；

根据所述历史订单对应的语音特征信息确定所述目标配送人员的情绪状态表征向量矩阵；

基于每个历史订单对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态表征向量矩阵、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

9.根据权利要求8所述的方法，其特征在于，所述根据所述历史订单信息中的所述目标配送人员的特征信息确定所述目标配送人员的特征向量矩阵以及所述目标配送人员的历史风险表征向量矩阵，包括：根据所述历史订单信息中的所述目标配送人员的特征信息确定所述历史订单对应的目标配送人员的特征向量矩阵；

将所述历史订单信息中的所述目标配送人员的特征信息输入预设的第一深度残差网络得到所述历史订单对应的目标配送人员的历史风险表征向量矩阵；

所述根据所述历史订单对应的用户的特征信息确定所述用户的特征向量矩阵以及所述用户的历史风险表征向量矩阵，包括：根据所述历史订单对应的用户的特征信息确定所述历史订单对应的用户的特征向量矩阵；

将所述历史订单对应的用户的特征信息输入预设的第二深度残差网络得到所述历史订单对应的用户的历史风险表征向量矩阵；

所述根据所述历史订单对应的商家的特征信息确定所述商家的特征向量矩阵以及所述商家的历史风险表征向量矩阵，包括：根据所述历史订单对应的商家的特征信息确定所述历史订单对应的商家的特征向量矩阵；

将所述历史订单对应的商家的特征信息输入预设的第三深度残差网络得到所述历史订单对应的商家的历史风险表征向量矩阵。

10.根据权利要求8所述的方法，其特征在于，

所述根据所述历史订单对应的语音特征信息确定所述目标配送人员的情绪状态表征向量矩阵，包括：将所述历史订单对应的语音特征信息对应的时域信号转换为所述历史订单对应的语音特征信息对应的频域信号；

对所述历史订单对应的语音特征信息对应的频域信号进行倒谱分析以确定所述历史订单对应的语音特征信息中所述目标配送人员的声音信息对应的向量矩阵；

基于所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定所述目标配送人员的情绪状态表征向量矩阵。

11.根据权利要求10所述的方法，其特征在于，所述基于所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定所述目标配送人员的情绪状态表征向量矩阵，包括：对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行正向时序划分，得到第一时序语音向量矩阵；

对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行逆向时序划分，得到第二时序语音向量矩阵；

对所述第一时序语音向量矩阵和所述第二时序语音向量矩阵进行加权处理，得到语音频率强相关向量矩阵；

基于所述语音频率强相关向量矩阵和向量阈值确定所述目标配送人员的情绪状态表征向量矩阵。

12.根据权利要求8所述的方法，其特征在于，所述基于每个历史订单对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态表征向量矩阵、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：对所述目标配送人员的历史风险表征向量矩阵与所述目标配送人员的情绪状态表征向量矩阵做内积处理，得到所述目标配送人员的历史风险表征向量矩阵对应的权重；

基于所述目标配送人员的历史风险表征向量矩阵对应的权重确定所述目标配送人员的历史风险融合向量；

对所述目标配送人员的情绪状态表征向量矩阵与所述目标配送人员的历史风险表征向量矩阵做内积处理，得到所述目标配送人员的情绪状态表征向量矩阵对应的权重；

基于所述目标配送人员的情绪状态表征向量矩阵对应的权重确定所述目标配送人员的情绪状态融合向量；

基于所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

13.根据权利要求12所述的方法，其特征在于，所述基于所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：基于所述目标配送人员的多个所述历史订单中各历史订单的对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值；

所述基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的损失值，包括：基于所述各历史订单的风险值、所述各历史订单的治安投诉结果、所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵，确定所述风险预测初始模型的损失值。

14.根据权利要求13所述的方法，其特征在于，所述基于所述各历史订单的风险值、所述各历史订单的治安投诉结果、所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵，确定所述风险预测初始模型的损失值，包括：基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的分类损失值；

基于所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵确定所述风险预测初始模型的特征信息损失值；

基于所述风险预测初始模型的分类损失值和所述风险预测初始模型的特征信息损失值确定所述风险预测初始模型的损失值。

15.根据权利要求14所述的方法，其特征在于，所述基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的分类损失值，包括：确定每个历史订单的风险值与治安投诉结果之间的距离；

对多个所述历史订单的风险值与对应的治安投诉结果之间的距离进行加权处理，得到所述风险预测初始模型的分类损失值。

16.根据权利要求14所述的方法，其特征在于，所述基于所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵确定所述风险预测初始模型的特征信息损失值，包括：基于多个所述历史订单中任一订单对应的所述目标配送人员的特征向量矩阵和所述目标配送人员的历史风险表征向量矩阵确定所述目标配送人员的损失值；

基于多个所述历史订单中每个订单对应的所述用户的特征向量矩阵和所述用户的历史风险表征向量矩阵确定所述用户的损失值；

基于所述目标配送人员的损失值和所述用户的损失值确定所述风险预测初始模型的特征信息损失值。

17.一种安全管理装置，其特征在于，所述装置包括：

获取模块，用于获取待分配订单的信息；

得到模块，用于提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；

每个所述历史订单的信息包括语音特征信息；所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；所述风险预测模型包括三个深度残差网络，所述深度残差网络包括两层残差结构，每层残差结构提取到预先设定的需要关注的一个或多个风险特征信息；

配送模块，用于在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。

18.一种建立风险预测模型的装置，其特征在于，所述装置包括：

获取模块，用于获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括语音特征信息；所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；所述风险预测模型包括三个深度残差网络，所述深度残差网络包括两层残差结构，每层残差结构提取到预先设定的需要关注的一个或多个风险特征信息；得到模块，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

19.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1‑3或4‑16任一项所述的方法步骤。

20.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由处理器加载并执行如权利要求1‑3或4‑16任一项所述的方法步骤。

说明书

安全管理方法、装置、电子设备及计算机存储介质

技术领域

[0001] 本申请涉及计算机技术领域，尤其涉及一种安全管理方法、装置、电子设备及计算机存储介质。

背景技术

[0002] 随着互联网的迅速发展，人们可以在网上进行购物、订餐、寄收快递等活动，与此同时，配送人员承担起商家和顾客之间的运送纽带。但配送人员在配送过程中，经常会因为商家出货较慢、配送时长不合适、配送位置偏僻等因素与商家或顾客发生争吵，严重时可能造成治安问题。

发明内容

[0003] 本申请实施例提供了一种安全管理方法、装置、电子设备及计算机存储介质，以避免目标配送人员与商家和用户之间可能发生的风险问题。

[0004] 第一方面，本申请实施例提供了一种安全管理方法，所述方法包括：

[0005] 获取待分配订单的信息；

[0006] 提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；每个所述历史订单的信息包括语音特征信息；

[0007] 在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。

[0008] 第二方面，本申请实施例提供了一种建立风险预测模型的方法，所述方法包括：

[0009] 获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括语音特征信息；

[0010] 基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

[0011] 第三方面，本申请实施例提供了一种安全管理装置，所述装置包括：

[0012] 获取模块，用于获取待分配订单的信息；

[0013] 得到模块，用于提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；每个所述历史订单的信息包括语音特征信息；

[0014] 配送模块，用于在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。

[0015] 第四方面，本申请实施例提供了一种建立风险预测模型的装置，所述装置包括：

[0016] 获取模块，用于获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括语音特征信息；

[0017] 得到模块，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

[0018] 第五方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

[0019] 第六方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；

[0020] 其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

[0021] 本申请上述实施例可以通过获取待分配订单的信息；提取待分配订单的信息，利用目标配送人员的风险预测模型，得到目标配送人员配送待分配订单的风险值；在目标配送人员配送待分配订单的风险值大于风险阈值的情况下，将待分配订单的信息发送给其他配送人员。由于本申请可以根据目标配送人员配送过的多个历史订单的信息中的语音特征信息来训练风险预测模型，因此就相应减小了相关技术中通过文字信息可能无法准确识别目标配送人员、用户、商家的情绪所导致的预测风险值不准确等问题。此外，当目标配送人员的风险值过大时，可以直接将该待配送订单分配给风险值较低的其他配送人员，以避免可能引发的治安问题，有效保障社会的良好秩序。

附图说明

[0022] 为了更清楚地说明本申请中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。

[0023] 图1a为相关的安全管理方法的应用场景示意图；

[0024] 图1b为相关的风险预测模型的预测过程示意图；

[0025] 图2a为本申请提供的一种安全管理方法的流程示意图；

[0026] 图2b为本申请提供的一种风险预测模型的预测过程示意图；

[0027] 图3a为本申请提供的另一种安全管理方法的流程示意图；

[0028] 图3b为本申请提供的另一种风险预测模型的预测过程示意图；

[0029] 图4a为本申请提供的又一种安全管理方法的流程示意图；

[0030] 图4b为本申请提供的又一种安全管理方法的应用场景示意图；

[0031] 图5a为本申请提供的一种建立风险预测模型的方法的流程示意图；

[0032] 图5b为本申请提供的又一种风险预测模型内部结构示意图；

[0033] 图5c为本申请提供的一种差评预测模型内部结构示意图；

[0034] 图6为本申请实施例提供的一种安全管理装置的结构示意图；

[0035] 图7为本申请实施例提供的一种建立风险预测模型的装置的结构示意图；

[0036] 图8为本申请实施例提供的一种电子设备的结构示意图；

[0037] 图9为本申请实施例提供的另一种电子设备的结构示意图。

具体实施方式

[0038] 下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

[0039] 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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“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这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

[0040] 对于快递和外卖等服务行业来说，治安风险防控是保障行业参与者利益的重要手段。相关治安风险分析方法主要从配送人员(例如骑手)的治安风险属性入手，通过分析配送人员长期以来的行为模式来评估配送人员对当前用户的治安风险威胁。

[0041] 图1a示例性示出了相关的安全管理方法的应用场景示意图。如图1a所示，该应用场景可以包括：餐馆11、外卖12、骑手13、顾客14、顾客与骑手之间的不存在治安投诉15、以及顾客与骑手之间的存在治安投诉16。可以理解的是，餐馆11将打包好的外卖12递交给骑手13后，由骑手13按照订单信息派送到顾客14所在的位置，顾客14收到外卖12后，若没有产生治安投诉可以通过外卖平台的应用程序(Application，APP)显示顾客与骑手之间的治安投诉结果15为良好，即不存在治安投诉；若产生治安投诉可以通过APP显示顾客与骑手之间的治安投诉结果16为存在治安投诉，即顾客与骑手之间的发生了例如，骑手攻击顾客、骑手与顾客之间发生了打架行为而导致的报警事件，进而将该报警事件的相关信息保存到外卖平台APP的服务器的数据库中。

[0042] 图1b示例性示出了相关的风险预测模型的预测过程示意图。其中，骑手x的预设模型可以基于该骑手的n个历史用户的订单信息和这些订单信息的真实治安投诉结果对预测模型进行训练。具体地，可以通过将每个历史用户的订单信息的预测风险值对应的治安投诉结果和真实治安投诉结果进行比较来对预测模型进行调整，直到预测风险值对应的治安投诉结果和真实治安投诉结果相同，再将当前的用户m的订单输入该预测模型得到该订单的预测结果。若预测结果为该用户m的订单派送给骑手x时存在治安投诉，则可以考虑将该订单派送给其它预测结果为不存在治安投诉的骑手，以避免可能产生的治安风险。

[0043] 但上述安全管理方法会导致预测模型是基于历史用户的治安投诉结果完成的，并且往往局限于对平台用户(例如订餐人员)的保障，缺乏对配送人员和商家的保障能力。因此亟需一种可以统筹分析履约过程中各方治安风险，进而可以充分保障配送人员、用户、以及商家之间良好关系以及安全的解决方案。

[0044] 图2a所示，在本申请实施例提供了一种安全管理方法的流程示意图。如图2a所示，该安全管理方法可以包括如下步骤：

[0045] 步骤201，获取待分配订单的信息。

[0046] 其中，待分配订单为未分派给配送人员的订单，待分配订单的信息可以包括：订单编号、商家名称、商品图片、商品购买时间、商品金额、收货地址、配送时间等信息。

[0047] 例如，用户小李在外卖平台上的餐厅A购买了一份套餐后，该外卖平台的服务器中会生成还未分派给配送人员的用户小李的订单信息。

[0048] 步骤202，提取待分配订单的信息，利用目标配送人员的风险预测模型，得到目标配送人员配送待分配订单的风险值。

[0049] 其中，本申请实施例中目标配送人员的风险预测模型可以基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到。其中，每个历史订单的信息可以包括语音特征信息。

[0050] 可以理解的是，本申请实施例中的目标配送人员表示服务器预计将用户的订单分配给的配送人员。目标配送人员的风险预测模型表示用于预测目标配送人员配送该用户的订单可能存在的风险程度大小的模型。

[0051] 具体地，本申请实施例中历史订单的信息中的语音特征信息可以表示从历史订单对应的目标配送人员与商家和/或目标配送人员与用户之间的通话录音和/或者语音聊天记录中提取到的特征信息。例如，语音特征信息可以是从目标配送人员通过配送平台APP拨打给商家或用户的电话所产生的通话录音中提取到的特征信息，也可以是从目标配送人员与商家或用户在配送平台APP中生成的语音聊天记录中提取到的特征信息。可以理解的是，本申请实施例通过从配送平台中获取历史订单对应的语音特征信息可以有效保护目标配送人员、商家、以及用户等三方的隐私、防止了数据泄露。

[0052] 可能地，在本申请的一些实施例中也可以不需要提取语音特征信息、直接采用目标配送人员与商家和/或目标配送人员与用户之间的通话录音和/或者语音聊天记录。

[0053] 可能地，本申请实施例可以从数据库中获取目标配送人员的预设时间段内的历史订单的信息，例如获取近3个月目标配送人员配送的订单信息。

[0054] 参见图2b所示的本申请实施例的风险预测模型的预测过程示意图。本申请实施例可以利用n(n>1)个已知治安投诉结果的历史订单的信息中的语音特征信息对目标配送人员的风险预测模型进行训练，具体地，可以将生成的风险预测结果和已知治安投诉结果进行比对来对其进行训练，在训练完成后，即可利用目标配送人员的风险预测模型对目标配送人员配送待分配订单m时的风险值进行预测。

[0055] 步骤203，比较目标配送人员的风险预测模型输出的目标配送人员的风险值与风险阈值之间的大小。

[0056] 具体地，本申请实施例中的风险阈值表示预先设定的用于区分风险结果的数值。

[0057] 步骤2031，在目标配送人员配送待分配订单的风险值大于风险阈值的情况下，将待分配订单的信息发送给其他配送人员。

[0058] 具体地，上述其他配送人员配送待分配订单的风险值需要小于或等于风险阈值。

[0059] 例如，若风险阈值可以为0.7，那么风险值大于0.7时，可以理解为将待分配订单分配给目标配送人员时可能发生风险问题，例如，骑手和商家之间发生争吵、辱骂事件，或骑手和商家之间发生相互攻击、打架斗殴引发的流血事件。故需要将该待分配订单分配给风险值小于0.7的其他配送人员，以减小上述恶性事件发生的可能性。

[0060] 可以理解的是，本申请实施例中其他配送人员的风险值的确定方式与目标配送人员的风险值的确定方式类似。例如，当骑手A(目标配送人员)的风险预测模型输出的骑手A配送待分配订单的风险值大于风险阈值时，将该待分配订单输入骑手B(其他配送人员)的风险预测模型，若输出的骑手B配送待分配订单的风险值小于或等于风险阈值，则可以将该待分配订单分配给骑手B。

[0061] 步骤2032，在目标配送人员配送待分配订单的风险值小于或等于风险阈值的情况下，将待分配订单的信息发送给目标配送人员。

[0062] 可以理解的是，当目标配送人员配送待分配订单的风险值小于或等于风险阈值时，可以认为将该待分配订单分配给目标配送人员不会产生治安问题。

[0063] 具体地，从图2b所示的风险预测模型的预测过程示意图可以观察到：在目标配送人员的风险预测模型对目标配送人员配送待分配订单m时的风险值进行预测后，若得到待分配订单m的风险值大于风险阈值，则可以将待分配订单m发送给其它配送人员；若得到待分配订单m的风险值小于或等于风险阈值，则可以将待分配订单m发送给目标配送人员。

[0064] 例如，用户小李在某外卖平台APP中餐厅A的下单了一份套餐后生成了一份待分配订单的信息，该外卖平台APP的服务器将该待分配订单的信息输入附近的骑手A的风险预测模型后得到的风险值为0.8，该风险值大于风险阈值0.7。因此，该外卖平台APP的服务器需要继续确定下一个其他骑手的风险值，若确定下一个目标骑手为骑手B，则可以将该待分配订单的信息输入骑手B的风险预测模型得到风险值为0.3，该风险值小于风险阈值0.7，则该外卖平台APP的服务器可以将该待分配订单的信息发送到骑手B的移动终端中，由骑手B进行配送。

[0065] 本申请上述实施例可以通过预先建立的风险预测模型对目标配送人员配送待分配订单进行风险预测以确定对目标配送人员配送该待分配订单可能产生的风险值。由于本申请可以根据目标配送人员配送过的多个历史订单的信息中的语音特征信息来训练风险预测模型，因此就相应减小了相关技术中通过文字信息可能无法准确识别目标配送人员、用户、商家的情绪所导致的预测风险值不准确等问题。此外，当目标配送人员的风险值过大时，可以直接将该待配送订单分配给风险值较低的其他配送人员，以避免可能引发的治安问题，有效保障社会的良好秩序。

[0066] 图3a所示，本申请实施例提供了一种安全管理方法的流程示意图。如图3a所示，该安全管理方法可以包括如下步骤：

[0067] 步骤301，获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息。

[0068] 具体地，本申请实施例中每个历史订单的信息可以包括：目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、历史订单对应的商家的特征信息、以及历史订单对应的语音特征信息。

[0069] 其中，本申请实施例中历史订单的信息中的目标配送人员的特征信息可以包括：目标配送人员的属性信息(例如，骑手的姓名、籍贯、从业时长、接单数量等等)和目标配送人员的评价信息(例如，差评数量)。历史订单的信息中历史订单的特征信息可以包括：历史订单的下单时间、送达时间、餐费、配送费、支付方式等信息。历史订单对应的用户的特征信息可以包括：用户的籍贯、饮食爱好、性格特征、下单高峰时间等信息。历史订单对应的语音特征信息可以包括：目标配送人员与商家或用户的通话录音、以及目标配送人员与商家或用户在配送平台APP中的语音聊天记录等信息。商家的特征信息表示商家由于自身属性生产的信息，例如，营业时间、营业年限、地理位置、出货效率、产品类型、高峰时间等等。

[0070] 步骤302，基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练目标配送人员的风险预测模型。

[0071] 可以理解的是，历史订单的信息中的目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、以及历史订单对应的商家的特征信息均可能对配送过程造成影响，例如，商家所在的地理位置较为偏僻，目标配送人员虽然在其附近，但不清楚其实际位置，因此可能影响配送时间，从而可能导致目标配送人员与用户之间产生不必要的纠纷。

[0072] 参见图3b所示的本申请实施例的风险预测模型的预测过程示意图，本申请实施例可以利用n(n>1)个已知治安投诉结果的历史订单的信息中的目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、历史订单对应的语音特征信息对目标配送人员、以及历史订单对应的商家的特征信息的风险预测模型进行训练以获取准确度较高的治安风险预测概率，从而利用训练完成的目标配送人员的风险预测模型得到目标配送人员配送待分配订单m时风险值。

[0073] 步骤303，获取待分配订单的信息。

[0074] 具体地，步骤303与步骤201一致，此处不再赘述。

[0075] 步骤304，提取待分配订单的信息，利用目标配送人员的风险预测模型，得到目标配送人员配送待分配订单的风险值。

[0076] 具体地，步骤304与步骤202一致，此处不再赘述。

[0077] 步骤305，比较目标配送人员的风险预测模型输出的目标配送人员的风险值与风险阈值之间的大小。

[0078] 具体地，步骤305与步骤203一致，此处不再赘述。

[0079] 步骤3051，在目标配送人员配送待分配订单的风险值大于风险阈值的情况下，将待分配订单的信息发送给其他配送人员。

[0080] 具体地，步骤3051与步骤2031一致，此处不再赘述。

[0081] 步骤3052，在目标配送人员配送待分配订单的风险值小于或等于风险阈值的情况下，将待分配订单的信息发送给目标配送人员。

[0082] 具体地，步骤3052与步骤2032一致，此处不再赘述。

[0083] 参见图3b，进一步地，若得到待分配订单m的风险值大于风险阈值，则可以将待分配订单m发送给其它配送人员；若得到待分配订单m的风险值小于或等于风险阈值，则可以将待分配订单m发送给目标配送人员。

[0084] 由此，本申请可以根据骑手的历史订单的信息中目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、商家的特征信息、以及历史订单对应的语音特征信息相融合的方式来训练该风险预测模型。相应地，本申请相较于相关技术中仅关注用户对该历史订单的评价信息得到的预测概率更为准确，此外，当目标配送人员的风险值过大时，可以直接将该待配送订单分配给风险值较低的其他配送人员，以避免可能引发的治安问题，有效保障社会的良好秩序。

[0085] 图4a所示，本申请实施例提供了一种安全管理方法的流程示意图。如图4a所示，该安全管理方法可以包括如下步骤：

[0086] 步骤401，获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和目标配送人员完成配送的多个已知态度评价结果的历史订单的信息。

[0087] 其中，目标配送人员完成配送的多个已知态度评价结果可以包括：好评结果和差评结果两种。可能地，态度评价结果可以是商家给目标配送人员的评价以及用户给目标配送人员的评价。

[0088] 参见图4b示出的本申请实施例中治安安全管理方法的应用场景示意图。该应用场景可以包括：餐馆41、外卖42、骑手43、顾客44、餐厅对骑手的评价45、以及顾客对骑手的评价46。可以理解的是，餐馆41将打包好的外卖42递交给骑手43后通过外卖平台的APP对骑手的取餐服务进行评价，评价结果为差评45，然后骑手43按照订单信息派送到顾客44所在的位置，顾客44可以通过外卖平台的APP对骑手43的服务进行评价，评价结果为好评46。

[0089] 步骤402，基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和目标配送人员完成配送的多个已知态度评价结果的历史订单的信息，训练目标配送人员的风险预测模型。

[0090] 可以理解的是，当目标配送人员在过去时间预设时间段内获得的差评数量过多时，也可能增大目标配送人员配送待分配订单的风险值。例如，骑手A在过去一周内情绪波动较大因此获得了大量的差评，这样很可能导致在后续订单在配送过程中因为琐事而与店家或顾客发生争执、严重的情况可能对店家或顾客进行攻击。

[0091] 因此，本申请实施例需要在标配送人员完成配送的已知治安投诉结果的历史订单的信息的基础上，综合考虑多个已知态度评价结果的历史订单的信息，来对目标配送人员的风险预测模型进行更加有效地训练，以得到更为准确的目标配送人员配送待分配订单的风险值。

[0092] 步骤403，获取待分配订单的信息。

[0093] 具体地，步骤403与步骤201一致，此处不再赘述。

[0094] 步骤404，提取待分配订单的信息，利用目标配送人员的风险预测模型，得到目标配送人员配送待分配订单的风险值。

[0095] 具体地，步骤404与步骤202一致，此处不再赘述。

[0096] 步骤405，比较目标配送人员的风险预测模型输出的目标配送人员的风险值与风险阈值之间的大小。

[0097] 具体地，步骤405与步骤203一致，此处不再赘述。

[0098] 步骤4051，在目标配送人员配送待分配订单的风险值大于风险阈值的情况下，将待分配订单的信息发送给其他配送人员。

[0099] 具体地，步骤4051与步骤2031一致，此处不再赘述。

[0100] 步骤4052，在目标配送人员配送待分配订单的风险值小于或等于风险阈值的情况下，将待分配订单的信息发送给目标配送人员。

[0101] 具体地，步骤4052与步骤2032一致，此处不再赘述。

[0102] 例如，本申请实施例可以利用n(n>1)个已知治安投诉结果的历史订单的信息和m(m>1)个已知态度评价结果的历史订单的信息中的目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、历史订单对应的语音特征信息对目标配送人员、以及历史订单对应的商家的特征信息的风险预测模型进行训练以获取准确度较高的治安风险预测概率，从而利用训练完成的目标配送人员的风险预测模型得到目标配送人员配送待分配订单m时风险值。进一步地，若得到待分配订单m的风险值大于风险阈值，则可以将待分配订单m发送给其它配送人员；若得到待分配订单m的风险值小于或等于风险阈值，则可以将待分配订单m发送给目标配送人员。

[0103] 由此，本申请上述实施例可以通过综合考虑目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和多个已知态度评价结果的历史订单的信息来对目标配送人员的风险预测模型进行更加有效地训练，从而对目标配送人员的治安风险预测模型输出结果进行更为精准的训练，以得到准确率更高的风险值。

[0104] 图5a所示，在本申请实施例提供了一种建立风险预测模型的方法的流程示意图。如图5a所示，该安全管理方法可以包括如下步骤：

[0105] S501，获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息。

[0106] 其中，每个历史订单的信息均可以包括语历史订单对应的语音特征信息，其可以是目标配送人员与商家或用户的通话录音、以及目标配送人员与商家或用户在配送平台APP中的语音聊天记录等信息。

[0107] 可能地，本申请实施例可以从服务器的数据库中获取目标配送人员的预设时间段内的历史订单对应的语音特征信息，例如获取近半年内目标配送人员完成配送的订单对应的语音特征信息。

[0108] S502，基于目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对风险预测初始模型进行训练，得到风险预测模型。

[0109] 例如，可以利用n(n>1)个已知治安投诉结果的历史订单的信息中的语音特征信息对目标配送人员的风险预测模型进行训练，具体地，可以将风险预测模型生成的风险预测结果和已知治安投诉结果进行比对来对其进行训练。

[0110] 进一步地，本申请实施例可以基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对风险预测初始模型进行训练，得到各历史订单的风险值；基于各历史订单的风险值和各历史订单的治安投诉结果，确定风险预测初始模型的损失值；在损失值大于损失阈值的情况下，对风险预测初始模型的参数进行调整，更新风险预测初始模型；再次执行基于目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对风险预测初始模型进行训练，得到各历史订单的风险值的步骤，直至损失值小于或等于损失阈值，得到风险预测模型。

[0111] 可以理解的是，本申请实施例可以通过比较风险预测初始模型的损失值和损失阈值之间大小的方式，对风险预测初始模型进行训练。例如，假设风险预测模型输出的损失值为0.95，预先设定的损失阈值为0.3，由于风险预测初始模型输出的损失值0.95>损失阈值0.3，因此需要对风险预测初始模型的内部参数进行调整后，继续对该对风险预测初始模型进行训练直到该风险预测初始模型输出的损失值小于或等于0.3，得到训练完成的风险预测模型。

[0112] 进一步地，本申请实施例中每个历史订单的信息还可以包括：目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、以及历史订单对应的商家的特征信息。

[0113] 因此，本申请实施例可以基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、历史订单对应的商家的特征信息、以及语音特征信息，对风险预测初始模型进行训练，得到各历史订单的风险值。

[0114] 可能地，本申请实施例可以获取目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；基于目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、历史订单的特征信息、历史订单对应的用户的特征信息、历史订单对应的商家的特征信息、以及历史订单对应的语音特征信息，对风险预测初始模型进行训练，得到各历史订单的风险值。

[0115] 具体地，本申请实施例中目标配送人员完成配送的多个已知态度评价结果可以包括：好评结果和差评结果两种。该态度评价结果可以是商家给目标配送人员的评价以及用户给目标配送人员的评价结果。可以理解的是，若目标配送人员在过去时间的预设时间段内获得的差评数量过多，也可能增大目标配送人员配送待分配订单的风险值。

[0116] 具体地，本申请实施例可以根据历史订单信息中的目标配送人员的特征信息确定目标配送人员的特征向量矩阵以及目标配送人员的历史风险表征向量矩阵；根据历史订单对应的用户的特征信息确定用户的特征向量矩阵以及用户的历史风险表征向量矩阵；根据历史订单对应的商家的特征信息确定商家的特征向量矩阵以及商家的历史风险表征向量矩阵；根据历史订单的特征信息确定历史订单的特征向量矩阵；根据历史订单对应的语音特征信息确定目标配送人员的情绪状态表征向量矩阵；基于每个历史订单对应的目标配送人员的特征向量矩阵、用户的特征向量矩阵、商家的特征向量矩阵、历史订单的特征向量矩阵、目标配送人员的历史风险表征向量矩阵、商家的历史风险表征向量矩阵、用户的历史风险表征向量矩阵、目标配送人员的情绪状态表征向量矩阵、以及历史订单对应的评价结果及治安投诉结果，对风险预测初始模型进行训练，得到各历史订单的风险值。

[0117] 可能地，本申请实施例可以通过自然语言处理(Natural Language Processing，NLP)将历史订单信息中目标配送人员的特征信息包含的文本特征(例如，目标配送人员的配送时长、差评数量、治安投诉数量等等)转换为目标配送人员的特征向量矩阵。通过NLP将历史订单对应的用户的特征信息包含的文本特征(例如，顾客的饮食爱好、性格、通常的点餐时间等等)转换为用户的特征向量矩阵。通过NLP将历史订单对应的商家的特征信息包含的文本特征(例如，店家的营业年限、餐品类型、营业时间、出餐平均时间等等)转换为商家的特征向量矩阵。通过NLP将历史订单的特征信息包含的文本特征(例如，订单的产生时间、餐品金额、配送费、送达时间、收货地址等等)转换为历史订单的特征向量矩阵。具体地，本申请实施例可以采用词嵌入(Word Embedding)或者分布式向量(Distributional Vectors)的方式将特征信息包含的文本特征转换为风险预测模型可以识别的向量矩阵形式。

[0118] 其中，本申请实施例中上述根据历史订单信息中的目标配送人员的特征信息确定目标配送人员的特征向量矩阵以及目标配送人员的历史风险表征向量矩阵，可以包括：根据历史订单信息中的目标配送人员的特征信息确定历史订单对应的目标配送人员的特征向量矩阵；将历史订单信息中的目标配送人员的特征信息输入预设的第一深度残差网络得到历史订单对应的目标配送人员的历史风险表征向量矩阵。本申请实施例中上述根据历史订单对应的用户的特征信息确定用户的特征向量矩阵以及用户的历史风险表征向量矩阵，可以包括：根据历史订单对应的用户的特征信息确定历史订单对应的用户的特征向量矩阵；将历史订单对应的用户的特征信息输入预设的第二深度残差网络得到历史订单对应的用户的历史风险表征向量矩阵。本申请实施例中上述根据历史订单对应的商家的特征信息确定商家的特征向量矩阵以及商家的历史风险表征向量矩阵，可以包括：根据历史订单对应的商家的特征信息确定历史订单对应的商家的特征向量矩阵；将历史订单对应的商家的特征信息输入预设的第三深度残差网络得到历史订单对应的商家的历史风险表征向量矩阵。

[0119] 其中，第一深度残差网络可以包括N层结构；第N层结构的输入信息可以包括第N‑1层结构的输出信息和第一层结构的输入信息；N为大于2的整数；第一深度残差网络中的每层预先设定需要提取的用户的历史风险信息。第二深度残差网络可以包括M层结构；第M层结构的输入信息包括第M‑1层结构的输出信息和第一层结构的输入信息；M为大于2的整数；第二深度残差网络中的每层预先设定需要提取的用户的历史风险信息。第三深度残差网络可以包括P层结构；第P层结构的输入信息包括第P‑1层结构的输出信息和第一层结构的输入信息；P为大于2的整数；第三深度残差网络中的每层预先设定需要提取的商家的历史风险信息。其中，N、M、P对应的数量可以相同也可以不同。

[0120] 参见图5b所示的本申请实施例的风险预测模型内部结构示意图。如图5b中的第一深度残差网络、第二深度残差网络、以及第三深度残差网络可以包括两层残差结构Res&LN。其中，每层残差结构可以提取到预先设定的需要关注的一个或多个风险特征信息，例如，对于第一深度残差网络的第一层残差结构可以用于提取目标配送人员的性格信息，第二层残差结构可以用于提取目标配送人员的送餐平均时间和工作经验信息。具体地，第一层残差结构为包括两个矩形框的Res&LN，第二层残差结构为包括三个矩形框的Res&LN，可以理解的是，第一层残差结构的右侧灰度值较小的矩形框表示根据特征信息编码得到的输入值，第一层残差结构的左侧灰度值较大的矩形框表示第一层残差结构的输出值。第二层残差结构的右侧的两个小矩形框分别表示第一层残差结构的输入值和输出值，可以理解的是，本申请实施例将第一层残差结构的输入值和输出值一起输入第二层残差结构的目的是为了避免特征风险信息的损失，即利用残差结构，保障预先设定的特征风险信息不会因为在多层深度网络中逐层流失(例如，第一深度残差网络的第一层残差结构只关注目标配送人员的性格信息，从而丢失了目标配送人员的送餐平均时间和工作经验信息等其他可以进一步提取的信息)，使最后输出的历史风险特征向量不准确。因此，本申请实施例中的每一层残差结构的输入信息都是上一层结构的输出信息加上第一层残差结构的输入信息，即初始特征信息。

[0121] 具体地，本申请实施例中的历史订单对应的语音特征信息可以包括目标配送人员的声音信息和噪声信息。进一步地，本申请实施例中上述根据历史订单对应的语音特征信息确定目标配送人员的情绪状态表征向量矩阵，可以包括：将历史订单对应的语音信息对应的时域信号转换为历史订单对应的语音特征信息对应的频域信号；对历史订单对应的语音特征信息对应的频域信号进行倒谱分析以确定历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵；基于历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定目标配送人员的情绪状态表征向量矩阵。

[0122] 参见图5b，历史订单对应的语音特征信息可以包括：商家的声音信息、用户的声音信息、目标配送人员的声音信息、以及噪声等。具体地，本申请实施例可以对语音特征信息进行情绪分析和骑手风险状况识别，以确定风险电话中可能携带的辱骂、攻击、争吵、骚扰等危险情绪信息。

[0123] 具体地，本申请实施例可以通过预先设定的声道直接获取历史订单对应的语音特征信息中的目标配送人员的声音信息，但不可避免的是从预设声道直接获取的指定声音信息会携带噪声信息。

[0124] 可能地，在声音处理领域中，梅尔频率倒谱系数(Mel‑Frequency Cepstral Coefficient，MFCC)是基于人耳感知实验得到的，将人耳当成特定的滤波器，该滤波器保留人的声线特征对应的低频部分，滤除噪声导致的高频部分。因此，本申请实施例可以通过MFCC确定目标配送人员的声音信息。

[0125] 具体地，本申请实施例需要将该声音信息对应的时域信号首先转换为梅尔频域信号以进行进一步地分离，再通过对梅尔频域信号进行倒谱分析来提取目标配送人员的声音信息对应的包络数据。具体地，可以目标配送人员的声音信息对应的频域信息中的包络数据(即梅尔频域信号对应的频谱图中的幅值数据)进行过滤以确定历史订单对应的语音特征信息中的目标配送人员的声音信息。可能地，本申请实施例包络数据可以是13维特征、157个时序的序列化数据，即13x157的向量矩阵。

[0126] 可能地，本申请实施例可以将上述包络数据嵌入一个语音情绪子网络，利用该语音情绪子网络可以识别目标骑手的语音特征信息中情绪波动较大的信息。

[0127] 具体地，本申请实施例中上述基于历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定目标配送人员的情绪状态表征向量矩阵，可以包括：对历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行正向时序划分，得到第一时序语音向量矩阵；对历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行逆向时序划分，得到第二时序语音向量矩阵；对第一时序语音向量矩阵和第二时序语音向量矩阵进行加权处理，得到语音频率强相关向量矩阵；基于语音频率强相关向量矩阵和向量阈值确定为目标配送人员的情绪状态表征向量矩阵。

[0128] 参见图5b所示，该语音情绪自网络可以包括双向门控循环单元(Gated Recurrent Unit，GRU)时序神经网络、多头注意力机制、以及池化层。具体地，双向GRU时序神经网络是将包络数据中的157个时序的序列化数据按照正向时序切分一次后得到第一时序语音向量矩阵，逆向时序切分一次后第二时序语音向量矩阵，然后对第一时序语音向量矩阵和第二时序语音向量矩阵进行加权处理(即多头注意力机制)，得到一个新的13维特征、157个时序的序列化数据，即语音频率强相关向量矩阵，可以理解的是，双向切分后进行加权处理的目的是为了放大时序中情绪波动较大的位置，从而确定这些位置对应的语音特征信息，例如，可以通过设定向量阈值的方式，提取新的13维特征、157个时序的序列化数据中超过向量阈值的向量，再进一步确定这些时序数据对应的包络数据，即可以将这些包络数据确定为目标配送人员的情绪状态表征向量矩阵。

[0129] 可能地，本申请实施例可以通过将目标配送人员的历史风险表征向量矩阵和目标配送人员的情绪状态表征向量矩阵相融合的方式来提高目标配送人员的历史风险表征向量矩阵和目标配送人员的情绪状态表征向量矩阵的准确度，进而提高目标配送人员的风险预测模型的准确度。

[0130] 具体地，本申请实施例可以对目标配送人员的历史风险表征向量矩阵与目标配送人员的情绪状态表征向量矩阵做内积处理，得到目标配送人员的历史风险表征向量矩阵对应的权重；基于目标配送人员的历史风险表征向量矩阵对应的权重确定目标配送人员的历史风险融合向量；对目标配送人员的情绪状态表征向量矩阵与目标配送人员的历史风险表征向量矩阵做内积处理，得到目标配送人员的情绪状态表征向量矩阵对应的权重；基于目标配送人员的情绪状态表征向量矩阵对应的权重确定目标配送人员的情绪状态融合向量；基于目标配送人员的特征向量矩阵、用户的特征向量矩阵、商家的特征向量矩阵、历史订单的特征向量矩阵、目标配送人员的历史风险融合向量、商家的历史风险表征向量矩阵、用户的历史风险表征向量矩阵、目标配送人员的情绪状态融合向量、以及历史订单对应的评价结果及治安投诉结果，对风险预测初始模型进行训练，得到各历史订单的风险值。

[0131] 可能地，本申请实施例可以采用特征互注意力机制使目标配送人员的历史风险表征向量矩阵和目标配送人员的情绪状态表征向量相互融合，即对目标配送人员的历史风险表征向量矩阵与目标配送人员的情绪状态表征向量矩阵做内积处理。

[0132] 需要说明的是，在目标配送人员的历史风险表征向量矩阵与目标配送人员的情绪状态表征向量矩阵的维度不同的情况下，需要通过池化作用将历史风险表征向量矩阵与目标配送人员的情绪状态表征向量矩阵的维度转化为相同的以做内积处理，例如，图5c中的多头注意力机制输出的目标配送人员的情绪状态表征向量矩阵为13×157的向量矩阵，若目标配送人员的历史风险表征向量矩阵为一个13维的表征向量，则目标配送人员的情绪状态表征向量矩阵需要进入池化层进行池化处理。具体地，可以将该13×157的向量矩阵中不同维度可以选择最大池化(max pooling)、最小池化(min pooling)、以及平均池化(mean pooling)三种不同的处理方式，具体选用的方式需要考虑目标维度信息表示的含义，例如，目标配送人员的情绪状态表征向量矩阵中第二维表示开心的声音，则该维度需要用最小池化(min pooling)进行处理。

[0133] 可能地，将目标配送人员的历史风险表征向量矩阵A与目标配送人员的情绪状态表征向量矩阵B做内积处理A·B，得到目标配送人员的历史风险表征向量矩阵对应的权重a，进一步地，可以将目标配送人员的历史风险表征向量矩阵对应的权重a乘以目标配送人员的历史风险表征向量矩阵A得到目标配送人员的历史风险融合向量a×A。将目标配送人员的情绪状态表征向量矩阵B与目标配送人员的历史风险表征向量矩阵A做内积处理B·A，得到目标配送人员的情绪状态表征向量矩阵对应的权重b，进一步地，可以将目标配送人员的情绪状态表征向量矩阵对应的权重b乘以目标配送人员的情绪状态表征向量矩阵B得到目标配送人员的情绪状态表征向量矩阵b×B。

[0134] 可以理解的是，本申请实施例用目标配送人员的历史风险表征向量矩阵对应的权重a乘以目标配送人员的历史风险表征向量矩阵A得到目标配送人员的历史风险融合向量a×A的目的是弱化历史风险表征向量矩阵中的客观向量(例如，目标配送骑手的饮食爱好、用左手还是右手给用户递餐品等特征)，强化历史风险表征向量矩阵中的主观向量(例如，是否送餐上门、习惯威胁平台、上门骚扰客户等特征)。将目标配送人员的情绪状态表征向量矩阵对应的权重b乘以目标配送人员的情绪状态表征向量矩阵B得到目标配送人员的情绪状态表征向量矩阵b×B的目的是，强化目标配送人员的情绪状态表征向量矩阵中的攻击性情绪特征(例如，争吵、辱骂、攻击性语言等特征)，弱化目标配送人员的情绪状态表征向量矩阵中的非攻击性情绪特征(例如，大笑、失望、伤心、哭泣等特征)。

[0135] 具体地，本申请实施例可以通过基于目标配送人员的多个历史订单中各历史订单的对应的目标配送人员的特征向量矩阵、用户的特征向量矩阵、商家的特征向量矩阵、历史订单的特征向量矩阵、目标配送人员的历史风险融合向量、商家的历史风险表征向量矩阵、用户的历史风险表征向量矩阵、目标配送人员的情绪状态融合向量，对风险预测初始模型进行训练，得到各历史订单的风险值。

[0136] 进一步地，本申请实施例可以基于各历史订单的风险值、各历史订单的治安投诉结果、目标配送人员的特征向量矩阵、目标配送人员的历史风险表征向量矩阵、用户的特征向量矩阵、以及用户的历史风险表征向量矩阵，确定风险预测初始模型的损失值。

[0137] 可以理解的是，在本申请实施例中每个配送人员的风险预测模型在初始阶段由于没有历史订单信息因此风险预测初始模型是相同的。例如，小李和小张均为在外卖平台A上新注册的骑手，因此骑手小李的风险预测初始模型和骑手小张的风险预测初始模型是相同的。可能地，在骑手小李和骑手小张分别完成100个配送订单后，由于骑手小李的风险预测初始模型和骑手小张的风险预测初始模型会根据其各自完成的100个配送订单、以及100个配送订单对应的商家和顾客等特征信息进行训练，这样就会导致骑手小李的风险预测初始模型和骑手小张的风险预测初始模型的内部各神经网络(例如，深度残差网络、双向GRU时序神经网络等)的参数发生变化，因此，经过训练后得到的骑手小李的风险预测模型和骑手小张的风险预测模型可能不相同。

[0138] 具体地，本申请实施例可以基于各历史订单的风险值和各历史订单的治安投诉结果，确定风险预测初始模型的分类损失值；基于目标配送人员的特征向量矩阵、目标配送人员的历史风险表征向量矩阵、用户的特征向量矩阵、以及用户的历史风险表征向量矩阵确定风险预测初始模型的特征信息损失值；基于风险预测初始模型的分类损失值和风险预测初始模型的特征信息损失值确定风险预测初始模型的损失值。

[0139] 具体地，本申请实施例可以通过确定每个历史订单的风险值与治安投诉结果之间的距离；对多个历史订单的风险值与对应的治安投诉结果之间的距离进行加权处理，得到风险预测初始模型的分类损失值。通过基于多个历史订单中任一订单对应的目标配送人员的特征向量矩阵和目标配送人员的历史风险表征向量矩阵确定目标配送人员的损失值；基于多个历史订单中每个订单对应的用户的特征向量矩阵和用户的历史风险表征向量矩阵确定用户的损失值；基于目标配送人员的损失值和用户的损失值确定风险预测初始模型的特征信息损失值。

[0140] 可能地，本申请实施例可以通过下述公式计算风险预测初始模型的损失值L1＝flooding(∑[CE(y’,y)]+KLDivu,r(encoder||decoder),b)

[0141] 其中，∑[CE(y’,y)]+KLDivu,r(encoder,decoder)表示损失函数，flooding表示损失函数的优化函数。b表示风险预测初始模型训练部分历史订单后的损失均值，例如，全部历史订单的数量为10000个，b表示风险预测初始模型训练2000个历史订单后，对2000个历史订单对应的损失值相加后除以2000得到的损失均值。∑[CE(y’,y)]表示历史订单的分类损失值，其中，y’表示风险值，y表示已知的治安风险结果，CE表示交叉熵，即两个概率之间的距离。KLDivu,r(encoder,decoder)表示用户的基于信息散度(Kullback‑Leibler divergence，KL散度)的特征重建损失项和目标配送人员的KL散度的特征重建损失项，u表示用户，r表示目标配送人员，encoder表示用户的特征向量矩阵和目标配送人员的特征向量矩阵，decoder表示用户的历史风险表征向量矩阵和目标配送人员的历史风险表征向量矩阵，计算KL散度的目的是确定特征向量矩阵与历史风险表征向量矩阵之间的差异。

[0142] 具体地，损失函数的优化函数flooding的计算方式是L1＝|L‑b|+b。其中，L表示损失函数∑[CE(y’,y)]+KLDivu,r(encoder,decoder)。可以理解的是，损失函数的优化函数flooding的作用是要避免风险预测初始模型的训练过程陷入局部最优解的风险。具体地，在风险预测初始模型的训练过程中某些特殊类型的历史订单可能使风险预测初始模型的损失下降的非常快(例如，某个历史订单可能对应存在商家的出餐较慢、顾客经常给骑手差评、骑手近期的历史订单中通话语音经常出现出口等情况导致风险预测初始模型可能不需要调节风险预测初始模型的内部参数即可预测到准确的治安风险结果)。因此，可能导致风险预测初始模型为了实现较低的损失值而朝着上述历史订单产生的损失梯度进行梯度下降(即朝着小部分特殊类型的历史订单对应的风险预测初始模型的内部参数发展)，但实际这些特殊类型的历史订单的信息与全部历史订单的信息中的大部分情况存在明显差异，可能导致这些少数特殊类型的历史订单产生的梯度下降使风险预测初始模型不能通过继续训练剩余的大部分历史订单以使全部历史订单达到最小损失值。因此，当某个特殊类型的历史订单输出的损失值小于损失均值b时，需要进行优化，在历史订单输出的损失值与损失均值b之间差的绝对值基础上添加损失均值b，以风险预测初始模型的训练过程陷入局部最优解的风险。可以理解的是，本申请实施例在确定风险预测初始模型的损失值时，考虑到如果仅以已知是否产生治安问题的历史订单为训练集可能面临训练集中历史订单数据过少的问题，从而造成训练得到的风险预测模型同样存在过拟合的问题，因此，本申请实施例加入了特征信息损失值，即本申请实施例也考虑了已知是否生成差评的历史订单信息的特征比对结果，因为在短时间内如果目标配送人员的历史订单中存在过多的差评，也可能导致治安风险问题。

[0143] 例如，获取骑手小李的在近一个月内的全部100个历史订单，可以利用CE(y’,y)计算每个历史订单的风险预测初始模型输出的风险值和实际治安结果之间的距离，例如，将第5个历史订单输入风险预测初始模型输出风险值为0.9，其实际治安结果为存在治安问题(即发生蓄意报复或其授予用户相互攻击等报警事件)，则风险值和实际治安结果之间的距离为0.1，通过∑[CE(y’,y)]确定全部100个历史订单的风险值和实际治安结果之间的距离的和，即历史订单的分类损失值。并且本申请实施例还需要计算全部100个历史订单对应的用户(由于存在重复的用户，因此，用户数量可能小于100)的KL散度的特征重建损失项，即每个用户的特征向量矩阵与历史风险表征向量矩阵之间的差异值，以及骑手小李的特征重建损失项，即骑手小李的历史风险表征向量矩阵和历史风险表征向量矩阵之间的差异值，进一步地，需要将每个用户的特征向量矩阵与历史风险表征向量矩阵之间的差异值与骑手小李的历史风险表征向量矩阵和历史风险表征向量矩阵之间的差异值进行求和以得到KLDivu,r(encoder,decoder)。

[0144] 可以理解的是，如果∑[CE(y’,y)]+KLDivu,r(encoder,decoder)的结果大于损失阈值0.3，则需要对风险预测初始模型内部的神经网络参数进行调整，直到∑[CE(y’,y)]+KLDivu,r(encoder,decoder)的结果小于或等于损失阈值0.3。如果∑[CE(y’,y)]+KLDivu,r(encoder,decoder)的结果过小，例如0.002，其小于损失均值b＝0.005，因此需要利用损失函数的优化函数floooding对损失函数进行调整，L1＝|0.002‑0.005|+0.005＝0.008，这样就可以避免风险预测初始模型的训练过程陷入局部最优解的风险。

[0145] 在一个具体的例子中，获取骑手小张(目标配送人员)刚完成的顾客A的订单的信息以及该订单对应的治安风险结果(无治安问题)，其中，该订单的信息包括：该订单对应的顾客A的特征信息、该订单对应的餐厅(商家)的特征信息、骑手小张的特征信息、骑手小张与顾客A之间通话的语音特征信息、骑手小张与餐厅之间通话的语音特征信息、以及该订单的特征信息。将上述顾客A的订单的信息输入骑手小张的风险预测模型，具体地，参见图5c，需要基于该订单的特征信息生成订单特征向量矩阵、基于顾客A的特征信息生成顾客A的特征向量矩阵，并利用第二深度残差网络获取顾客A的历史风险特征向量矩阵；基于骑手小张的特征信息生成骑手小张的特征向量矩阵，并利用第一深度残差网络获取骑手小张的历史风险特征向量矩阵，基于餐厅的特征信息生成餐厅的特征向量矩阵，并利用第三深度残差网络获取餐厅的历史风险特征向量矩阵。并且还需要对骑手小张与顾客A之间通话的语音特征信息和骑手小张与餐厅之间通话的语音特征信息进行处理得到骑手小张的情绪状态表征向量矩阵。

[0146] 进一步地，可以通过自注意力机制，对骑手小张的历史风险表征向量矩阵和情绪状态表征向量矩阵进行融合，分别得到骑手小张的历史风险融合向量矩阵和情绪状态融合向量，进一步地，可以通过丢弃层(drop out)接受情绪状态融合向量。进一步地，可以利用串联网络(Concatenation Connect)对上述顾客A的特征向量矩阵、顾客A的历史风险特征向量矩阵、骑手小张的特征向量矩阵、骑手小张的历史风险融合向量矩阵、骑手小张的情绪状态融合向量矩阵、餐厅的特征向量矩阵、餐厅的历史风险特征向量矩阵、以及该订单的特征向量矩阵进行拼接，得到一个拼接向量矩阵，并通过激活函数(例如Elu activation激活函数，简称ELU)引用非线性因素以使输入全连接网络(Feed Forward)的输入信息为一个基于顾客A的订单的信息生成的非线性函数。

[0147] 具体地，全连接网络的作用是接收该非线性函数输出顾客A的订单可能产生的风险值。全连接网络可能是一个前馈神经网络(Feedforward Neural Network，FNN)，其可以采用了一种单向多层结构。其中每一层包含若干个神经元。在该神经网络中各神经元可以接收前一层神经元的信号，并产生输出到下一层。第0层为输入层，最后一层为输出层，输入层与输出层之间可以包括多个隐含层。

[0148] 进一步地，若全连接网络输出的骑手小张配送顾客A的订单的风险值0.5小于风险概率阈值0.7，则可以认为顾客A的订单不存在治安问题，将该预测结果与顾客A的订单的真实结果进行比对，可以确定骑手小张的风险预测模型的内部参数不需要调整，即可以利用骑手小张当前的风险预测模型预测骑手小张的待分配订单的风险值。

[0149] 由此，本申请实施例可以通过深度残差网络、自注意力机制、以及多头注意力机制等技术手段将多个历史订单的信息包括的商家的特征信息等8个特征信息进行融合和拼接后输入激活函数和全连接网络以输出风险值，这样就可以实现统筹分析服务场景中目标配送人员、用户、商户的风险行为特性、实时语音情绪，并对可能存在的治安风险进行评估，最终通过干预调度的方式对存在风险的目标配送人员、用户、以及商户进行事务隔离，以保障各方权益和安全。

[0150] 此外，参见图5c，本申请实施例还可以对激活函数的参数和全连接网络的参数进行调整，例如，增强激活函数中态度评价对应的参数的权重和全连接网络中态度评价对应的参数的权重，从而输出目标配送人员配送待分配订单的差评概率。

[0151] 上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0152] 图6是本申请提供的安全管理装置的结构示意图。所述装置用于服务器，并执行本说明书上述任一实施例安全管理方法。如图6所示，该安全管理装置可以包括：

[0153] 获取模块61，用于获取待分配订单的信息；

[0154] 得到模块62，用于提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；每个所述历史订单的信息包括语音特征信息；

[0155] 配送模块63，用于在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。

[0156] 本申请上述实施例可以通过预先建立的风险预测模型对目标配送人员配送待分配订单进行风险预测以确定对目标配送人员配送该待分配订单可能产生的风险值。由于本申请可以根据目标配送人员配送过的多个历史订单的信息中的语音特征信息来训练风险预测模型，因此就相应减小了相关技术中通过文字信息可能无法准确识别目标配送人员、用户、商家的情绪所导致的预测风险值不准确等问题。此外，当目标配送人员的风险值过大时，可以直接将该待配送订单分配给风险值较低的其他配送人员，以避免可能引发的治安问题，有效保障社会的良好秩序。

[0157] 在一些实施方式中，所述得到模块62之前，所述装置还包括：

[0158] 第一获取模块，用于获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

[0159] 第一训练模块，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练所述目标配送人员的风险预测模型。

[0160] 在一些实施方式中，所述得到模块62之前，所述装置还包括：

[0161] 第二获取模块，用于获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

[0162] 第二训练模块，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息，训练所述目标配送人员的风险预测模型。

[0163] 图7是本申请提供的建立风险预测模型的装置的结构示意图。所述装置用于服务器，并执行本说明书上述任一实施例建立风险预测模型的方法。如图7所示，该建立风险预测模型的装置可以包括：

[0164] 获取模块71，用于获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括语音特征信息；

[0165] 得到模块72，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

[0166] 在一些实施方式中，所述得到模块72，包括：

[0167] 第一得到子模块，用于基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值；

[0168] 第一确定子模块，用于基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的损失值；

[0169] 更新子模块，用于在所述损失值大于损失阈值的情况下，对所述风险预测初始模型的参数进行调整，更新所述风险预测初始模型；

[0170] 第二得到模块，用于再次执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值的步骤，直至所述损失值小于或等于所述损失阈值，得到所述风险预测模型。

[0171] 在一些实施方式中，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

[0172] 所述第一得到子模块，具体用于：

[0173] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0174] 在一些实施方式中，所述第一得到子模块之前，所述装置还包括：

[0175] 第一获取子模块，用于获取所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

[0176] 所述第一得到子模块，具体用于：

[0177] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0178] 在一些实施方式中，所述第一得到子模块，包括：

[0179] 第一确定单元，用于根据所述历史订单信息中的所述目标配送人员的特征信息确定所述目标配送人员的特征向量矩阵以及所述目标配送人员的历史风险表征向量矩阵；

[0180] 第二确定单元，用于根据所述历史订单对应的用户的特征信息确定所述用户的特征向量矩阵以及所述用户的历史风险表征向量矩阵；

[0181] 第三确定单元，用于根据所述历史订单对应的商家的特征信息确定所述商家的特征向量矩阵以及所述商家的历史风险表征向量矩阵；

[0182] 第四确定单元，用于根据所述历史订单的特征信息确定所述历史订单的特征向量矩阵；

[0183] 第五确定单元，用于根据所述历史订单对应的语音特征信息确定所述目标配送人员的情绪状态表征向量矩阵；

[0184] 第一得到单元，用于基于每个历史订单对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态表征向量矩阵、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0185] 在一些实施方式中，所述第一确定单元，包括：

[0186] 第一确定子单元，用于根据所述历史订单信息中的所述目标配送人员的特征信息确定所述历史订单对应的目标配送人员的特征向量矩阵；

[0187] 第一得到子单元，用于将所述历史订单信息中的所述目标配送人员的特征信息输入预设的第一深度残差网络得到所述历史订单对应的目标配送人员的历史风险表征向量矩阵；

[0188] 所述第二确定单元，包括：

[0189] 第二确定子单元，用于根据所述历史订单对应的用户的特征信息确定所述历史订单对应的用户的特征向量矩阵；

[0190] 第二得到子单元，用于将所述历史订单对应的用户的特征信息输入预设的第二深度残差网络得到所述历史订单对应的用户的历史风险表征向量矩阵；

[0191] 所述第三确定单元，包括：

[0192] 第三确定子单元，用于根据所述历史订单对应的商家的特征信息确定所述历史订单对应的商家的特征向量矩阵；

[0193] 第三得到子单元，用于将所述历史订单对应的商家的特征信息输入预设的第三深度残差网络得到所述历史订单对应的商家的历史风险表征向量矩阵。

[0194] 在一些实施方式中，所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；

[0195] 所述第五确定单元，包括：

[0196] 转换子单元，用于将所述历史订单对应的语音特征信息对应的时域信号转换为所述历史订单对应的语音特征信息对应的频域信号；

[0197] 倒谱分析子单元，用于对所述历史订单对应的语音特征信息对应的频域信号进行倒谱分析以确定所述历史订单对应的语音特征信息中所述目标配送人员的声音信息对应的向量矩阵；

[0198] 第四确定子单元，用于基于所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定所述目标配送人员的情绪状态表征向量矩阵。

[0199] 在一些实施方式中，所述第四确定子单元，具体用于：

[0200] 对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行正向时序划分，得到第一时序语音向量矩阵；对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行逆向时序划分，得到第二时序语音向量矩阵；对所述第一时序语音向量矩阵和所述第二时序语音向量矩阵进行加权处理，得到语音频率强相关向量矩阵；基于所述语音频率强相关向量矩阵和向量阈值确定所述目标配送人员的情绪状态表征向量矩阵。

[0201] 在一些实施方式中，所述第一得到单元，包括：

[0202] 第五得到子单元，用于对所述目标配送人员的历史风险表征向量矩阵与所述目标配送人员的情绪状态表征向量矩阵做内积处理，得到所述目标配送人员的历史风险表征向量矩阵对应的权重；

[0203] 第五确定子单元，用于基于所述目标配送人员的历史风险表征向量矩阵对应的权重确定所述目标配送人员的历史风险融合向量；

[0204] 第六得到子单元，用于对所述目标配送人员的情绪状态表征向量矩阵与所述目标配送人员的历史风险表征向量矩阵做内积处理，得到所述目标配送人员的情绪状态表征向量矩阵对应的权重；

[0205] 第六确定子单元，用于基于所述目标配送人员的情绪状态表征向量矩阵对应的权重确定所述目标配送人员的情绪状态融合向量；

[0206] 第七得到子单元，用于基于所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0207] 在一些实施方式中，所述第七得到子单元，具体用于：

[0208] 基于所述目标配送人员的多个所述历史订单中各历史订单的对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值；

[0209] 所述第一确定子模块，具体用于：

[0210] 基于所述各历史订单的风险值、所述各历史订单的治安投诉结果、所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵，确定所述风险预测初始模型的损失值。

[0211] 在一些实施方式中，所述第一确定子模块，具体用于：

[0212] 基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的分类损失值；基于所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵确定所述风险预测初始模型的特征信息损失值；基于所述风险预测初始模型的分类损失值和所述风险预测初始模型的特征信息损失值确定所述风险预测初始模型的损失值。

[0213] 在一些实施方式中，所述第一确定子模块，具体用于：

[0214] 确定每个历史订单的风险值与治安投诉结果之间的距离；对多个所述历史订单的风险值与对应的治安投诉结果之间的距离进行加权处理，得到所述风险预测初始模型的分类损失值。

[0215] 在一些实施方式中，所述第一确定子模块，具体用于：基于多个所述历史订单中任一订单对应的所述目标配送人员的特征向量矩阵和所述目标配送人员的历史风险表征向量矩阵确定所述目标配送人员的损失值；基于多个所述历史订单中每个订单对应的所述用户的特征向量矩阵和所述用户的历史风险表征向量矩阵确定所述用户的损失值；基于所述目标配送人员的损失值和所述用户的损失值确定所述风险预测初始模型的特征信息损失值。

[0216] 需要说明的是，上述实施例提供的建立风险预测模型的装置在执行建立风险预测模型的方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的建立风险预测模型的装置与建立风险预测模型的方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

[0217] 上述本申请序号仅仅为了描述，不代表实施例的优劣。

[0218] 请参见图8，为本申请提供了一种电子设备的结构示意图。如图8所示，所述电子设备80可以包括：至少一个处理器81，至少一个网络接口84，用户接口83，存储器85，至少一个通信总线82。

[0219] 其中，通信总线82用于实现这些组件之间的连接通信。

[0220] 其中，用户接口83可以包括显示屏(Display)、摄像头(Camera)，可选用户接口83还可以包括标准的有线接口、无线接口。

[0221] 其中，网络接口84可选的可以包括标准的有线接口、无线接口(如WI‑FI接口)。

[0222] 其中，处理器81可以包括一个或者多个处理核心。处理器81利用各种借口和线路连接整个电子设备80内的各个部分，通过运行或执行存储在存储器85内的指令、程序、代码集或指令集，以及调用存储在存储器85内的数据，执行电子设备80的各种功能和处理数据。可选的，处理器81可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field‑Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器81可集成中心处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器81中，单独通过一块芯片进行实现。

[0223] 其中，存储器85可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read‑Only Memory)。可选的，该存储器85包括非瞬时性计算机可读介质(non‑transitory computer‑readable storage medium)。存储器85可用于存储指令、程序、代码、代码集或指令集。存储器85可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器85可选的还可以是至少一个位于远离前述处理器81的存储装置。如图8所示，作为一种计算机存储介质的存储器85中可以包括操作系统、网络通信模块、用户接口模块以及安全管理应用程序。

[0224] 在图8所示的电子设备80中，用户接口83主要用于为用户提供输入的接口，获取用户输入的数据；而处理器81可以用于调用存储器85中存储的安全管理应用程序，并具体执行以下操作：

[0225] 获取待分配订单的信息；

[0226] 提取所述待分配订单的信息，利用目标配送人员的风险预测模型，得到所述目标配送人员配送所述待分配订单的风险值；其中，所述目标配送人员的风险预测模型基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练得到；每个所述历史订单的信息包括所述历史订单对应的语音特征信息；

[0227] 在所述目标配送人员配送所述待分配订单的风险值大于风险阈值的情况下，将所述待分配订单的信息发送给其他配送人员；其中，所述其他配送人员配送所述待分配订单的风险值小于或等于所述风险阈值。在一些实施方式中，所述处理器81在执行提取所述待分配订单的信息，利用所述目标配送人员的风险预测模型得到所述目标配送人员配送所述待分配订单的风险值之前，还执行：

[0228] 获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

[0229] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息训练所述目标配送人员的风险预测模型。

[0230] 在一些实施方式中，所述处理器81在执行所述提取所述待分配订单的信息，利用所述目标配送人员的风险预测模型得到所述目标配送人员配送所述待分配订单的风险值之前，还执行：

[0231] 获取所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

[0232] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息，训练所述目标配送人员的风险预测模型。

[0233] 请参见图9，为本申请提供了一种电子设备的结构示意图。如图9所示，所述电子设备90可以包括：至少一个处理器91，至少一个网络接口94，用户接口93，存储器95，至少一个通信总线92。

[0234] 其中，通信总线92用于实现这些组件之间的连接通信。

[0235] 其中，用户接口93可以包括显示屏(Display)、摄像头(Camera)，可选用户接口93还可以包括标准的有线接口、无线接口。

[0236] 其中，网络接口94可选的可以包括标准的有线接口、无线接口(如WI‑FI接口)。

[0237] 其中，处理器91可以包括一个或者多个处理核心。处理器91利用各种借口和线路连接整个电子设备90内的各个部分，通过运行或执行存储在存储器95内的指令、程序、代码集或指令集，以及调用存储在存储器95内的数据，执行电子设备90的各种功能和处理数据。可选的，处理器91可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field‑Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器91可集成中心处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。

[0238] 其中，存储器95可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read‑Only Memory)。可选的，该存储器95包括非瞬时性计算机可读介质(non‑transitory computer‑readable storage medium)。存储器95可用于存储指令、程序、代码、代码集或指令集。存储器95可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器95可选的还可以是至少一个位于远离前述处理器91的存储装置。如图9所示，作为一种计算机存储介质的存储器95中可以包括操作系统、网络通信模块、用户接口模块以及建立风险预测应用程序。

[0239] 在图9所示的电子设备90中，用户接口93主要用于为用户提供输入的接口，获取用户输入的数据；而处理器91可以用于调用存储器95中存储的建立风险预测模型应用程序，并具体执行以下操作：

[0240] 获取预设的风险预测初始模型，并获取目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息；其中，每个所述历史订单的信息均包括历史订单对应的语音特征信息；

[0241] 基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型。

[0242] 在一些实施方式中，所述处理器91在执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到风险预测模型时，具体执行：

[0243] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值；

[0244] 基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的损失值；

[0245] 在所述损失值大于损失阈值的情况下，对所述风险预测初始模型的参数进行调整，更新所述风险预测初始模型；

[0246] 再次执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的多个历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值的步骤，直至所述损失值小于或等于所述损失阈值，得到所述风险预测模型。

[0247] 在一些实施方式中，每个所述历史订单的信息还包括：所述目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、以及所述历史订单对应的商家的特征信息；

[0248] 所述处理器91在执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中的语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值时，具体执行：

[0249] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0250] 在一些实施方式中，所述处理器91在执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值之前，还执行：

[0251] 获取所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息；

[0252] 所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值，包括：

[0253] 基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0254] 在一些实施方式中，所述处理器91在执行所述基于所述目标配送人员完成配送的多个已知治安投诉结果的历史订单的信息和所述目标配送人员完成配送的多个已知态度评价结果的历史订单的信息中目标配送人员的特征信息、所述历史订单的特征信息、所述历史订单对应的用户的特征信息、所述历史订单对应的商家的特征信息、以及语音特征信息，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值时，具体执行：

[0255] 根据所述历史订单信息中的所述目标配送人员的特征信息确定所述目标配送人员的特征向量矩阵以及所述目标配送人员的历史风险表征向量矩阵；

[0256] 根据所述历史订单对应的用户的特征信息确定所述用户的特征向量矩阵以及所述用户的历史风险表征向量矩阵；

[0257] 根据所述历史订单对应的商家的特征信息确定所述商家的特征向量矩阵以及所述商家的历史风险表征向量矩阵；

[0258] 根据所述历史订单的特征信息确定所述历史订单的特征向量矩阵；

[0259] 根据所述历史订单对应的语音特征信息确定所述目标配送人员的情绪状态表征向量矩阵；

[0260] 基于每个历史订单对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态表征向量矩阵、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0261] 在一些实施方式中，所述处理器91在执行所述根据所述历史订单信息中的所述目标配送人员的特征信息确定所述目标配送人员的特征向量矩阵以及所述目标配送人员的历史风险表征向量矩阵时，具体执行：

[0262] 根据所述历史订单信息中的所述目标配送人员的特征信息确定所述历史订单对应的目标配送人员的特征向量矩阵；

[0263] 将所述历史订单信息中的所述目标配送人员的特征信息输入预设的第一深度残差网络得到所述历史订单对应的目标配送人员的历史风险表征向量矩阵；

[0264] 所述处理器91在执行所述根据所述历史订单对应的用户的特征信息确定所述用户的特征向量矩阵以及所述用户的历史风险表征向量矩阵，包括：

[0265] 根据所述历史订单对应的用户的特征信息确定所述历史订单对应的用户的特征向量矩阵；

[0266] 将所述历史订单对应的用户的特征信息输入预设的第二深度残差网络得到所述历史订单对应的用户的历史风险表征向量矩阵；

[0267] 所述处理器91在执行所述根据所述历史订单对应的商家的特征信息确定所述商家的特征向量矩阵以及所述商家的历史风险表征向量矩阵，包括：

[0268] 根据所述历史订单对应的商家的特征信息确定所述历史订单对应的商家的特征向量矩阵；

[0269] 将所述历史订单对应的商家的特征信息输入预设的第三深度残差网络得到所述历史订单对应的商家的历史风险表征向量矩阵。

[0270] 在一些实施方式中，所述历史订单对应的语音特征信息包括：所述目标配送人员的声音信息和噪声信息；

[0271] 所述处理器91在执行所述根据所述历史订单对应的语音特征信息确定所述目标配送人员的情绪状态表征向量矩阵时，具体执行：

[0272] 将所述历史订单对应的语音特征信息对应的时域信号转换为所述历史订单对应的语音特征信息对应的频域信号；

[0273] 对所述历史订单对应的语音特征信息对应的频域信号进行倒谱分析以确定所述历史订单对应的语音特征信息中所述目标配送人员的声音信息对应的向量矩阵；

[0274] 基于所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定所述目标配送人员的情绪状态表征向量矩阵。

[0275] 在一些实施方式中，所述处理器91在执行所述基于所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵确定所述目标配送人员的情绪状态表征向量矩阵时，具体执行：

[0276] 对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行正向时序划分，得到第一时序语音向量矩阵；

[0277] 对所述历史订单对应的语音特征信息中目标配送人员的声音信息对应的向量矩阵进行逆向时序划分，得到第二时序语音向量矩阵；

[0278] 对所述第一时序语音向量矩阵和所述第二时序语音向量矩阵进行加权处理，得到语音频率强相关向量矩阵；

[0279] 基于所述语音频率强相关向量矩阵和向量阈值确定所述目标配送人员的情绪状态表征向量矩阵。

[0280] 在一些实施方式中，所述处理器91在执行所述基于每个历史订单对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态表征向量矩阵、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值时，具体执行：

[0281] 对所述目标配送人员的历史风险表征向量矩阵与所述目标配送人员的情绪状态表征向量矩阵做内积处理，得到所述目标配送人员的历史风险表征向量矩阵对应的权重；

[0282] 基于所述目标配送人员的历史风险表征向量矩阵对应的权重确定所述目标配送人员的历史风险融合向量；

[0283] 对所述目标配送人员的情绪状态表征向量矩阵与所述目标配送人员的历史风险表征向量矩阵做内积处理，得到所述目标配送人员的情绪状态表征向量矩阵对应的权重；

[0284] 基于所述目标配送人员的情绪状态表征向量矩阵对应的权重确定所述目标配送人员的情绪状态融合向量；

[0285] 基于所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值。

[0286] 在一些实施方式中，所述处理器91在执行所述基于所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量、以及所述历史订单对应的评价结果及治安投诉结果，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值时，具体执行：

[0287] 基于所述目标配送人员的多个所述历史订单中各历史订单的对应的所述目标配送人员的特征向量矩阵、所述用户的特征向量矩阵、所述商家的特征向量矩阵、所述历史订单的特征向量矩阵、所述目标配送人员的历史风险融合向量、所述商家的历史风险表征向量矩阵、所述用户的历史风险表征向量矩阵、所述目标配送人员的情绪状态融合向量，对所述风险预测初始模型进行训练，得到所述各历史订单的风险值；

[0288] 在一些实施方式中，所述处理器91在执行所述基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的损失值，时，具体执行：

[0289] 基于所述各历史订单的风险值、所述各历史订单的治安投诉结果、所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵，确定所述风险预测初始模型的损失值。

[0290] 在一些实施方式中，所述处理器91在执行所述基于所述各历史订单的风险值、所述各历史订单的治安投诉结果、所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵，确定所述风险预测初始模型的损失值时，具体执行：

[0291] 基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的分类损失值；

[0292] 基于所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵确定所述风险预测初始模型的特征信息损失值；

[0293] 基于所述风险预测初始模型的分类损失值和所述风险预测初始模型的特征信息损失值确定所述风险预测初始模型的损失值。

[0294] 在一些实施方式中，所述处理器91在执行所述基于所述各历史订单的风险值和所述各历史订单的治安投诉结果，确定所述风险预测初始模型的分类损失值时，具体执行：

[0295] 确定每个历史订单的风险值与治安投诉结果之间的距离；

[0296] 对多个所述历史订单的风险值与对应的治安投诉结果之间的距离进行加权处理，得到所述风险预测初始模型的分类损失值。

[0297] 在一些实施方式中，所述处理器91在执行所述基于所述目标配送人员的特征向量矩阵、所述目标配送人员的历史风险表征向量矩阵、所述用户的特征向量矩阵、以及所述用户的历史风险表征向量矩阵确定所述风险预测初始模型的特征信息损失值时，具体执行：

[0298] 基于多个所述历史订单中任一订单对应的所述目标配送人员的特征向量矩阵和所述目标配送人员的历史风险表征向量矩阵确定所述目标配送人员的损失值；

[0299] 基于多个所述历史订单中每个订单对应的所述用户的特征向量矩阵和所述用户的历史风险表征向量矩阵确定所述用户的损失值；

[0300] 基于所述目标配送人员的损失值和所述用户的损失值确定所述风险预测初始模型的特征信息损失值。

[0301] 本申请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中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图2a、图3a、图4a、以及图5a所示实施例中的一个或多个步骤。上述安全管理装置的各组成模块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，可以存储在所述计算机可读取存储介质中。

[0302] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字多功能光盘(Digital Versatile Disc，DVD))、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。

[0303] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：制度存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可以任意组合。

[0304] 以上所述的实施例仅仅是本申请的优选实施例方式进行描述，并非对本申请的范围进行限定，在不脱离本申请的设计精神的前提下，本领域普通技术人员对本申请的技术方案作出的各种变形及改进，均应落入本申请的权利要求书确定的保护范围内。