其中，按照治理对象，分成订单维度治理、人维度治理。

• 订单维度治理，主要指在订单全生命周期中，在异常发生前、发生初、发生时、发生后，平台的治理行为。
  

• 人维度治理，指在司机、乘客在平台的全生命周期中的综合治理行为，主要的抓手是司机服务分、教育、管控的一整套方案。
  

考虑到体验异常相关因素较多，相对比较高频，订单维度治理的应用相对更广，挑战也更大。本文讨论的治理算法主要针对该部分。

治理算法，作为O2O背景下新的算法方向，有如下的挑战。

第三个挑战则是多模态特征。通过完备的场景还原能力来做干预、判责等，需要用到订单、时空、司乘统计特征之外，也要参考司乘的沟通信息（比如司乘是否指路）、协商投诉文本（各自的表述）、以及桔视特征（比如多人分段上下车等）。是否能高效、综合的利用更多的多媒体信息，对工程、算法而言都是巨大的挑战。

3. 

• 纠纷发生前与发生初的降发生方案，比如当司机提前计费时，触发实时干预等；

• 纠纷发生时的智能受理方案，如在司机账单发送时刻，平台精准识别未坐车收费问题订单，智能触发司乘协商流程，能帮助乘客主动解决纠纷问题；

• 纠纷发生后的管控判责和补偿方案。通过建设智能判责能力，能落地如服务分扣除、补款、罚款等方案，对纠纷问题做合理的调解与治理。
  

• 成熟的在线服务引擎。其中策略流程引擎有效支持了策略流程的可视化配置管理；模型引擎有效支持了LR、XGB、DNN等一系列模型的在线部署与预测服务；规则引擎通过在线解析基于DSL的规则描述语言，有效降低了策略规则的迭代成本。
  

• 策略基础能力库。沉淀了一套字、词、句等多粒度的文本算法工具箱，拓展了治理算法的技术空间与业务价值。同时建设了离线策略数据仓库，实现业务数据、链路数据、策略数据的体系化治理与整合。为业务落地与策略迭代提供了高质量、高可用的数据。

• 在线与离线相结合的标注工作台，承载了滴滴治理算法的标注需求。策略RD离 线灌入抽样样本，质检标注团队在线标注做单，保障了模型样本的大规模与高质量产出。通过T+1模型更新系统，引入模型自动化更新机制，解决了在线模型的效果衰退问题。

  
  

4. 

模型探索

在模型上，我们贴合业务场景与产品方案，围绕治理链路节点构建了大体量的业务模型，体系化地搭建起平台对异常订单的场景还原与识别能力。同时，进一步深耕模型算法技术，通过先进性的模型技术攻坚，推进工业界的模型技术应用与落地。比较典型的有：通过小样本学习技术，在较短时间周期内获取充足高质量标注样本；使用多任务学习技术，实现业务上相关监督信息的充分融合利用；元能力建模方案，将对目标(判责结果)建模的方式，转换成对过程(判责元能力)建模的方式，提升了机器模型的可解释性。

▍4.1 小样本学习

在治理领域的很多场景，都会遇到高质量标注样本少的问题。全部人工标注的话，又会伴随着标注周期长与人力成本高的问题。比如在费用判责模型构建中，精准的人工判责样本非常稀缺，且很容易随着sop的变化而失效。所以在一定的时间窗口中，高效的利用样本，成为业务的一大挑战。

 

在学术界，小样本学习的常用方案主要有以下几类。

• step1 用已有的标签数据作为初始训练集，训练得到一个初始分类器模型；

  
  

• step2 利用初始分类器模型，对剩下的还未标记的数据打标签，选出高置信度的样本加入已有标签数据集中，从而扩充训练样本集；

• step3 根据新的训练样本集训练新的分类器。重复step1~step2直到满足预设停止条件(如样本量达到预期量级等)

• 优化点1：采用ESMM结构。ESMM模型结构恰好适配于拦截的业务场景。该优化点一定程度上解决样本偏差问题；实现MTL结构。
• 优化点2：连续特征离散化，离散特征embedding。该优化点从数据特征工程层面优化，来提升模型的性能。特征离散化有利于NN模型的迭代和性能的提升，通过卡方分箱将订单特征中的连续形特征离散化；同时将原始的离散特征与分箱后的离散特征进行多特征域的embedding
  

• 优化点3：多模型融合，融合行程中录音ASR特征的指路语义特征。该优化点加入场景强特征，进一步提升模型效果。具体操作方法是：行程中录音能够有效地识别指路等行为，将ASR文本特征训练的指路模型的中间向量输出作为绕路拦截模型的输入。

‍‍‍‍‍‍‍‍‍‍‍‍‍‍实验结果证明，多任务学习的方式能够有效地学习到投诉任务的特点，更好地辅助有责任务的学习，效果远优于单任务的模型。通过辅助任务的引入缓解了标注样本较少的问题，在策略生效点ESMM新模型的召回提升较为显著：相比线上的xgb模型，准确率提升0.6pp，召回率显著提升4.2pp；相比硬共享的多任务学习准确率提升0.2pp，召回率提升1.1pp。后续的A/B实验中取得了不错的线上业务效果。

在滴滴平台上，滴滴智能安全车载设备桔视已经覆盖超过50%的网约车订单，另外每个司机的手机都在进行全程的行程中录音，再配合全流程的轨迹信息，整体在场景还原上提供了非常丰富的多媒体能力。而多模态特征的应用，有通过端到端的框架联合训练、以及通过设计两阶段模型来应用的两种方案。

在特征形态上，我们基于线上的流式数据，如行程中的轨迹流、录音流、视频流等数据做了一些流式语义特征的挖掘。这里主要介绍轨迹流相关的技术方案。

轨迹信息的提取和利用对于纠纷治理业务有较大的价值，而目前对于轨迹信息的处理局限于提取距离差、速度等简单特征，信息损失大，故需探索轨迹的价值。

技术选型主要分为两大类：无监督(自监督)的表示学习方案和有监督的子网络嵌入方式。我们的实验探索主要基于后者展开。

有监督的子网络嵌入方案的建模流程如下。序列模型部分，我们主要尝试了主流的LSTM模型，整体模型AUC效果上：Bi-LSTM > Vanilla-LSTM > Stacked-LSTM。

6. 

总结

治理算法是一个全新的领域，是随着O2O平台兴起以来，在线上线下治理、管控需求下新起的一个策略算法方向。在过去的几年，团队在NPS、CPO等公司核心关注的体验指标上，都取得了很好的业务收益；在技术体系上也有了相对深入的积累。

 

随着桔视的铺装，以及社会、公众对网约车平台服务的期待，在司乘体验提升上也还有非常大的持续优化的空间，在样本、模型、特征等领域仍然有巨大的挑战，我们团队也将在这些方向上持续探索。

团队招聘

▬

滴滴网约车技术 · 治理与安全团队隶属于滴滴网约车公司，致力于构建滴滴的安全体验和服务纠纷治理体系，通过建设行程中安全预防技术体系、纠纷问题受理平台、B端治理工作台、治理中台服务、治理架构体系等赋能滴滴安全和纠纷治理业务，建立可持续健康发展的出行生态。在这里你将有机会创造“世界级”技术价值，与滴滴共同成长，加入我们，用技术的力量一起解决出行中的不美好。

团队目前热招高级Java工程师、go后端研发工程师等技术岗位中，欢迎有兴趣的小伙伴加入，可投递简历至 diditech@didiglobal.com，邮件请邮件主题请命名为「姓名-投递岗位-投递团队」。

扫码了解更多岗位

作者

▬

延伸阅读

▬

内容编辑 | Hokka
联系我们 | DiDiTech@didiglobal.com