滴滴治理算法探索与实践

桔妹导读：13年以后，以外卖、网约车、房产销售为主的O2O平台，极大的改变了社会的运行模式。相比前一代互联网公司，这一代互联网公司都面临着人与人的线下交互，因此在体验、治理上也带来了新的挑战。在滴滴，经过多年的耕耘，我们探索了一套功能强大的治理算法系统，围绕司乘体验提升的核心目标进行了全方位的探索和落地。

1. 

业务背景介绍

治理要解决的问题，是降低和解决因平台原因、司乘预期原因、司乘个人问题所带来的各种行程纠纷，包括但不限于取消纠纷、费用异常、服务问题等。整体的解决方案如下：

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。

2. 

治理算法挑战

治理算法，作为O2O背景下新的算法方向，有如下的挑战。

首先，在业务上的复杂性很高。如第一章所示，在订单的全生命周期中、多个策略节点都需要算法能力建设；另外，在滴滴的业务场景中，涉及到十个左右的品类，数十个业务场景，极端情况下需要维护近百个模型。

另外，在技术上也有很大的挑战：

第一个挑战是高质量样本少。场景、品类、策略节点多，即使在当前有一定的标注人力的情况下，在每个场景的高质量样本都很有限。另外，如何将标注数据，跟线上人工判责的数据进行有效融合，也是很大的挑战。

第二个挑战是可解释性要求高。因为判责结果直接跟司乘体验相关，所以对可解释性有很强的诉求。但是机器学习模型本质上是相关性的学习，大量弱特征的引入在提升模型效果的同时，就会削弱可解释性。如何在效果和司乘感知上做平衡，需要持续思考。

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. 

治理算法框架

宏观上看，以司乘费用纠纷处理为例，治理算法框架如下：