一种生成退货处理信息的方法和装置

本发明涉及计算机技术领域，尤其涉及一种生成退货处理信息的方法和装置。

随着电商企业规模的扩大，电商售后退货单量也与日俱增。目前，对于退货申请的处理主要是依靠人工审核处理，具体的，电商企业在收到退货申请时，会通过客服人员确定是否进行退货处理(用户将商品逆向配送至卖家)。但是，客服人员并不能判断出商品的残余价值，而是由相应仓库的工作人员人工判断成，进而等待下一步处理。这样的工作模式不仅增加了人力成本，而且对用户而言，增长其等待时间，进而降低用户满意度。

以及，人工审核退货申请需要雇佣大量客服人员，造成企业人力成本增加，而且在大型促销活动后，因为申请量剧增，容易因为处理审核不及时引起用户不满。其次，在企业在收到用户退回商品后，会存在商品价值远低于退货处理费用的情况，例如1元、5元的商品退货到企业，退货成本远大于商品价值，造成企业收益受损的情况下，用户体验也不佳。

有鉴于此，本发明实施例提供一种生成退货处理信息的方法和装置，能够可自动审核用户提交的退货申请，并根据退货成本和商品残值等准确地确定出对应的处理决策。

为实现上述目的，根据本发明实施例的一个方面，提供了一种生成退货处理信息的方法。

本发明实施例的生成退货处理信息的方法包括：接收退货申请信息，根据所述退货申请信息确定所对应的订单信息，并根据所述订单信息确定退货的成本值；其中，所述退货申请信息至少包括：退货单信息、申请退货商品的成交价格；根据所述退货单信息，确定所述申请退货商品的商品残值；基于预设的约束条件，根据退货处理的决策维度数据，生成所述退货申请信息的处理信息；所述决策维度数据至少包括：所述退货的成本值、商品残值以及所述成交价格。

可选地，根据所述退货申请信息确定所对应的订单信息，并根据所述订单信息确定退货的成本值的步骤包括：确定退货申请信息所对应的订单信息，所述订单信息至少包括配送地址、售后服务地区以及订单属性；根据基线模型以及所述订单信息确定基线成本；获取实时的成本调整信息，根据残差模型以及所述成本调整信息确定残差成本；根据所述基线成本和所述残差成本确定退货的成本值。

可选地，所述退货单信息至少包括：退货说明信息、商品图片信息、用户画像信息；根据所述退货单信息，确定所述申请退货商品的商品残值的步骤包括：分别通过自然语言处理技术、神经网络模型和回归分析技术，对所述退货单信息中的退货说明信息、商品图片信息和用户画像信息进行处理，得到各自的处理结果；对所述处理结果进行相关性分析和非线性整合以确定出申请退货商品的商品残值。

可选地，所述退货单信息还包括：商品画像和历史商品残值；

对所述处理结果进行相关性分析和非线性整合，以确定出申请退货商品的商品残值的步骤包括：确定退货单信息中的商品画像和历史商品残值；对所述处理结果以及所述商品画像、历史商品残值进行相关性分析和非线性整合，以确定出申请退货商品的商品残值。

可选地，基于预设的约束条件，根据退货处理的决策维度数据，生成所述退货申请信息的处理信息的步骤包括：根据决策维度数据，确定决策集合中各个决策下的企业损失和用户损失；基于预设的约束条件，根据所述决策集合中各个决策下的企业损失和用户损失确定出赔付金额；根据所述赔付金额，从所述决策集合中筛选出所述退货申请的处理决策，以生成所述退货申请信息。

可选地，所述决策集合中的决策至少包括退款退货和退款不退货；和/或，所述决策维度数据还包括用户驱动价值。

为实现上述目的，根据本发明实施例的另一个方面，提供了一种生成退货处理信息的装置。

本发明实施例的生成退货处理信息的装置包括：

成本确定模块，用于接收退货申请信息，根据所述退货申请信息确定所对应的订单信息，并根据所述订单信息确定退货的成本值；其中，所述退货申请信息至少包括：退货单信息、申请退货商品的成交价格；

商品残值确定模块，用于根据所述退货单信息，确定所述申请退货商品的商品残值；

决策模块，用于基于预设的约束条件，根据退货处理的决策维度数据，生成所述退货申请信息的处理信息；所述决策维度数据至少包括：所述退货的成本值、商品残值以及所述成交价格。

可选地，所述成本确定模块还用于，确定退货申请信息所对应的订单信息，所述订单信息至少包括配送地址、售后服务地区以及订单属性；根据基线模型以及所述订单信息确定基线成本；获取实时的成本调整信息，根据残差模型以及所述成本调整信息确定残差成本；根据所述基线成本和所述残差成本确定退货的成本值。

可选地，所述商品残值确定模块还用于，分别通过自然语言处理技术、神经网络模型和回归分析技术，对所述退货单信息中的退货说明信息、商品图片信息和用户画像信息进行处理，得到各自的处理结果；对所述处理结果进行相关性分析和非线性整合以确定出申请退货商品的商品残值；所述退货单信息至少包括：退货说明信息、商品图片信息、用户画像信息。

可选地，所述商品残值确定模块还用于，确定退货单信息中的商品画像和历史商品残值；对所述处理结果以及所述商品画像、历史商品残值进行相关性分析和非线性整合，以确定出申请退货商品的商品残值；

所述退货单信息还包括：商品画像和历史商品残值。

可选地，所述决策模块还用于，根据决策维度数据，确定所述决策集合中各个决策下的企业损失和用户损失；基于决策模型和预设的约束条件，根据所述各个决策下的企业损失和用户损失确定出赔付金额；根据所述赔付金额，从决策集合中确定出所述退货申请的处理决策，以生成所述退货申请信息的处理信息。

可选地，所述决策集合中的决策至少包括退款退货和退款不退货；和/或，所述决策维度数据还包括用户驱动价值。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种电子设备。

本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项的生成退货处理信息的方法。

为实现上述目的，根据本发明实施例的再一个方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述任一项的生成退货处理信息的方法。

上述发明中的一个实施例具有如下优点或有益效果：可自动审核用户提交的退货申请，降低了退货申请审核的周期以及审核成本，提升了用户满意度。并且，根据退货成本和商品残值等准确地确定出对应的处理决策，避免企业收益受损的情况，同时也提升了用户体验。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的生成退货处理信息的方法的主要流程的示意图；

图2是根据本发明实施例的成本模型的示意图；

图3是根据本发明实施例的确定基线模型的示意图；

图4是根据本发明实施例的确定残差模型的示意图；

图5是根据本发明实施例的确定用户驱动价值的示意图；

图6是根据本发明实施例的确定退货申请的处理决策的系统的示意图；

图7是根据本发明实施例的生成退货处理信息的装置的主要模块的示意图；

图8是本发明实施例可以应用于其中的示例性系统架构图；

图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的生成退货处理信息的方法的主要流程的示意图；图2是根据本发明实施例的成本模型的示意图；图3是根据本发明实施例的确定基线模型的示意图；图4是根据本发明实施例的确定残差模型的示意图。

如图1所示，本发明实施例的生成退货处理信息的方法主要包括：

步骤S101：接收退货申请信息，根据退货申请信息确定所对应的订单信息，并根据订单信息确定退货的成本值；其中，退货申请信息至少包括：退货单信息、申请退货商品的成交价格。针对用户发出的退货申请，如果进行退货或者退款操作，则需要双方基于物流或者沟通进行，在该过程中对于双方都会产生成本问题。其中，在本发明实施例中，退货的成本值包括企业支付的退货成本和用户支付的退货成本，企业支付的退货成本至少包括以下一项：物流成本和客服成本。客服成本是企业收到用户的退货申请单后，可能需要客服人员第一时间联系用户，则客服人员费用及通话费用等构成了客服成本。该客服成本和退货的单量挂钩，单量多少决定了单位时间的处理效率不同，因此会有差异。物流成本是根据配送商品和配送距离计算出的基准费用。该基准费用反应的是配送的平均情况，但是真实的运输成本和订单量、天气因素有关系，其中订单量越多则单均成本下降，天气变差则运输成本上升等。所以，为更准确确定物流费用，还根据天气状况或者配送单量将计算出的基准费用加上对应的数值调整。

例如用户申请对订单Order1中的商品申请退货，则该Order1中能够影响退货成本的数据为订单信息，例如配送地址、售后服务地区以及订单属性等。其中，因地区经济水平差异，不同地区的售后服务成本也会有所区别，售后服务地区可决定售后服务成本。配送地址能够直接影响配送成本，其可根据历史物流数据，确定从该配送地址返回至发货地的平均物流费用。由于地区差异，不同的仓库其库房操作成本(交接、拆包、验收、上架等)会不同，所以该订单信息还可包括仓库地址。订单属性是指用户在进行退某类商品操作时，企业规定的需要支付的费用，该费用可根据业务设置，也可以为0。

在步骤S101中，确定的退货申请所对应的订单信息中，至少包括配送地址、售后服务地区以及订单属性。然后，根据基线模型以及订单信息确定基线成本，基线成本是根据历史退货数据确定出的商品的平均退货成本，该平均退货成本可以是一类商品的平均退货成本，也可以是几类商品的平均退货成本。获取实时的成本调整信息，根据残差模型以及成本调整信息确定残差成本，残差成本是真实退货成本与基线成本的差值，用于调整基线成本使其更能贴近真实的退货成本。最后，根据基线成本和残差成本确定退货成本(退货的成本值)。在本发明实施例中，通过残差成本和基线成本的结合，能够准确的确定出退货成本。在其他实施例中，可直接将该基线成本确定为退货成本。在本发明实施例中，如图2所示，退货的成本模型由基线模型和残差模型组合而成，该成本模型能够根据历史数据(历史退货数据)和实时数据，准确的预测出在退货发生当天各项成本项值，从而预估出发生退货后的总成本大小。基线模型根据历史情况确定该退货申请所对应的平均退货成本，残差模型是根据当前的实时数据，如订单量、天气等因素，计算出的未来成本变化值(残差成本)。例如，历史退货成本是10元/单，因为未来单量变小、天气变差会导致成本上升2元，最终的真实成本是12元/单。其中，基线成本为10，残差成本为2。

在构建基线模型时，根据订单信息包括的成本项以及历史数据进行构建。如下表所示，在本发明实施例中，订单信息包括的成本项为售后服务地区S、配送地址Trs、仓库地址Op以及订单属性Chg。

如图3所示，统计历史订单信息中售后服务地区S、配送地址Trs、仓库地址Op以及订单属性Chg的均值，根据成本组成公式构建基线模型。基线模型在应用时，可根据退货申请所对应的订单信息(售后服务地区、配送地址、仓库地址以及订单属性)，分别计算S、Trs、Op、和Chg基线成本项，并合并成最终的基线成本TC。即TC＝S+Trs+Op–Chg，其中，S和Op成本项会根据服务单量的大小而变化，而Trs成本项变化则跟天气状况有关。

残差模型根据实时数据计算实时成本偏离基线成本的幅度(残差)，主要对残差的具有影响的变量为退货当天的单量和天气，可采用回归算法构建残差模型。其中，单量影响S和Op的残差成本，可通过构建预测模型给出；天气影响Trs残差成本，可通过调用外部服务接口获得。如图4所示，获取退货履行时间，分别计算S、Op、和Trs的单项残差成本，然后通过加和的方式得到最终的残差成本值。在计算S和Op单项残差成本时，利用退货履约时间调用预测模型预测退货履约当天的配送单量，并以此为输入调用回归模型，计算单项残差成本。在计算Trs的单项残差成本时，利用退货履约时间调用外部天气服务接口，获取退货履约时间的天气数据，后将天气数据做特征处理以得到天气特征，如气温级别、极端天气等级等，再以此为输入调用回归模型，计算Trs的单项残差成本。

步骤S102：根据退货单信息，确定申请退货商品的商品残值。退货单信息至少包括：退货说明信息、商品图片信息、用户画像信息。具体的，分别通过自然语言处理技术、神经网络模型和回归分析技术，对退货单信息中的退货说明信息、商品图片信息和用户画像信息进行处理，得到各自的处理结果；对处理结果进行相关性分析和非线性整合，以确定出商品残值。退货单信息还包括：商品画像和历史商品残值。对处理结果进行相关性分析和非线性整合，以确定出申请退货商品的商品残值过程中，确定退货单信息中的商品画像和历史商品残值；对处理结果以及商品画像、历史商品残值进行相关性分析和非线性整合，以确定出申请退货商品的商品残值。退货说明信息为用户在进行申请退货时，填写的文字以说明退货原因。商品图片信息是指用户在进行申请退货时，上传的商品图片，以进一步说明退货的原因。用户画像信息主要反映用户信用。

商品残值为用户退换商品对于企业的剩余价值。现有技术中，企业(电商)在收到退货申请时，会通过客服人员的方式，确定是否进行退货处理(用户将商品逆向配送至卖家)。但是，客服人员并不能判断出商品的残余价值，而是由相应仓库的工作人员人工判断成，进而等待下一步处理。这样的工作模式不仅增加了人力成本，而且对用户而言，增长其等待时间。

图5是根据本发明实施例的确定用户驱动价值的示意图；如图5所示，本发明实施例在商品残值计算的过程中，涉及以下几个部分：

1.历史残值History Salvage Value(HSV)

历史残值是结合具体的退货逻辑，所计算出的历史上二次销售/回收价格的数据，该数据反映出历史上同一批次/同一品类/同一sku的残余价值分布，通过加权处理可以作为基线预测值。其中，退回的商品处理途径包括，当做二手商品再次售卖给客户，由企业退还给供应商。二次销售价格是指售卖给消费者的价格，回收价格是指供应商回收的价格。

2.用户的文字描述User Text Description(UTD)

用户提交退货申请时，可能会输入一些文字给客服作参考，反映退货原因。首先对退货原因进行NLP(Natural Language Processing自然语言处理)分析，判断是否是产品的原因导致退货(二分类)。如果是因为产品的原因导致退货，可再对用户提交的文字进行情绪分析，结合打标好的残余价值进行相应的机器学习，进而得到退货说明信息识别模型。

3.用户上传的商品图片Computer Vision for SKU(CVS)

用户提交退货申请时，可能会提交商品图片给客服作参考，反映退货原因。可以结合历史打标，直接进行多分类建模，如采用CNN+SVM(神经网络和虚拟机)的技术方案，进而得到商品图片信息识别模型。

4.用户信用画像User Credit Profile(UCP)

由于存在用户恶意骗取退款的情况，则可结合用户的历史购买行为、退货行为，进行打标信息，并建立回归模型计算用户的信用值。

5.商品画像SKU Profile(SP)

某一类商品因为商品的固有属性造成其退货率较高，如某些生鲜品类保质期较短，那么退货率相应较高，残值变化剧烈。并且，也存在商品的某一批次有质量问题的情况，那么商品画像对于残值判断会有相应的贡献。可以通过回归模型建立商品画像与残值的关系。

由上可知，本发明实施例中的商品残值实际是HSV、UTD、CVS、UCP和SP的非线性关系的输出，如图5所示。其中，由于CVS的结果不适合以连续型数值展示，需要把UTD、HSV、UCP和SP部分转化为多分类标签，如将残余价值比例拆分为十份。将不同模型(建立的处理不同退货单信息的模型)的输出结果进行相关性分析与性能比较，剔除输出结果及性能极为相似的模型，再通过stacking ensemble进行非线性整合，输出商品残值的算法估计值。

步骤S103：基于预设的约束条件，根据退货处理的决策维度数据，生成退货申请信息的处理信息；决策维度数据至少包括：退货的成本值、商品残值以及成交价格。具体的，根据决策维度数据，确定决策集合中各个决策下的企业损失和用户损失；基于决策模型和预设的约束条件，根据各个决策下的企业损失和用户损失确定出赔付金额；根据赔付金额，从决策集合中确定出退货申请的处理决策。赔付金额为针对用户提出的退货申请，企业支付给用户的金额。在本发明实施例中，约束条件为：赔付金额不使企业损失变大；赔付金额不使用户损失变大；赔付金额不大于退货申请中商品的成交价格。决策集合中的决策可根据业务需求进行配置，其至少包括退款退货和退款不退货，还可以包括不在本服务范围内等。

决策维度数据还包括用户驱动价值。其中，用户驱动价值为用户根据享受到的退货服务(如退货速度快，给用户退钱但不用退换商品等)后，对企业信任度的上升，进一步由用户复购率带来的增长效益。可通过训练的模型(用户驱动价值模型)确定用户驱动价值。

在用户享受到一些政策之后，一方面用户本身会在政策吸引下再次购买，另一方面，用户可会将政策和感受在社交圈内分享，而受其影响，社交圈内的用户也可能发生购买行为。因此，这两种影响都可作为政策带来的驱动价值。对于用户自我本身的驱动价值，可以从用户在享受政策前后复购率与复购金额的变化来进行考量。以及，由于用户社交分享，可带来的其他用户的购买。

具体的，用户i复购金额的提升记为Yi；用户自身特征记为Pi，例如用户之前购买频次、会员等级等用户画像信息。用户的社交关系(social connections)记为I*J矩阵，其中Ci，j记为用户j对用户i的社交影响度，该数据可从社交软件中获得，也可以用其他亲密度或者社交影响力来衡量。用户j是否享受过政策，通过Bj来表示，1代表是，0代表否。

用户复购金额的提升由两方面造成，一是自身原因，另一方面是他人造成的舆论影响。因此可以通过构造模型将用户自身因素与社交因素两方面纳入以下模型当中，进而以此来拟合用户最终复购率的提升。

Yi＝F(Pi，∑jCi，jβj)

通过样本数据(已经使用退款不退货政策的人与正常人)，观察不同因子的影响力度。然后依据影响力度因子来进行判别社交影响力对于复购金额提升的影响力度。以及，可以参照此因子针对社交影响力大的用户给予更多政策支撑。

其中，对于Ci，j的矩阵的计算，按照社交软件(例如等)的数据进行。具体的，任意两用户i,j之间的联系程度，例如通信频次，可以记为Ci，j然后所有用户生成矩阵进行归一化，形成影响矩阵Ci，j。

确定上述数据之后，对于用户驱动价值模型，可以利用xgboost来训练。该训练后的用户驱动价值模型和其他驱动力影响力模型的区别为，其他模型对政策敏感度多是利用人口统计学的因素来衡量建模的，而该用户驱动价值模型则引入了社交网络来拟合政策在人中的扩散影响，增进模型拟合的效果。

图6是根据本发明实施例的确定退货申请的处理决策的系统的示意图。

决策模型的是决定退货申请单该如何处理，并给出处理决策，以供售后系统使用。如图6所示，本发明实施例的系统主要包括成本模型、商品残值模型、用户驱动价值模型、决策中心、风控系统和存储相关数据的数据库。在本发明实施例中，决策模型以成本模型、商品残值模型、用户驱动价值模型的结果作为输入，结合当前退货申请单的已有信息，评估企业采取不同处理方式下企业损失与用户损失，选择对企业和用户来说都有利的处理决策。风控模块用来对此场景下的赔付行为进行风险预知和管控。本发明实施例的系统在实现生成退货处理信息的方法的过程中，具体的包括：决策中心接收到售后系统的退货申请，并基于该退货申请调用数据库中的相关数据，并分别发送给成本模型、商品残值模型和用户驱动价值模型。成本模型、商品残值模型和用户驱动价值模型根据接收到的数据，分别计算出退货成本、商品残值和用户驱动价值，并将计算出的值返回给决策中心。决策中心进一步基于收到的数据确定出处理决策，通过风控系统判断该处理决策是否可行，如果在预设的风险范围内，将该处理检测返回给退货系统，则退后系统可根据该处理决策处理对应的退货申请。

在本发明实施例中，决策模型考虑的因素以及算法模型如下表所示：

由上表可知对于电商企业来说，如果将此退货申请单做退款退货处理(在图中表示为第一行“选择退货”)，此时企业损失为：A＝物流成本+成交价-商品残值+客服费用–驱动价值1。如果选择对此单进行赔付(退款不退货)，此时企业损失为：C＝赔付金额+客服费用–驱动价值2。

由于企业对用户的退货申请单采取何种处理方式，会影响用户对企业的品牌忠诚度，进而会影响用户的复购频率和消费金额。所以在上述两种选择下，用户的驱动价值不同，在进行决策过程中，只需要计算两种处理方式下驱动价值的差值，用该差值量化驱动价值：

其中α2享受赔付的用户的平均客单价，λ1为没享受赔付的用户的购买频率，λ2为享受赔付的用户的购买频率，μ为企业的平均利润率。

进一步，在决策中，只需确定A和C的相对大小，不关心A和C的绝对值。所以可以在两遍同时减去客服费用并加上驱动价值1，则模型可以化简为下表：

对于用户来说，企业选择退货和选择赔付的两种情况下，用户损失分别为：B＝退货付费成本；D＝成交价–商品残值–赔付金额。其中，退货付费成本可通过成本模型中确定。

通过决策模型，确定赔付金额在什么范围内，可以使企业直接进行赔付，从而省去退货流程。基于此，预设约束条件为：

1.选择赔付不能使企业的损失变大；

2.选择赔付不能使用户的损失变大；

3.赔付金额不能大于成交价。

在满足上述约束条件的前提下，可以根据需要，最大化企业利益以及用户利益。因此，决策模型包括企业损失最小的优化模型和用户损失最小的优化模块。

其中，企业损失最小的优化模型为：

s.t.D≤B

C≤A

x≤p

用户损失最小的优化模型为：

s.t.D≤B

C≤A

x≤p

通过上述两个优化模型，计算出赔付金额x的最小值x_min和最大值x_max，企业损失最小的目标对应的是x_min，用户损失最小的目标对应的是x_max，为了更好的提升用户体验，电商一般采用用户损失最小的方案，即赔付x_max。

根据决策模型的计算的赔付金额x的值，从决策集合中确定出退货申请的处理决策。在本发明实施例中，决策集合中包括的决策如下表，其中p为退货申请中商品的成交价格：

本发明实施例，可自动审核用户提交的退货申请，降低了退货申请审核的周期以及审核成本，提升了用户满意度。并且，根据退货成本和商品残值等，准确地确定出对应的处理决策，避免了企业收益受损的情况，同时也提升了用户体验。

图7是根据本发明实施例生成退货处理信息的装置的主要模块的示意图，如图7所示，本发明实施例的生成退货处理信息的装置700包括成本确定模块701、商品残值确定模块702和决策模块703。

成本确定模块701用于，接收退货申请信息，根据退货申请信息确定所对应的订单信息，并根据订单信息确定退货的成本值；其中，退货申请信息至少包括：退货单信息、申请退货商品的成交价格确定退货申请所对应的订单数据，并根据订单数据确定退货成本。成本确定模块还用于，确定退货申请所对应的订单数据订单信息，订单数据订单信息至少包括配送地址、售后服务地区以及订单属性；根据基线模型以及订单数据订单信息确定基线成本；获取实时的成本调整信息，根据残差模型以及成本调整信息确定残差成本；根据基线成本和残差成本确定退货的成本值。

商品残值确定模块702用于，根根据退货单信息，确定申请退货商品的商品残。商品残值确定模块还用于，分别通过自然语言处理技术、神经网络模型和回归分析技术，对退货单信息中的退货说明信息、商品图片信息和用户画像信息进行处理，得到各自的处理结果；对处理结果进行相关性分析和非线性整合，以确定出商品残值。其中，退货单信息至少包括：退货说明信息、商品图片信息、用户画像信息。商品残值确定模块还用于，确定退货单信息中的商品画像和历史商品残值；对处理结果以及商品画像、历史商品残值进行相关性分析和非线性整合，以确定出申请退货商品的商品残值。退货单信息还包括：商品画像和历史商品残值。

决策模块703用于，基基于预设的约束条件，根据退货处理的决策维度数据，生成退货申请信息的处理信息；决策维度数据至少包括：退货的成本值、商品残值以及成交价格。决策模块还用于根据决策维度数据，确定决策集合中各个决策下的企业损失和用户损失；基于决策模型和预设的约束条件，根据各个决策下的企业损失和用户损失确定出赔付金额；根据赔付金额，从决策集合中确定出退货申请的处理决策。以及，决策集合中的决策至少包括退款退货和退款不退货。和/或，决策维度数据还包括用户驱动价值。

本发明实施例，可自动审核用户提交的退货申请，降低了退货申请审核的周期以及审核成本，提升了用户满意度。并且，根据退货成本和商品残值等，准确地确定出对应的处理决策，避免了企业收益受损的情况，同时也提升了用户体验。

图8示出了可以应用本发明实施例的生成退货处理信息的方法或生成退货处理信息的装置的示例性系统架构800。

如图8所示，系统架构800可以包括终端设备801、802、803，网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备801、802、803通过网络804与服务器805交互，以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器805可以是提供各种服务的服务器，例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的生成退货处理信息的方法一般由服务器805执行，相应地，生成退货处理信息的装置一般设置于服务器805中。

应该理解，图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图9，其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机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。而在本发明中，计算机可读的信号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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机可读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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取成本确定模块、商品残值确定模块和决策模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，成本确定模块还可以被描述为“确定退货申请所对应的订单信息，并根据所述订单信息确定退货成本的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：确定退货申请所对应的订单信息，并根据订单信息确定退货成本；根据退货申请的退货单信息，确定退货申请中商品的商品残值；基于决策模型和预设的约束条件，根据退货申请的决策维度数据，从决策集合中确定出退货申请的处理决策；决策维度数据至少包括退货成本、商品残值以及退货申请中商品的成交价格。

本发明实施例，可自动审核用户提交的退货申请，降低了退货申请审核的周期以及审核成本，提升了用户满意度。并且，根据退货成本和商品残值等，准确地确定出对应的处理决策，避免了企业收益受损的情况，同时也提升了用户体验。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。