本技术涉及物流领域，尤其涉及自动化分拣方法和服务器。
背景技术：
1、在现代快递物流行业中，消费者对快递配送效率的要求越来越高。为了满足消费者需求，提高快递配送效率，快递公司需要不断优化各个环节的流程，其中包裹分拣是快递配送流程中的关键一环，直接影响着快递配送的效率和成本。
2、当前，包裹分拣通常分为两个步骤。第一步，多名快递员围在流水线的两边根据包裹面单上的三段码信息对包裹进行认领和划分。第二步，负责派件的快递员需要根据包裹面单上的详细地址，将包裹分拣成不同的堆，每一堆通常对应一个小区或一栋楼宇，具体的分堆方式取决于快递员的个人分拣习惯。由于详细地址信息通常较长且字体较小，快递员需要在地址中识别关键信息，并据此对包裹进行分堆，整个过程耗时耗力。
3、随着快递行业的快速发展，快递网点每天需要处理的包裹数量越来越大，单纯依靠人工分拣已经难以应对日益增长的包裹分拣需求。
技术实现思路
1、本技术提供了自动化分拣方法和服务器，用于根据快递员实际分拣习惯进行自动化分拣，提高分拣效率。
2、第一方面，本技术提供了一种自动化分拣方法，包括：在检测到传送带上第一包裹的第一订单信息中的第一收件地址和第二包裹的第二订单信息中的第二收件地址后，分别将该第一收件地址和该第二收件地址输入训练完成的标签学习引擎，得到第一标签；该标签学习引擎通过预设的标签与地址组之间的映射关系训练得到，用于提取收件地址的地址特征后确定对应的标签；该第一收件地址与该第二地址不同；分别将该第一包裹和该第二包裹投放到与该第一标签对应的第一分拣隔口；在确定将该第一收件地址对应的标签更正为第二标签后，使用该第一收件地址与第二标签的对应关系对该标签学习引擎进行更新训练，得到更新后的标签学习引擎；该第二标签与该第一标签不同且对应的分拣隔口不同；在检测到传送带上第三包裹的第三订单信息中的第二收件地址后，将该第二收件地址输入更新后的标签学习引擎，得到该第二标签；该第二收件地址对应的第二地址特征与该第一收件地址对应的第一地址特征的相似度大于预设相似度阈值；将该第三包裹投放到与该第二标签对应的第二分拣隔口。
3、通过采用上述技术方案，通过预先训练的标签学习引擎，根据收件地址自动确定对应的标签，并将包裹投放到与标签对应的分拣隔口。当确定第一收件地址对应的标签需要更正为第二标签时，使用该地址与新标签的对应关系对标签学习引擎进行更新训练，使其能够适应快递员实际的分拣习惯。后续识别到地址特征与第一收件地址相似的包裹时，更新后的标签学习引擎能够给出正确的第二标签，并将包裹投放到第二标签对应的分拣隔口。这种根据实际分拣习惯动态调整的自动化分拣方法，能够持续提高分拣的准确性和效率，减轻快递员的工作负担。
4、结合第一方面的一些实施例，在一些实施例中，该在确定将该第一收件地址对应的标签更正为第二标签后，使用该第一收件地址与第二标签的对应关系对该标签学习引擎进行更新训练，得到更新后的标签学习引擎的步骤之前还包括：服务器接收投递各包裹的轨迹记录，其中包括该第一收件地址对应的包裹的第一投递轨迹；计算历史记录中该第一投递轨迹分别与投放到各分拣隔口的包裹的投递轨迹之间的轨迹相似度；在监测到最近连续超过预设次数该第一投递轨迹与第一隔口轨迹之间的相似度小于与第二隔口轨迹之间的相似度的情况下，将该第一收件地址对应的标签更正为第二标签；该第一隔口轨迹为投放到第一隔口的包裹的聚合投递轨迹；该第二隔口轨迹为投放到第二隔口的包裹的聚合投递轨迹。
5、通过采用上述技术方案，服务器通过接收包裹的投递轨迹记录，计算第一收件地址对应包裹的投递轨迹与各分拣隔口的聚合投递轨迹之间的相似度，当连续多次发现其与原分拣隔口的轨迹相似度低于与另一隔口的相似度时，说明快递员可能已经调整了分拣习惯，据此自动将该地址对应的标签更正为与新隔口对应的标签。通过投递轨迹的相似度比较，能够客观反映出快递员实际的分拣倾向，为标签的自动更正提供可靠依据，使分拣方式能够与快递员习惯持续保持一致，从而提高整体分拣效率。
6、结合第一方面的一些实施例，在一些实施例中，该在确定将该第一收件地址对应的标签更正为第二标签后，使用该第一收件地址与第二标签的对应关系对该标签学习引擎进行更新训练，得到更新后的标签学习引擎的步骤之前还包括：接收客户端发送的将该第一收件地址对应的标签修改为第二标签的指令。
7、通过采用上述技术方案，能够接收客户端发送的人工指令，直接将某收件地址对应的标签修改为指定的新标签，并据此对标签学习引擎进行更新训练。这为分拣习惯的调整提供了人工干预的途径，能够灵活应对某些特殊分拣要求，如重点客户的包裹需要单独分拣等。同时，人工指定的标签修改也可作为自动更正的有力补充，进一步提高系统适应实际分拣习惯变化的能力。将人工干预与系统自动感知相结合，使得分拣方式的动态调整更加智能和全面。
8、结合第一方面的一些实施例，在一些实施例中，该地址特征为从收件地址中抽取出的关键信息片段集合；一个或多个地址特征对应一个标签；一个或多个标签对应一个分拣隔口。
9、通过采用上述技术方案，将地址特征定义为从收件地址中抽取出的关键信息片段集合，一个或多个地址特征对应一个标签，一个或多个标签对应一个分拣隔口。这种层次化的对应关系设计具有较强的灵活性和可扩展性，能够适应不同的地址格式和分拣粒度。例如，可以将某个小区的所有地址映射到一个标签，也可以为不同楼栋设置不同标签。地址特征的提取让系统能够抓住关键信息，降低了地址表述差异的影响。标签作为中间层，使得地址特征与分拣隔口的对应关系更容易理解和修改。在支撑高效分拣的同时，也为分拣规则的个性化定制提供了便利。
10、结合第一方面的一些实施例，在一些实施例中，该方法还包括：在检测到传送带上第四包裹的第四订单信息中的第三收件地址后，将该第三收件地址输入更新后的标签学习引擎，得到该第二标签；该第三收件地址与该第一收件地址及该第二收件地址不同，该第三收件地址对应的第三地址特征与该第一收件地址对应的第一地址特征的相似度大于该预设相似度阈值；在监测到此前n次均是将该第三收件地址对应的包裹投放到第三标签对应的第三分拣隔口且未接收到将该第三收件地址对应的标签更正为第二标签的指令情况下，将该第三收件地址对应的标签改回为该第三标签；该第三标签与该第二标签不同，该第三分拣隔口与该第二分拣隔口不同；该n为大于等于3的正整数；将该第三包裹投放到与该第二标签对应的第二分拣隔口；使用该第一收件地址与第二标签的对应关系、以及该第三收件地址与该第三标签的对应关系共同对该标签学习引擎进行更新训练，得到更新后的标签学习引擎。
11、通过采用上述技术方案，当识别出某一新地址（第三收件地址）的特征与此前已更正标签的地址（第一收件地址）相似时，更新后的标签学习引擎会基于相似性判断，给出已更正的第二标签，并将包裹投放到对应的第二分拣隔口。但在此之后，会回溯性地检查历史投放记录，看在引擎更新前的最近n次投放中，该第三地址对应包裹的实际投放情况。如果发现在这n次中，一直都将其投放到了第三标签对应的第三隔口，且一次都未出现过将其标签更正为第二标签的人工指令，则可以推断该地址的原有标签（第三标签）很可能是正确的，之前基于相似性给出的第二标签反而是一种过度泛化。此时，会自动将第三地址的标签从第二标签改回第三标签，并相应更新标签学习引擎。这种基于历史数据的事后矫正机制，能够从整体上审视和修正因局部特征相似而产生的偏颇，在动态适应的同时兼顾了分拣体系的稳定性，既能及时响应新的分拣模式，又能过滤掉偶然的误判扰动，从而使系统在准确性和连续性之间达成平衡。
12、结合第一方面的一些实施例，在一些实施例中，该标签学习引擎的构建过程包括：根据历史订单数据，统计每个订单的收件地址，将出现频次超过预设频次阈值的收件地址作为地址组，赋予每个地址组唯一的标签；训练一个地址特征提取模型，用于从收件地址中提取关键地址特征；训练一个分类模型，输入为关键地址特征，输出为标签，通过地址组与标签的对应关系作为训练样本进行训练；将地址特征提取模型和分类模型级联，形成完整的该标签学习引擎。
13、通过采用上述技术方案，地址组的确定充分利用了历史数据的统计规律，能够识别出现频次高、分拣规则稳定的地址模式。地址特征提取和分类这两个子任务的划分，符合地址到标签映射的自然逻辑，使得每个模型的训练目标更加明确和专注，从而有利于提高整体性能。将两个模型级联，则使得整个引擎的结构清晰、流程连贯，易于理解和实现。最终得到的引擎能够高效准确地完成收件地址到分拣标签的端到端映射。
14、结合第一方面的一些实施例，在一些实施例中，该地址特征提取模型为基于bilstm-crf的序列标注模型，包括：嵌入层，用于将收件地址中的每个字符映射为稠密向量表示；双向lstm层，用于对字符嵌入序列进行上下文感知的编码，捕捉地址成分之间的依赖关系；多层感知机层，用于将bilstm每一步的隐藏层表示映射为地址要素标签的发射分数；crf层，用于建模地址要素标签之间的转移约束，结合发射分数解码出整体最优标签序列；后处理模块，用于根据标签序列从地址要素词库中提取关键地址特征；该分类模型为基于预训练中文bert的注意力分类模型，包括：bert编码层，用预训练的中文bert模型对输入的地址特征进行建模，产生上下文感知的句向量表示；注意力汇聚层，用于聚焦地址特征中对分类任务更重要的部分，突出关键信息；全连接层，用于将注意力汇聚后的句向量映射为与标签数量一致的维度；softmax归一化层，用于将全连接层的输出归一化为标签的后验概率分布；分类输出层，用于在推理阶段输出后验概率最大的标签。
15、通过采用上述技术方案，地址特征提取模型采用基于bilstm-crf的序列标注结构，分类模型采用基于预训练中文bert的注意力结构。前者充分利用了地址文本的序列特性，通过双向lstm刻画地址成分之间的依赖关系，再结合crf对标签序列进行全局最优解码，从而在捕捉局部语义的同时兼顾了全局约束，更好地识别出关键地址要素。后者则利用了预训练bert模型强大的语义理解能力，通过注意力机制聚焦于分类任务的关键信息，并结合全连接层和softmax层实现标签的高效分类。将二者优势互补地结合，使得整个引擎能够全面准确地理解收件地址的语义内涵，高质量地完成地址要素提取和标签分类任务，提高了自动分拣的效率。
16、第二方面，本技术提供了一种服务器，该服务器包括：一个或多个处理器和存储器；该存储器与该一个或多个处理器耦合，该存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令，该一个或多个处理器调用该计算机指令以使得该服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
17、第三方面，本技术提供了一种包含指令的计算机程序产品，当该计算机程序产品在服务器上运行时，使得该服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
18、第四方面，本技术提供了一种计算机可读存储介质，包括指令，当该指令在服务器上运行时，使得该服务器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
19、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
20、1、由于采用了预先训练的标签学习引擎和动态更新机制，通过收件地址自动确定标签并根据快递员实际分拣习惯进行训练更新，从而能直接自动化的将包裹按照快递员习惯分拣到相应隔口，所以，有效解决了人工分拣效率低的问题，进而实现了基于快递员实际分拣习惯进行自动化分拣，可以极大的提高分拣效率。
21、2、由于采用了包裹投递轨迹记录和相似度计算技术，通过客观反映快递员实际分拣倾向并提供可靠的标签自动更正依据，所以，有效解决了无法自适应快递员习惯变化的问题，进而实现了分拣方式与快递员习惯持续保持一致，提高整体分拣效率的技术效果。
22、3、由于采用了历史投放数据回溯检查和事后矫正机制，通过从整体上审视和修正因局部特征相似而产生的过度泛化，兼顾动态适应和分拣体系稳定性，所以，有效解决了智能分拣系统易受偶然误判扰动、准确性与连续性难平衡的问题，进而实现了系统及时响应新分拣模式，同时过滤掉偶然误判，在准确性和连续性间达成平衡的技术效果。
1.一种自动化分拣方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述在确定将所述第一收件地址对应的标签更正为第二标签后，使用所述第一收件地址与第二标签的对应关系对所述标签学习引擎进行更新训练，得到更新后的标签学习引擎的步骤之前还包括：
3.根据权利要求1所述的方法，其特征在于，所述在确定将所述第一收件地址对应的标签更正为第二标签后，使用所述第一收件地址与第二标签的对应关系对所述标签学习引擎进行更新训练，得到更新后的标签学习引擎的步骤之前还包括：
4.根据权利要求1所述的方法，其特征在于，所述地址特征为从收件地址中抽取出的关键信息片段集合；一个或多个地址特征对应一个标签；一个或多个标签对应一个分拣隔口。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述标签学习引擎的构建过程包括：
7.根据权利要求6所述的方法，其特征在于，所述地址特征提取模型为基于bilstm-crf的序列标注模型，包括：嵌入层，用于将收件地址中的每个字符映射为稠密向量表示；双向lstm层，用于对字符嵌入序列进行上下文感知的编码，捕捉地址成分之间的依赖关系；多层感知机层，用于将bilstm每一步的隐藏层表示映射为地址要素标签的发射分数；crf层，用于建模地址要素标签之间的转移约束，结合发射分数解码出整体最优标签序列；后处理模块，用于根据标签序列从地址要素词库中提取关键地址特征；
8.一种服务器，其特征在于，所述服务器包括：一个或多个处理器和存储器；所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，所述一个或多个处理器调用所述计算机指令以使得所述服务器执行如权利要求1-7中任一项所述的方法。
9.一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在服务器上运行时，使得所述服务器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在服务器上运行时，使得所述服务器执行如权利要求1-7中任一项所述的方法。
