本公开涉及计算机技术领域，具体地，涉及一种活动事件风险识别方法、装置、可读存储介质及电子设备。
背景技术：
随着计算机技术的快速发展，在线活动事件也得到了快速的发展和广泛应用，而如何提高在线活动事件的安全性，得到了越来越多的关注和重视。相关技术中，在活动事件上线之前，采用人工识别方式对待上线的活动事件进行风险识别，进而根据识别结果确定是否上线该活动事件，以此来提高在线活动事件的安全性。
然而，采用人工识别的方式通常会导致如下问题：(1)识别准确度较低，只能凭借个人经验及能力来识别活动事件的风险，即，风险识别的准确度依赖于识别人员的经验和能力；若识别人员经验或能力不足，就无法准确识别风险；(2)识别方式过于人工化，智能化程度较低。
技术实现要素：
本公开的目的是提供一种活动事件风险识别方法、装置、可读存储介质及电子设备，以解决相关技术中存在的问题。
为了实现上述目的，本公开第一方面提供一种活动事件风险识别方法，包括：
响应于从审核方的人机交互设备中接收到活动事件风险识别请求，获取与待识别的活动事件相关的目标特征信息，所述目标特征信息包括活动事件的特征信息和与所述活动事件相关的配送员的配送特征信息；
根据所述目标特征信息，确定所述活动事件对应的风险类型信息；
向所述审核方的人机交互设备发送所述风险类型信息，以通过所述审核方的人机交互设备输出所述风险类型信息。
可选地，所述根据所述目标特征信息，确定所述活动事件对应的风险类型信息，包括：
根据所述目标特征信息、通过成本特征提取模型，获得所述活动事件对应的至少一种类型的成本特征信息；
根据所述至少一种类型的成本特征信息，确定所述活动事件对应的风险类型信息。
可选地，所述活动事件的特征信息包括能够影响所述活动事件的外部环境特征信息。
可选地，与所述活动事件相关的配送员的数量为多名；相应地，
所述根据所述目标特征信息、通过成本特征提取模型，获得所述活动事件对应的至少一种类型的成本特征信息，包括：
针对每名所述配送员，将该名配送员的配送特征信息和所述活动事件的特征信息作为所述成本特征提取模型的输入数据，通过所述成本特征提取模型获得针对该名配送员的成本特征信息；
根据获得的针对每名配送员的所述成本特征信息，确定所述活动事件对应的至少一种类型的成本特征信息。
可选地，所述活动事件对应的至少一种类型的成本特征信息包括以下信息中的至少一个：所述活动事件的总成本特征信息、所述活动事件期间的配送员平均成本特征信息、所述活动事件期间的日均成本特征信息、所述活动事件期间的日均配送员平均成本特征信息。
可选地，所述根据所述至少一种类型的成本特征信息，确定所述活动事件对应的风险类型信息，包括：
针对每种类型的成本特征信息，根据该种类型的成本特征信息所处的数值区间，确定所述活动事件的、与该类型的成本特征信息对应的风险信息，其中，每种类型的成本特征信息各自对应有多个数值区间，且每种类型的成本特征信息各自对应的所述多个数值区间是根据多个历史活动事件中每一历史活动事件对应的该类型的实际成本信息划分而成的；
根据所述活动事件的、与至少一种类型的成本特征信息对应的风险信息，确定所述活动事件对应的风险类型信息。
可选地，所述方法还包括：
响应于从发布方的人机交互设备中接收到针对所述活动事件的活动事件发布请求，根据所述活动事件对应的风险类型信息，确定是否允许发布所述活动事件；
在确定允许发布所述活动事件的情况下，向与所述活动事件相关的配送员的配送终端发布所述活动事件。
本公开第二方面还提供一种活动事件风险识别装置，包括：
获取模块，被配置成用于响应于从审核方的人机交互设备中接收到活动事件风险识别请求，获取与待识别的活动事件相关的目标特征信息，所述目标特征信息包括活动事件的特征信息和与所述活动事件相关的配送员的配送特征信息；
第一确定模块，被配置成用于根据所述目标特征信息，确定所述活动事件对应的风险类型信息；
第一发送模块，被配置成用于向所述审核方的人机交互设备发送所述风险类型信息，以通过所述审核方的人机交互设备输出所述风险类型信息。
可选地，所述活动事件的特征信息包括能够影响所述活动事件的外部环境特征信息。
可选地，所述第一确定模块包括：
获取子模块，被配置成用于根据所述目标特征信息、通过成本特征提取模型，获得所述活动事件对应的至少一种类型的成本特征信息；
确定子模块，被配置成用于根据所述至少一种类型的成本特征信息，确定所述活动事件对应的风险类型信息。
可选地，与所述活动事件相关的配送员的数量为多名；相应地，所述获取子模块，被配置成用于针对每名所述配送员，将该名配送员的配送特征信息和所述活动事件的特征信息作为所述成本特征提取模型的输入数据，通过所述成本特征提取模型获得针对该名配送员的成本特征信息；根据获得的针对每名配送员的所述成本特征信息，确定所述活动事件对应的至少一种类型的成本特征信息。
可选地，所述活动事件对应的至少一种类型的成本特征信息包括以下信息中的至少一个：所述活动事件的总成本特征信息、所述活动事件期间的配送员平均成本特征信息、所述活动事件期间的日均成本特征信息、所述活动事件期间的日均配送员平均成本特征信息。
可选地，所述确定子模块，被配置成用于针对每种类型的成本特征信息，根据该种类型的成本特征信息所处的数值区间，确定所述活动事件的、与该类型的成本特征信息对应的风险信息，其中，每种类型的成本特征信息各自对应有多个数值区间，且每种类型的成本特征信息各自对应的所述多个数值区间是根据多个历史活动事件中每一历史活动事件对应的该类型的实际成本信息划分而成的；根据所述活动事件的、与至少一种类型的成本特征信息对应的风险信息，确定所述活动事件对应的风险类型信息。
可选地，所述装置还包括：
第二确定模块，被配置成用于响应于从发布方的人机交互设备中接收到针对所述活动事件的活动事件发布请求，根据所述活动事件对应的风险类型信息，确定是否允许发布所述活动事件；
第二发送模块，被配置成用于在确定允许发布所述活动事件的情况下，向与所述活动事件相关的配送员的配送终端发布所述活动事件。
本公开第三方面还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所提供的所述方法的步骤。
本公开第四方面还提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，被配置成用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所提供的所述方法的步骤。
通过上述技术方案，根据活动事件的特征信息和与活动事件相关的配送员的配送特征信息，确定该活动事件对应的风险类型信息，如此，在对活动事件风险识别时参考对活动事件风险影响较大的多种特征信息，可以有效地提高对活动事件风险识别的准确度。并且，在从审核方的人机交互设备中接收到活动事件风险识别请求时即可自动对待识别的活动事件进行风险评估，提高了风险评估的智能化，避免人工识别风险的弊端。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种活动事件风险识别方法的流程图。
图2是根据另一示例性实施例示出的一种活动事件风险识别方法的流程图。
图3是根据另一示例性实施例示出的一种活动事件风险识别方法的流程图。
图4是根据一示例性实施例示出的一种活动事件风险识别装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
考虑到人工识别风险的弊端，本公开提供一种自动识别活动事件风险的方法。通常情况下，在对活动事件进行风险识别时，主要依据活动事件的特征信息。然而，发明人发现，在即时配送领域，仅依赖于活动事件的特征信息进行风险识别，准确率较低，这是因为在即时配送领域，活动事件的风险还受活动事件相关的配送员的配送特征信息的影响。因此，基于上述分析，本公开提供一种能够自动且更加准确地识别活动事件风险的活动事件风险识别方法、装置、可读存储介质及电子设备。
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种活动事件风险识别方法的流程图。如图1所示，该方法可以包括步骤101至步骤103。
在步骤101中，响应于从审核方的人机交互设备中接收到活动事件风险识别请求，获取与待识别的活动事件相关的目标特征信息。其中，目标特征信息包括活动事件的特征信息和与活动事件相关的配送员的配送特征信息。
在本公开中，活动事件的审核方在请求审核该活动事件时，可以首先通过审核方的人机交互设备向执行该活动事件风险识别方法的电子设备发送活动事件风险识别请求，以使该电子设备在接收到该活动事件风险识别请求时，获取该活动事件相关的目标特征信息。其中，在一种可能的实施方式中，审核方在发送该活动事件风险识别请求时输入目标特征信息，进而电子设备即可获取到与该活动事件相关的目标特征信息。在另一种可能的实施方式中，审核方在发送该活动事件风险识别请求时输入相关技术人员策划的活动事件的相关内容，进而电子设备即可根据该相关内容自动提取到与该活动事件相关的目标特征信息。
如上所述，为了提高对活动事件风险识别的准确率，在本公开中，该目标特征信息可以是对活动事件的风险影响较大的一些特征信息。示例地，在即时配送领域，通常活动事件的特征信息和与活动事件相关的配送员的配送特征信息对活动事件的风险影响较大，因此，在本公开中，该目标特征信息可以是活动事件的特征信息和与活动事件相关的配送员的配送特征信息。
示例地，该目标特征信息可以包括活动事件的基本特征信息，该基本特征信息可以包括活动事件的持续天数、订单类型(例如：快送、专送、跑腿、众包、全城送中的一种或多种)、订单时段、订单距离(例如，设定配送距离大于2km的订单才能参与该活动事件)、活动事件类型(例如：冲单奖、单单奖、阶梯奖)、活动事件的地点信息(例如，活动事件具体实施的城市的级别信息)等。考虑到活动事件的外部环境信息也会对活动事件风险识别存在影响，因此，在一种实施例中，该活动事件的特征信息还可以包括能够影响活动事件的外部环境特征信息。该外部环境特征信息可以包括：活动事件期间是否存在节假日、是否存在促销或者是否存在大型活动(例如，马拉松、奥运会或世博会等)，和活动事件的天气信息等等。与活动事件相关的配送员的配送特征信息可以包括配送员的工作类型(兼职或全职)、偏好配送时间段、偏好配送距离等。
需要说明的是，在获取到目标特征信息之后，还可以对该目标特征信息进行标准化处理。示例地，可以对订单类型、活动事件类型、配送员的工作类型、活动事件期间是否存在节假日、是否存在促销、活动事件期间的天气等类型信息进行onehot编码转换，以将类型信息转换为二进制向量表示。对于订单时段、订单距离、偏好配送距离等连续取值的信息采用分桶法进行离散化；对缺失的一些信息采用默认值进行填充，例如，在无法获取到配送员a的偏好配送距离时，将配送员a的偏好配送距离确定为默认距离，等等。此外，为了保证标准化处理后的目标特征信息对应的数据具有相同的数量级，还可以对标准化处理后的目标特征信息进行归一化处理。本公开对此不作具体限定。
在步骤102中，根据目标特征信息，确定活动事件对应的风险类型信息。
在本公开中，风险类型信息可以表征风险等级，例如，第一级风险、第二级风险，等等。其中，风险等级越大，表征活动事件的风险越大。
示例地，可以将目标特征信息作为预先训练好的神经网络模型的输入，以获得活动事件对应的风险类型信息，其中，该神经网络模型可以是通过将历史活动的特征信息作为输入，并将历史活动的风险类型信息作为输出进行训练得到的。还可以通过确定风险类型信息的方式，确定该活动事件对应的风险类型信息，本公开对此不作具体限定。
在步骤103中，向审核方的人机交互设备发送风险类型信息，以通过审核方的人机交互设备输出风险类型信息。
在确定出活动事件对应的风险类型信息之后，执行该活动事件风险识别方法的电子设备还可以将该风险类型信息发送至审核方的人机交互设备(例如终端)，以使审核方的人机交互设备输出风险类型信息，便于用户获知该风险类型信息。
通过上述技术方案，根据活动事件的特征信息和与活动事件相关的配送员的配送特征信息，确定该活动事件对应的风险类型信息，如此，在对活动事件风险识别时参考对活动事件风险影响较大的多种特征信息，可以有效地提高对活动事件风险识别的准确度。并且，在从审核方的人机交互设备中接收到活动事件风险识别请求时即可自动对待识别的活动事件进行风险评估，提高了风险评估的智能化，避免人工识别风险的弊端。
考虑到即时配送领域的线上活动事件属于成本开放式活动事件，在实际开展活动事件时极有可能会导致实际成本远远大于该活动事件的预算成本，从而使该上线活动事件成为风险活动事件，因此，本公开中可以基于成本特征信息对该活动事件进行风险识别。
具体地，如图2所示，图1中的步骤102可以具体包括步骤1021和步骤1022。
在步骤1021中，根据目标特征信息、通过成本特征提取模型，获得活动事件对应的至少一种类型的成本特征信息。
其中，该至少一种类型的成本特征信息可以包括活动事件的总成本特征信息tc、活动事件期间的配送员平均成本特征信息rc、活动事件期间的日均成本特征信息ptc、活动事件期间的日均配送员平均成本特征信息prc。
在本公开中，可以分别确定出每名配送员的成本特征信息，之后，再确定活动事件对应的至少一种类型的成本特征信息。具体地，首先，针对每名配送员，将该名配送员的配送特征信息、活动事件的特征信息作为成本特征提取模型的输入数据，通过成本特征提取模型获得针对该名配送员的成本特征信息，之后，根据获得的针对每名配送员的成本特征信息，确定活动事件对应的至少一种类型的成本特征信息。
需要说明的是，在本公开中，成本特征提取模型可以通过将历史活动事件的各配送员的配送特征信息、活动事件的特征信息作为输入，并将各配送员的成本特征信息作为输出进行训练得到。
具体地，针对与每一历史活动事件相关的各配送员，将该配送员的配送特征信息和活动事件的特征信息拼接后作为输入，并将该配送员的成本特征信息作为输出进行训练。其中，针对每一历史活动事件的各配送员的配送特征信息、活动事件的特征信息可以表示为
示例地，可以将历史活动事件的特征信息和配送员的配送特征信息拼接后形成的特征作为样本特征，以及将配送员的成本特征信息作为样本标签，对xgboost回归模型进行训练，以得到本公开所述的成本特征提取模型。
首先，对xgboost算法常用的超参数说明如下：eta表征收缩步长，即学习速率，取值范围为[0，1]，默认为0.3，在更新叶子节点的时候，权重乘以eta，以避免在更新过程中的过拟合。n_estimators表征树的个数。max_depth表征每棵树的最大深度，取值范围[1，∞]，默认为6，树越深越容易过拟合。min_child_weight表征孩子节点中最小的样本权重和。如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束，min_child_weight取值范围是[0，∞]，默认为1。sabsample用于训练模型的子样本占总体样本的比例，取值范围是(0，1]，默认为1。当sabsample为0.5时，意味着随机抽取一半的样本来训练模型。colsample_bytree表征在构建每颗树时，特征子集的比例，即对特征采样的比例，取值范围是(0，1]，默认为1。alpha表征权重的l1正则化项。
由于xgboost的超参数比较多，所以为了获得最佳的模型效果，采用k折交叉验证的方法确定超参数的取值。
所谓的k折交叉验证就是将原始数据集分为k个子集，每次将其中一个子集作为测试集，将剩下的k-1个子集作为训练集，因此可以得到k组训练集和测试集。过程如下：
步骤1)以预设间隔(例如预设间隔为0.1)遍历eta的取值范围，得到最佳的eta。然后基于最佳eta，采用k折交叉验证，确定最佳n_estimators；其中，在确定最佳的n_estimators时是从n_estimators的预设数量个经验值中确定的。
步骤2)基于步骤1)的最佳eta和最佳n_estimators，遍历max_depth和min_child_weight的所有组合(其中，max_depth、min_child_weight具有预设数量个经验值)，得到最佳max_depth和最佳min_child_weight；然后基于最佳eta、最佳n_estimators、最佳max_depth和最佳min_child_weight，遍历sabsample和col_sample_bytree的所有组合，得到最佳sabsample和最佳col_sample_bytree。
步骤3)基于步骤1)的最佳eta和步骤2)的最佳max_depth、最佳min_child_weight、最佳sabsample、最佳col_sample_bytree，重新确定一个最佳的n_estimators。
步骤4)为了避免过拟合，利用步骤1)、步骤2)、步骤3)确定的所有参数，确定最佳的正则化项alpha。然后基于最佳正则化项alpha，重复步骤1)-步骤3)，重新确定其他最佳参数。
步骤5)利用步骤1)-步骤4)得到的最佳参数，调整学习率eta，得到最终的最佳参数。
在按照上述方式确定出最佳的超参数取值后，即可得到成本特征提取模型。
如此，在训练得到成本特征提取模型之后，可以将配送员的配送特征信息和活动事件的特征信息作为成本特征提取模型的输入数据，即可得到该成本特征提取模型输出的针对该名配送员的成本特征信息。
在一种实施例中，可以依次将各配送特征信息和活动事件的特征信息作为成本特征提取模型的输入数据，以依次得到各配送员的成本特征信息。
在另一种实施例中，可以同时将每名配送员的配送特征信息和活动事件的特征信息作为成本特征提取模型的输入数据，以同时得到每名配送员的成本特征信息。在该实施例中，成本特征提取模型的输入通道数量大于或等于与活动事件相关的配送员的数量，这样，可以将每名配送员的配送特征信息和活动事件的特征信息作为一输入数据，以得到多个输入数据，进而将该多个输入数据通过不同的输入通道同时输入，以同时得到每名配送员的成本特征信息。
在根据上述实施例中的任一实施例确定出每名配送员的成本特征信息之后，对每名配送员的成本特征信息进行求和计算，以得到活动事件对应的活动事件的总成本特征信息tc。
在确定出活动事件对应的活动事件的总成本特征信息tc之后，根据该总成本特征信息tc和与活动事件相关的配送员的数量n，通过公式(1)确定活动事件期间的配送员平均成本特征信息rc：
在确定出活动事件对应的活动事件的总成本特征信息tc之后，还可以根据该总成本特征信息tc和活动事件的持续天数d，通过公式(2)确定活动事件期间的日均成本特征信息ptc：
在确定出活动事件对应的活动事件的总成本特征信息tc之后，还可以根据该总成本特征信息tc、与活动事件相关的配送员的数量n和活动事件的持续天数d，通过公式(3)确定活动事件期间的日均配送员平均成本特征信息prc：
在步骤1022中，根据至少一种类型的成本特征信息，确定活动事件对应的风险类型信息。
在本公开中，该活动事件对应的风险类型信息可以包括活动事件的、与每种类型的成本特征信息对应的风险类型信息和/或活动事件的总风险类型信息。
其中，活动事件的、与每种类型的成本特征信息对应的风险类型信息可以通过以下方式确定：
针对每种类型的成本特征信息，根据该种类型的成本特征信息所处的数值区间，确定活动事件的、与该类型的成本特征信息对应的风险信息，其中，每种类型的成本特征信息各自对应有多个数值区间，且每种类型的成本特征信息各自对应的多个数值区间是根据多个历史活动事件中每一历史活动事件对应的该类型的实际成本信息划分而成的；根据活动事件的、与至少一种类型的成本特征信息对应的风险信息，确定活动事件对应的风险类型信息。
其中，该风险信息可以是风险值，该风险值可以是1～10中的任一数值，也可以是1～100中的任一数值，等等。风险类型信息可以是高风险和低风险，也可以是第一级风险、第二级风险，等等。例如，假设风险值为1～100，风险类型包括第一级风险、第二级风险、……第四级风险。其中，第一级风险类型对应的风险值范围为[1，25)，第二级风险类型对应的风险值范围为[25，50)，第三级风险类型对应的风险值范围为[50，75)，第四级风险类型对应的风险值范围为[75，100]。如此，在确定出活动事件的、与该类型的成本特征信息对应的风险信息之后，即可根据预设的风险信息与风险类型信息之间的对应关系，确定出活动事件的、与该类型的成本特征信息对应的风险类型信息。
在本公开中，该活动事件对应的风险类型信息可以包括：活动事件的、与活动事件的总成本特征信息对应的风险类型信息，活动事件的、与活动事件期间的配送员平均成本特征信息对应的风险类型信息，活动事件的、活动事件期间的日均成本特征信息对应的风险类型信息，活动事件的、活动事件期间的日均配送员平均成本特征信息的风险类型信息和活动事件的总风险类型信息。
在活动事件对应的风险类型信息可以包括：活动事件的、与活动事件的总成本特征信息对应的风险类型信息，活动事件的、与活动事件期间的配送员平均成本特征信息对应的风险类型信息，活动事件的、活动事件期间的日均成本特征信息对应的风险类型信息，活动事件的、活动事件期间的日均配送员平均成本特征信息的风险类型信息中的至少一者时，相应地，确定活动事件对应的风险类型信息包括：针对活动事件的、与至少一种类型的成本特征信息对应的风险信息中的各类型的成本特征信息对应的风险信息，根据该种类型的成本特征信息对应的风险信息，确定活动事件的、与该类型的成本特征信息对应的风险类型信息。
示例地，以确定活动事件的、与活动事件的总成本特征信息tc对应的风险类型信息为例进行说明。首先，根据历史活动事件的实际总成本特征信息tc、以及该历史事件的风险信息，对多个历史活动事件中每一历史活动事件的实际总成本特征信息tc进行划分。例如，将属于同一风险信息的历史活动事件划分为一个数值区间，且该数值区间的下限、上限分别为属于该类风险信息的最小、最大实际总成本特征信息tc，这样，每一数值区间对应一风险信息。之后，将该活动事件的总成本特征信息tc所处的数值区间对应的风险信息，确定为活动事件的、与活动事件的总成本特征信息tc对应的风险信息。之后，基于所确定的风险信息，查找预设的风险信息与风险类型信息之间的对应关系，确定出活动事件的、与活动事件的总成本特征信息tc对应的风险类型信息。
需要说明的是，确定活动事件的、与活动事件期间的配送员平均成本特征信息rc对应的风险类型信息、与活动事件期间的日均成本特征信息ptc对应的风险类型信息、以及活动事件期间的日均配送员平均成本特征信息prc对应的风险类型信息的方式与，确定活动事件的、与活动事件的总成本特征信息tc对应的风险类型信息的方式相同，此处不再赘述。
按照上述方式，针对每种类型的成本特征信息，均可以确定出活动事件的、与该类型的成本特征信息对应的风险信息，以及风险类型信息。在确定出活动事件的、与每种类型的成本特征信息对应的风险信息之后，还可以进一步确定出活动事件的总风险类型信息。
具体地，活动事件的总风险类型信息可以通过以下方式获取：
根据活动事件的、与每种类型的成本特征信息对应的风险信息，确定活动事件的总风险类型信息。
示例地，首先，可以根据公式(4)，确定活动事件的总风险信息：
ar＝tcr·w1 rcr·w2 ptcr·w3 prcr·w4(4)
其中，ar表征活动事件的总风险信息，tcr表征活动事件的、与活动事件的总成本特征信息tc对应的风险信息，rcr表征活动事件的、与活动事件期间的配送员平均成本特征信息rc对应的风险信息，ptcr表征活动事件的、与活动事件期间的日均成本特征信息ptc对应的风险信息，prcr表征活动事件的、与活动事件期间的日均配送员平均成本特征信息prc对应的风险信息，w1、w2、w3、w4分别是tcr、rcr、ptcr、prcr的加权值，取值范围均为[0，1]，且w1 w2 w3 w4＝1。
然后，基于公式(4)所确定的活动事件的总风险信息，查询预设的风险信息与风险类型信息之间的对应关系，确定与该总风险信息对应的活动事件的总风险类型信息。
采用上述技术方案，由于可以确定出多种类型的成本特征信息，进而可以基于该多种类型的成本特征信息分别确定出活动事件的、与每种类型的成本特征信息对应的风险类型信息，以及总风险类型信息，扩充了识别风险的参考指标，使得识别风险的指标多样化，提高了风险识别的准确性和可参考性。
此外，在确定出活动事件对应的风险类型信息之后，还可以根据该风险类型信息确定是否允许发布该活动事件，以提高在线活动事件的安全性。具体地，如图3所示，在按照上述方式确定出活动事件对应的风险类型信息之后，该方法还可以包括步骤104至步骤106。
在步骤104中，响应于从发布方的人机交互设备中接收到针对活动事件的活动事件发布请求，根据活动事件对应的风险类型信息，确定是否允许发布活动事件。
为了保证在线活动事件的安全性，在接收到发布方发送的针对活动事件的活动事件发布请求时，执行活动事件风险识别方法的电子设备并不立即发布该活动事件，而是基于上述所确定的活动事件对应的风险类型信息，进一步确定是否允许发布该活动事件。若允许发布该活动事件，则执行步骤105，否则执行步骤106。
示例地，假设风险类型信息表征的风险等级大于或等于第三风险的活动事件为不允许发布的活动事件，若上述所确定的活动事件对应的风险类型信息表征风险等级为第四级风险，则确定不允许发布该活动事件。
在步骤105中，在确定允许发布活动事件的情况下，向与活动事件相关的配送员的配送终端发布活动事件。
在确定允许发布活动事件的情况下，可以向该与活动事件相关的配送员的配送终端推送该活动事件，以使配送员参与该活动事件，确保该活动事件顺利开展。
在步骤106中，在确定不允许发布活动事件的情况下，向活动事件发布请求的发送方发送拒绝发布信息。
在确定不允许发布活动事件的情况下，向活动事件发布请求的发送方发送拒绝发布信息，以使该发送方获知该活动事件属于风险较高的活动事件。
采用上述技术方案，根据所确定的活动事件对应的风险类型信息，确定是否允许发布该活动事件，并在允许发布时，向与活动事件相关的配送员的配送终端发布活动事件，保证了上线活动事件的安全性，提高了发布活动事件的智能化。并且，在不允许发布时，向活动事件发布请求的发送方发送拒绝发布信息，使得活动事件发布请求的发送方及时获知该活动事件属于风险较高的活动事件，提高了活动事件风险识别方法的灵活性。
值的说明的是，在确定允许发布活动事件的情况下，在该活动事件结束时，还可以将该活动事件标识为历史活动事件，以此不断的扩充历史活动事件，以进一步对其他的待识别的活动事件的风险识别作出贡献。本公开对此不作具体限定。
基于同一发明构思，本公开还提供一种活动事件风险识别装置。图4是根据一示例性实施例示出的一种活动事件风险识别装置的框图。如图4所示，该活动事件风险识别装置40可以包括：
获取模块401，被配置成用于响应于从审核方的人机交互设备中接收到活动事件风险识别请求，获取与待识别的活动事件相关的目标特征信息，所述目标特征信息包括活动事件的特征信息和与所述活动事件相关的配送员的配送特征信息；
第一确定模块402，被配置成用于根据所述目标特征信息，确定所述活动事件对应的风险类型信息；
第一发送模块403，被配置成用于向所述审核方的人机交互设备发送所述风险类型信息，以通过所述审核方的人机交互设备输出所述风险类型信息。
可选地，所述活动事件的特征信息包括能够影响所述活动事件的外部环境特征信息。
可选地，所述第一确定模块402可以包括：
获取子模块，被配置成用于根据所述目标特征信息、通过成本特征提取模型，获得所述活动事件对应的至少一种类型的成本特征信息；
确定子模块，被配置成用于根据所述至少一种类型的成本特征信息，确定所述活动事件对应的风险类型信息。
可选地，与所述活动事件相关的配送员的数量为多名；相应地，
所述获取子模块，可以被配置成用于针对每名所述配送员，将该名配送员的配送特征信息和所述活动事件的特征信息作为所述成本特征提取模型的输入数据，通过所述成本特征提取模型获得针对该名配送员的成本特征信息；根据获得的针对每名配送员的所述成本特征信息，确定所述活动事件对应的至少一种类型的成本特征信息。
可选地，所述活动事件对应的至少一种类型的成本特征信息包括以下信息中的至少一个：所述活动事件的总成本特征信息、所述活动事件期间的配送员平均成本特征信息、所述活动事件期间的日均成本特征信息、所述活动事件期间的日均配送员平均成本特征信息。
可选地，所述确定子模块，可以被配置成用于针对每种类型的成本特征信息，根据该种类型的成本特征信息所处的数值区间，确定所述活动事件的、与该类型的成本特征信息对应的风险信息，其中，每种类型的成本特征信息各自对应有多个数值区间，且每种类型的成本特征信息各自对应的所述多个数值区间是根据多个历史活动事件中每一历史活动事件对应的该类型的实际成本信息划分而成的；根据所述活动事件的、与至少一种类型的成本特征信息对应的风险信息，确定所述活动事件对应的风险类型信息。
可选地，所述装置还可以包括：
第二确定模块，被配置成用于响应于从发布方的人机交互设备中接收到针对所述活动事件的活动事件发布请求，根据所述活动事件对应的风险类型信息，确定是否允许发布所述活动事件；
第二发送模块，被配置成用于在确定允许发布所述活动事件的情况下，向与所述活动事件相关的配送员的配送终端发布所述活动事件。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。如图5所示，该电子设备500可以包括：处理器501，存储器502。该电子设备500还可以包括多媒体组件503，输入/输出(i/o)接口504，以及通信组件505中的一者或多者。
其中，处理器501被配置成用于控制该电子设备500的整体操作，以完成上述的活动事件风险识别方法中的全部或部分步骤。存储器502被配置成用于存储各种类型的数据以支持在该电子设备500的操作，这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件被配置成用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风被配置成用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，被配置成用于输出音频信号。i/o接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505被配置成用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件505可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
在一示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，被配置成用于执行上述的活动事件风险识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的活动事件风险识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由电子设备500的处理器501执行以完成上述的活动事件风险识别方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的活动事件风险识别方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
