[發(fā)明專利]網(wǎng)點(diǎn)業(yè)務(wù)分配方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011509999.4
• 申請(qǐng)日: 2020-12-18
• 公開（公告）號(hào): CN112529325A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 杜亮
• 申請(qǐng)（專利權(quán)）人: 平安銀行股份有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06F40/295;G06F16/906;G06F16/951;G06N3/04;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 楊毅玲;劉麗華

1.一種網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述方法包括：

對(duì)各個(gè)網(wǎng)點(diǎn)的新聞文本進(jìn)行業(yè)務(wù)需求事件抽取；

基于所述業(yè)務(wù)需求事件對(duì)全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，并在每輪迭代訓(xùn)練的過程中，對(duì)所述全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分割并對(duì)分割后的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行精簡(jiǎn)，在迭代訓(xùn)練結(jié)束時(shí)，得到業(yè)務(wù)需求分類模型；

獲取所述業(yè)務(wù)需求分類模型的輸出，得到各個(gè)網(wǎng)點(diǎn)的業(yè)務(wù)需求概率；

獲取各個(gè)網(wǎng)點(diǎn)的環(huán)境信息，并調(diào)用預(yù)先訓(xùn)練的環(huán)境出行預(yù)測(cè)模型基于所述環(huán)境信息進(jìn)行預(yù)測(cè)，得到各個(gè)網(wǎng)點(diǎn)的用戶出行概率；

根據(jù)各個(gè)網(wǎng)點(diǎn)的用戶出行概率校正對(duì)應(yīng)網(wǎng)點(diǎn)的業(yè)務(wù)需求概率，得到各個(gè)網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)需求量；

根據(jù)各個(gè)網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)需求量進(jìn)行網(wǎng)點(diǎn)業(yè)務(wù)分配。

2.如權(quán)利要求1所述的網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述基于所述業(yè)務(wù)需求事件對(duì)全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，并在每輪迭代訓(xùn)練的過程中，對(duì)所述全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分割并對(duì)分割后的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行精簡(jiǎn)，在迭代訓(xùn)練結(jié)束時(shí)，得到業(yè)務(wù)需求分類模型包括：

對(duì)所述新聞文本進(jìn)行分詞并轉(zhuǎn)化為詞向量；

對(duì)所述詞向量與對(duì)應(yīng)的所述業(yè)務(wù)需求事件進(jìn)行拼接得到文本描述；

輸入所述文本描述至所述全連接神經(jīng)網(wǎng)絡(luò)中進(jìn)行迭代訓(xùn)練；

獲取當(dāng)前層全連接層的多個(gè)神經(jīng)元的輸出，并根據(jù)所述當(dāng)前層全連接層的多個(gè)神經(jīng)元的輸出確定所述當(dāng)前層全連接層的神經(jīng)元輸出分布；

確定所述當(dāng)前層全連接層的神經(jīng)元輸出分布中的極小值點(diǎn)；

以所述極小值點(diǎn)為分割點(diǎn)分割所述當(dāng)前層全連接層的多個(gè)神經(jīng)元為多個(gè)神經(jīng)元組；

獲取神經(jīng)元輸出分布服從高斯分布的神經(jīng)元組中的相同輸出，并將相同輸出對(duì)應(yīng)的兩個(gè)神經(jīng)元中的一個(gè)神經(jīng)元進(jìn)行刪除，另一個(gè)神經(jīng)元進(jìn)行保留，將刪除神經(jīng)元后的輸出作為所述當(dāng)前層的下一層全連接層的輸入；

重復(fù)上述過程，直至迭代訓(xùn)練結(jié)束，得到業(yè)務(wù)需求分類模型。

3.如權(quán)利要求2所述的網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述獲取神經(jīng)元輸出分布服從高斯分布的神經(jīng)元組包括：

以每個(gè)神經(jīng)元組中的極大值點(diǎn)為分割點(diǎn)分割所述神經(jīng)元組，得到左神經(jīng)元子組和右神經(jīng)元子組；

確定每個(gè)神經(jīng)元組中的左神經(jīng)元子組中的神經(jīng)元的第一數(shù)量和右神經(jīng)元子組的神經(jīng)元的第二數(shù)量；

計(jì)算所述第一數(shù)量與對(duì)應(yīng)的第二數(shù)量之間的數(shù)量差值；

判斷所述差值是否小于預(yù)設(shè)差值閾值；

將小于所述預(yù)設(shè)差值閾值的目標(biāo)差值對(duì)應(yīng)的神經(jīng)元組確定為服從高斯分布的神經(jīng)元組。

4.如權(quán)利要求1至3中任意一項(xiàng)所述的網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述根據(jù)各個(gè)網(wǎng)點(diǎn)的用戶出行概率校正對(duì)應(yīng)網(wǎng)點(diǎn)的業(yè)務(wù)需求概率，得到各個(gè)網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)量包括：

對(duì)各個(gè)網(wǎng)點(diǎn)的用戶出行概率與預(yù)設(shè)的多個(gè)出行概率閾值范圍進(jìn)行比較；

當(dāng)網(wǎng)點(diǎn)的用戶出行概率對(duì)應(yīng)預(yù)設(shè)的第一出行概率閾值范圍時(shí)，采用第一校正因子對(duì)所述網(wǎng)點(diǎn)的業(yè)務(wù)需求概率進(jìn)行校正，得到所述網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)需求概率；

當(dāng)網(wǎng)點(diǎn)的用戶出行概率對(duì)應(yīng)預(yù)設(shè)的第二出行概率閾值范圍時(shí)，采用第二校正因子對(duì)所述網(wǎng)點(diǎn)的業(yè)務(wù)需求概率進(jìn)行校正，得到所述網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)需求概率，所述第一校正因子大于所述第二校正因子；

基于所述網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)需求概率及基礎(chǔ)業(yè)務(wù)量計(jì)算所述網(wǎng)點(diǎn)的目標(biāo)業(yè)務(wù)量。

5.如權(quán)利要求4所述的網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述各個(gè)網(wǎng)點(diǎn)的新聞文本采用如下方式獲取：

針對(duì)任意一個(gè)網(wǎng)點(diǎn)，爬取多個(gè)新聞文本；

針對(duì)每個(gè)新聞文本，采用命名實(shí)體識(shí)別技術(shù)識(shí)別所述新聞文本中的多個(gè)網(wǎng)點(diǎn)命名實(shí)體；

計(jì)算每一個(gè)新聞文本中的每一個(gè)網(wǎng)點(diǎn)命名實(shí)體的數(shù)量；

將數(shù)量最大的網(wǎng)點(diǎn)命名實(shí)體作為所述新聞文本描述的目標(biāo)網(wǎng)點(diǎn)；

選取所述目標(biāo)網(wǎng)點(diǎn)為所述網(wǎng)點(diǎn)對(duì)應(yīng)的新聞文本。

6.如權(quán)利要求5所述的網(wǎng)點(diǎn)業(yè)務(wù)分配方法，其特征在于，所述對(duì)各個(gè)網(wǎng)點(diǎn)的新聞文本進(jìn)行業(yè)務(wù)需求事件抽取包括：

抽取所述新聞文本中的事件關(guān)鍵詞；

判斷所述事件關(guān)鍵詞所依存的主體是否為所述網(wǎng)點(diǎn)；

當(dāng)所述事件關(guān)鍵詞所依存的主體為所述網(wǎng)點(diǎn)，則確定所述事件關(guān)鍵詞為所述網(wǎng)點(diǎn)的業(yè)務(wù)需求事件。