[發(fā)明專利]面簽方式分配方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202111106073.5
• 申請(qǐng)日: 2021-09-22
• 公開（公告）號(hào): CN113837595A
• 公開（公告）日: 2021-12-24
• 發(fā)明（設(shè)計(jì)）人: 李欣;徐端琦;李鵬;胡君一;王大森;羅佳;韓韜;楊緒森
• 申請(qǐng)（專利權(quán)）人: 中國(guó)銀聯(lián)股份有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q10/10
• 代理公司: 北京東方億思知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11258
• 代理人: 賀琳

1.一種面簽方式分配方法，其特征在于，包括：

響應(yīng)于接收的面簽申請(qǐng)消息，根據(jù)獲取的面簽申請(qǐng)用戶的用戶基本數(shù)據(jù)和業(yè)務(wù)相關(guān)數(shù)據(jù)，得到模型輸入數(shù)據(jù)，所述面簽申請(qǐng)消息是服務(wù)提供方設(shè)備響應(yīng)于所述面簽申請(qǐng)用戶的用戶終端的面簽申請(qǐng)發(fā)送的；

將所述模型輸入數(shù)據(jù)輸入預(yù)先訓(xùn)練得到的面簽決策模型，得到與所述面簽申請(qǐng)用戶對(duì)應(yīng)的輸出結(jié)果，所述輸出結(jié)果用于表征所述面簽申請(qǐng)用戶匹配的面簽方式，所述面簽方式包括線上面簽或線下面簽，所述面簽決策模型根據(jù)多個(gè)樣本用戶的第一樣本數(shù)據(jù)利用多維度分類算法訓(xùn)練得到，所述第一樣本數(shù)據(jù)包括樣本用戶基本數(shù)據(jù)、樣本業(yè)務(wù)相關(guān)數(shù)據(jù)和期望面簽方式；

根據(jù)所述輸出結(jié)果，為所述面簽申請(qǐng)用戶分配與所述輸出結(jié)果對(duì)應(yīng)的所述面簽方式。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述輸出結(jié)果包括面簽方式判定分?jǐn)?shù)；

所述根據(jù)所述輸出結(jié)果，為所述面簽申請(qǐng)用戶分配與所述輸出結(jié)果對(duì)應(yīng)的面簽方式，包括：

在所述面簽方式判定分?jǐn)?shù)位于第一閾值范圍內(nèi)的情況下，為所述面簽申請(qǐng)用戶分配線上面簽；

在所述面簽方式判定分?jǐn)?shù)位于第二閾值范圍內(nèi)的情況下，為所述面簽申請(qǐng)用戶分配線下面簽；

其中，所述第一閾值范圍與所述第二閾值范圍的交集為空集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)獲取的面簽申請(qǐng)用戶的用戶基本數(shù)據(jù)和業(yè)務(wù)相關(guān)數(shù)據(jù)，得到模型輸入數(shù)據(jù)，包括：

按照預(yù)設(shè)的分類規(guī)則集合，對(duì)所述用戶基本數(shù)據(jù)和所述業(yè)務(wù)相關(guān)數(shù)據(jù)分類，所述分類規(guī)則集合包括多個(gè)分類規(guī)則，所述分類規(guī)則用于對(duì)所述用戶基本數(shù)據(jù)和所述業(yè)務(wù)相關(guān)數(shù)據(jù)分類；

根據(jù)分類后的所述用戶基本數(shù)據(jù)和所述業(yè)務(wù)相關(guān)數(shù)據(jù)所在的類別，生成所述模型輸入數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述根據(jù)獲取的面簽申請(qǐng)用戶的用戶基本數(shù)據(jù)和業(yè)務(wù)相關(guān)數(shù)據(jù)，得到模型輸入數(shù)據(jù)之前，還包括：

獲取多個(gè)所述樣本用戶的所述第一樣本數(shù)據(jù)；

基于所述第一樣本數(shù)據(jù)，利用多維度分類算法，訓(xùn)練得到所述面簽決策模型，訓(xùn)練得到的所述面簽決策模型的模型參數(shù)使第一事件出現(xiàn)的概率最大，所述第一事件包括所述第一樣本數(shù)據(jù)輸入所述面簽決策模型，所述面簽決策模型輸出的所述輸出結(jié)果對(duì)應(yīng)的所述面簽方式與所述期望面簽方式一致。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，多個(gè)所述樣本用戶的所述第一樣本數(shù)據(jù)從N個(gè)數(shù)據(jù)提供方獲取得到，N為大于1的整數(shù)；

所述基于所述第一樣本數(shù)據(jù)，利用多維度分類算法，訓(xùn)練得到所述面簽決策模型，包括：

從每個(gè)數(shù)據(jù)提供方提供的多個(gè)所述樣本用戶的所述第一樣本數(shù)據(jù)中篩選出目標(biāo)樣本用戶的第一目標(biāo)樣本數(shù)據(jù)；

針對(duì)每個(gè)所述數(shù)據(jù)提供方提供的所述目標(biāo)樣本用戶的所述第一目標(biāo)樣本數(shù)據(jù)，利用多維度分類算法，訓(xùn)練得到中間模型；

對(duì)每個(gè)所述數(shù)據(jù)提供方對(duì)應(yīng)的所述中間模型的模型參數(shù)進(jìn)行聚合，得到整合模型參數(shù)；

利用所述整合模型參數(shù)更新所述中間模型，得到所述面簽決策模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，

在N個(gè)數(shù)據(jù)提供方提供的所述樣本用戶的重合率低于或等于第一重合率閾值，且N個(gè)數(shù)據(jù)提供方提供的所述第一樣本數(shù)據(jù)的種類的重合率高于或等于第二重合率閾值的情況下，所述目標(biāo)樣本用戶包括第一類樣本用戶和第二類目標(biāo)樣本用戶，所述第一目標(biāo)樣本數(shù)據(jù)包括第一類樣本數(shù)據(jù)；

在N個(gè)數(shù)據(jù)提供方提供的所述樣本用戶的重合率高于第三重合率閾值，且N個(gè)數(shù)據(jù)提供方提供的所述第一樣本數(shù)據(jù)的種類的重合率低于第四重合率閾值的情況下，所述目標(biāo)樣本用戶包括所述第一類樣本用戶，所述第一目標(biāo)樣本數(shù)據(jù)包括所述第一類樣本數(shù)據(jù)和第二類樣本數(shù)據(jù)；

其中，所述第一類樣本用戶包括N個(gè)數(shù)據(jù)提供方提供的相同的所述樣本用戶，所述第二類樣本用戶包括N個(gè)數(shù)據(jù)提供方提供的不同的所述樣本用戶，所述第一類樣本數(shù)據(jù)包括N個(gè)數(shù)據(jù)提供方提供的種類相同的所述第一樣本數(shù)據(jù)，所述第二類樣本數(shù)據(jù)包括N個(gè)數(shù)據(jù)提供方提供的種類不同的所述第一樣本數(shù)據(jù)。