CN110188940B - 业务处理方法及装置 - Google Patents

业务处理方法及装置 Download PDF

Info

Publication number
CN110188940B
CN110188940B CN201910442090.2A CN201910442090A CN110188940B CN 110188940 B CN110188940 B CN 110188940B CN 201910442090 A CN201910442090 A CN 201910442090A CN 110188940 B CN110188940 B CN 110188940B
Authority
CN
China
Prior art keywords
service
participant
service processing
business
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910442090.2A
Other languages
English (en)
Other versions
CN110188940A (zh
Inventor
关塞
李家昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Tencent Computer Systems Co Ltd
Original Assignee
Shenzhen Tencent Computer Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Tencent Computer Systems Co Ltd filed Critical Shenzhen Tencent Computer Systems Co Ltd
Priority to CN201910442090.2A priority Critical patent/CN110188940B/zh
Publication of CN110188940A publication Critical patent/CN110188940A/zh
Application granted granted Critical
Publication of CN110188940B publication Critical patent/CN110188940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种业务处理方法及装置，该方法包括：目标终端从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数，并从目标业务的第二业务参与方所使用的第二终端获取第二业务参与方的第二历史业务处理次数；确定业务处理次数集合；根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，确定出任一业务处理次数组合的发生概率；根据各业务处理次数组合的发生概率从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。采用本申请实施例，可提高对业务主导方的预测准确性，适用性高。

Description

业务处理方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种业务处理方法及装置。
背景技术
数据挖掘的任务按功能划分可分为两类，一类是预测性任务，一类是描述性任务。随着社会的发展，预测已成为各行各业各类业务不可或缺的一部分，其中最典型的应用场景是对各种业务的发展动态(比如各类比赛的比赛结果)进行预测。例如近年来，随着视频直播技术的发展，人们对于各类比赛(比如足球比赛，尤其是世界杯比赛)的关注度逐年升高，赛前分析和赛果预测更是众多球迷的关注点。然而，目前对各类比赛的结果预测往往基于个人经验，存在很大的片面性和偏差，由此可见，现有技术存在对各类比赛的预测不客观且不精确的问题。
发明内容
本申请实施例提供一种业务处理方法及装置，可提高业务处理过程中对业务主导方的预测准确性，操作简单，适用性高。
第一方面，本申请实施例提供了一种业务处理方法，该方法包括：
当目标终端接收到目标业务的业务处理请求，上述业务处理请求用于请求确定上述目标业务的业务主导方时，上述目标终端从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方的第一历史业务处理次数，并从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方的第二历史业务处理次数；
上述目标终端确定业务处理次数集合，上述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由上述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，上述第一预设业务处理次数集合中包括k个第一预设业务处理次数，上述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
上述目标终端根据上述第一历史业务处理次数、上述第二历史业务处理次数以及上述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算上述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
上述目标终端根据上述业务处理次数集合中各业务处理次数组合的发生概率从上述第一业务参与方和上述第二业务参与方中确定出上述目标业务的业务主导方，并将上述目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面，以提示上述第一业务参与方或者上述第二业务参与方。
本申请实施例基于业务处理次数组合的发生概率确定业务主导方，可提高预测准确性，适用性高。
结合第一方面，在一种可能的实施方式中，上述目标终端根据上述业务处理次数集合中各业务处理次数组合的发生概率从上述第一业务参与方和上述第二业务参与方中确定出上述目标业务的业务主导方，并将上述目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面，以提示上述第一业务参与方或者上述第二业务参与方，包括：
上述目标终端计算上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为上述第一业务参与方作为业务主导方的概率；
上述目标终端计算上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为上述第二业务参与方作为业务主导方的概率；
若上述第一业务主导方概率大于上述第二业务主导方概率，上述目标终端则将上述第一业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第一业务参与方的确定结果输出至上述第一终端的用户交互界面以提示上述第一业务参与方；
若上述第一业务主导方概率小于上述第二业务主导方概率，上述目标终端则将上述第二业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第二业务参与方的确定结果输出至上述第二终端的用户交互界面以提示上述第二业务参与方。
本申请实施例基于确定的第一业务主导方概率和第二业务主导方概率确定目标业务的业务主导方，易于理解且操作简便，适用性高。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
上述目标终端从上述第一终端获取上述第一业务参与方的第一业务统计特征数据，并从上述第二终端获取上述第二业务参与方的第二业务统计特征数据；
上述目标终端基于第一业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第一业务主导方，上述第一业务主导方预测模型由XGboost分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
上述目标终端基于第二业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第二业务主导方，上述第二业务主导方预测模型由支持向量机SVM分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
上述目标终端根据上述第一业务主导方预测模型确定出的上述第一业务主导方、上述第二业务主导方预测模型确定出的上述第二业务主导方和上述目标业务的业务主导方，更新上述目标业务的业务主导方为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。
本申请实施例根据第一业务主导方、第二业务主导方和基于业务处理次数组合的发生概率确定的业务主导方，更新最终的业务主导方，提高了业务主导方的预测准确性，适用性高。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
若上述目标业务的业务主导方为上述第一业务参与方，上述目标终端则从上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；或者
若上述目标业务的业务主导方为上述第二业务参与方，上述目标终端则从上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；
上述目标终端将上述目标业务处理次数组合中包括的第一预设业务处理次数确定为上述第一业务参与方的业务处理次数，将上述第一目标业务处理次数组合中包括的第二预设业务处理次数确定为上述第二业务参与方的业务处理次数，并将上述第一业务参与方的业务处理次数和上述第二业务参与方的业务处理次数输出至上述第一终端的用户交互界面和/或上述第二终端的用户交互界面。
本申请实施例通过确定目标业务处理次数组合，并确定组成目标业务处理次数组合的第一预设业务处理次数和第二预设业务处理次数，可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，适用性高。
结合第一方面，在一种可能的实施方式中，上述目标终端从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方的第一历史业务处理次数，并从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方的第二历史业务处理次数，包括：
上述目标终端从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方在N次历史业务中的N个业务处理次数，计算上述N个业务处理次数的算数平均值并将上述N个业务处理次数的算术平均值确定为上述第一业务参与方的第一历史业务处理次数；
上述目标终端从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方在M次历史业务中的M个业务处理次数，计算上述M个业务处理次数的算数平均值并将上述M个业务处理次数的算术平均值确定为上述第二业务参与方的第二历史业务处理次数；
其中，N和M皆为大于1的整数。
本申请实施例将多个历史业务的业务处理次数的算术平均值确定为历史业务处理次数，简明易懂，计算方便，适用性强。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
上述目标终端从业务数据库中获取第一训练样本集合，上述第一训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
上述目标终端将上述第一训练样本集合中包括的各个训练样本输入XGboost分类模型，以通过上述XGboost分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第一业务主导方预测模型。
本申请实施例通过训练XGboost分类模型，可生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出任一业务的业务主导方能力的第一业务主导方预测模型，提高业务主导方的预测准确性，适用性高。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
上述目标终端从业务数据库中获取第二训练样本集合，上述第二训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
上述目标终端将上述第二训练样本集合中包括的各个训练样本输入支持向量机SVM分类模型，以通过上述支持向量机SVM分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第二业务主导方预测模型。
本申请实施例通过训练SVM分类模型，可生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出任一业务的业务主导方能力的第二业务主导方预测模型，提高业务主导方的预测准确性，适用性高。
结合第一方面，在一种可能的实施方式中，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据。
本申请实施例基于多维度业务统计特征数据衡量目标业务，可提高预测准确性，适用性高。
第二方面，本申请实施例提供了一种业务处理装置，该装置为用于处理目标业务的目标终端，该装置包括：
历史业务处理次数获取模块，用于在接收到目标业务的业务处理请求，上述业务处理请求用于请求确定上述目标业务的业务主导方时，从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方的第一历史业务处理次数，并从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方的第二历史业务处理次数；
业务处理次数组合确定模块，用于确定业务处理次数集合，上述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由上述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，上述第一预设业务处理次数集合中包括k个第一预设业务处理次数，上述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
业务处理次数组合发生概率确定模块，用于根据上述第一历史业务处理次数、上述第二历史业务处理次数以及上述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算上述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
业务主导方确定模块，用于根据上述业务处理次数集合中各业务处理次数组合的发生概率从上述第一业务参与方和上述第二业务参与方中确定出上述目标业务的业务主导方；
业务主导方输出模块，用于将上述业务主导方确定模块确定的上述目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面，以提示上述第一业务参与方或者上述第二业务参与方。
结合第二方面，在一种可能的实施方式中，上述业务主导方确定模块包括：
第一业务主导方概率确定单元，用于将上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为上述第一业务参与方作为业务主导方的概率；
第二业务主导方概率确定单元，用于将上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为上述第二业务参与方作为业务主导方的概率；
第一业务主导方概率判断单元，用于若上述第一业务主导方概率大于上述第二业务主导方概率，则将上述第一业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第一业务参与方的确定结果输出至上述第一终端的用户交互界面以提示上述第一业务参与方；
第二业务主导方概率判断单元，用于若上述第一业务主导方概率小于上述第二业务主导方概率，则将上述第二业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第二业务参与方的确定结果输出至上述第二终端的用户交互界面以提示上述第二业务参与方。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括多投票聚合模块，上述多投票聚合模块包括：
业务统计特征数据获取单元，用于从上述第一终端获取上述第一业务参与方的第一业务统计特征数据，并从上述第二终端获取上述第二业务参与方的第二业务统计特征数据；
第一业务主导方确定单元，用于基于第一业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第一业务主导方，上述第一业务主导方预测模型由XGboost分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
第二业务主导方确定单元，用于基于第二业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第二业务主导方，上述第二业务主导方预测模型由支持向量机SVM分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
业务主导方更新单元，用于根据上述第一业务主导方预测模型确定出的上述第一业务主导方、上述第二业务主导方预测模型确定出的上述第二业务主导方和上述目标业务的业务主导方，更新上述目标业务的业务主导方为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括业务处理次数确定模块，上述业务处理次数确定模块包括：
目标业务处理次数组合确定单元，用于若上述目标业务的业务主导方为上述第一业务参与方，则从上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；或者
若上述目标业务的业务主导方为上述第二业务参与方，则从上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；
业务处理次数确定单元，用于将上述目标业务处理次数组合中包括的第一预设业务处理次数确定为上述第一业务参与方的业务处理次数，将上述第一目标业务处理次数组合中包括的第二预设业务处理次数确定为上述第二业务参与方的业务处理次数，并将上述第一业务参与方的业务处理次数和上述第二业务参与方的业务处理次数输出至上述第一终端的用户交互界面和/或上述第二终端的用户交互界面。
结合第二方面，在一种可能的实施方式中，上述历史业务处理次数获取模块包括：
第一历史业务处理次数确定单元，用于从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方在N次历史业务中的N个业务处理次数，计算上述N个业务处理次数的算数平均值并将上述N个业务处理次数的算术平均值确定为上述第一业务参与方的第一历史业务处理次数；
第二历史业务处理次数确定单元，用于从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方在M次历史业务中的M个业务处理次数，计算上述M个业务处理次数的算数平均值并将上述M个业务处理次数的算术平均值确定为上述第二业务参与方的第二历史业务处理次数；
其中，N和M皆为大于1的整数。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括第一业务主导方预测模型训练模块，上述第一业务主导方预测模型训练模块包括：
第一训练样本集合获取单元，用于从业务数据库中获取第一训练样本集合，上述第一训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
第一业务主导方预测模型训练单元，用于将上述第一训练样本集合中包括的各个训练样本输入XGboost分类模型，以通过上述XGboost分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第一业务主导方预测模型。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括第二业务主导方预测模型训练模块，上述第二业务主导方预测模型训练模块包括：
第二训练样本集合获取单元，用于从业务数据库中获取第二训练样本集合，上述第二训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
第二业务主导方预测模型训练单元，用于将上述第二训练样本集合中包括的各个训练样本输入支持向量机SVM分类模型，以通过上述支持向量机SVM分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第二业务主导方预测模型。
结合第二方面，在一种可能的实施方式中，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据。
第三方面，本申请实施例提供了一种终端，该终端包括收发器、处理器和存储器，该收发器、处理器和存储器相互连接。该存储器用于存储支持该终端执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该收发器、处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
实施本申请实施例，具有如下有益效果：
本申请实施例基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。实施本申请实施例，可提高业务处理过程中对业务主导方的预测准确性，适用性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的系统架构示意图；
图2是本申请实施例提供的业务处理方法的一流程示意图；
图2a是本申请实施例提供的业务处理次数组合的应用场景示意图；
图2b是本申请实施例提供的业务处理次数组合的发生概率的应用场景示意图；
图2c是本申请实施例提供的第一业务主导方概率的应用场景示意图；
图2d是本申请实施例提供的第二业务主导方概率的应用场景示意图；
图3是本申请实施例提供的业务处理方法的另一流程示意图；
图3a是本申请实施例提供的业务主导方为第一业务参与方的应用场景示意图；
图4是本申请实施例提供的业务处理方法的另一流程示意图；
图4a是本申请实施例提供的业务统计特征数据的应用场景示意图；
图5是本申请实施例提供的业务处理方法的另一流程示意图；
图6是本申请实施例提供的业务处理方法的另一流程示意图；
图7是本申请实施例提供的业务处理装置的一结构示意图；
图8是本申请实施例提供的业务处理装置的另一结构示意图；
图9是本申请实施例提供的终端的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的业务处理方法，可广泛适用于各种业务处理系统中对业务主导方的预测，也就是从参与同一项业务的多个业务参与方中预测出该业务的业务主导方，这里参与同一项业务的各业务参与方间存在着对同一项业务的业务资源的竞争关系，业务主导方可以是同一项业务的多个参与方中最具业务处理优势的参与方，比如业务处理成功概率最高的参与方，或者业务处理次数最多的参与方，或者业务处理的支持率最高、支持者最多的参与方等等。换句话说，在本申请实施例提供的业务处理方法中，业务处理过程中可以有多个业务参与方(比如至少两个业务参与方)，且各业务参与方间存在竞争关系，例如，两个业务组间争抢一批产品中各个产品的代理资格，其中，获得最多产品的代理资格的业务组即为业务主导方；或者某场比赛中两支队伍的比赛结果，其中，比赛胜利方即为业务主导方，典型的如足球比赛、篮球比赛等，在此不做限制。本申请实施例基于获取的某一项业务(为方便描述可以以目标业务为例进行说明)的两个业务参与方(为方便描述可以以第一业务参与方和第二业务参与方为例进行说明)的历史业务处理次数(包括第一业务参与方的第一历史业务处理次数和第二业务参与方的第二历史业务处理次数)，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。实施本申请实施例，可提高业务处理过程中对业务主导方的预测准确性，适用性高。这里，目标业务的某个业务参与方的历史业务处理次数与该业务参与方在历史业务的处理过程中的处理次数有关，例如，某个业务组在产品代理资格争夺中曾成功获得代理资格的代理产品数量，或者某支球队在过去比赛中的进球数。为方便描述，本申请实施例主要以足球赛结果预测为例进行说明。
下面将结合图1至图9对本申请实施例提供的方法及相关装置分别进行详细说明。参见图1，图1是本申请实施例提供的系统架构示意图。该系统架构可以包括目标终端100、第一终端101以及第二终端102，且各个终端之间可以通过网络进行通信。这里，终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(MID，mobile internetdevice)等，在此不做限制。其中，第一终端101为第一业务参与方所使用，且第一终端101可用于存储和/或收集和/或显示与第一业务参与方有关的业务数据。第二终端102为第二业务参与方所使用，且第二终端102可用于存储和/或收集和/或显示与第二业务参与方相关的业务数据。目标终端100用于接收目标业务的业务处理请求，并基于第一终端101发送的与第一业务参与方相关的业务数据以及第二终端102发送的与第二业务参与方相关的业务数据，执行预测目标业务的业务主导方的相关处理流程，为方便描述，可将用于执行目标业务的业务主导方预测过程的终端作为本申请实施例中的目标终端100。
本申请实施例提供的方法中可包括用于获取各业务参与方的历史业务处理次数、确定多个业务处理次数组合、确定各业务处理次数组合的发生概率、以及基于各业务处理次数组合的发生概率确定业务主导方等数据处理阶段。其中，上述各个数据处理阶段的实现方式可参见如下图2至图6所示的实现方式。
参见图2，图2为本申请实施例提供的业务处理方法的一流程示意图。本申请实施例提供的方法可以包括如下步骤201至204：
201、当目标终端接收到目标业务的业务处理请求时，根据业务处理请求从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数，并从目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数。
在一些可行的实施方式中，目标业务的第一业务参与方和第二业务参与方可分别通过第一终端和第二终端向目标终端发送目标业务的业务处理请求，其中，业务处理请求用于请求确定上述目标业务的业务主导方。可以理解的是，第一终端可以为第一业务参与方的负责人和/或参与人员和/或支持者和/或关注者所使用，第二终端可以为第二业务参与方的负责人和/或参与人员和/或支持者和/或关注者所使用。当目标终端接收到任一业务参与方和/或同时收到两个业务参与方发送的目标业务的业务处理请求时，目标终端将从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数，同时从目标业务的第二业务参与方所使用的第二终端获取第二业务参与方的第二历史业务处理次数。本申请实施例提供的业务处理方法中所涉及的目标业务可以为本申请实施例中用于预测的随机事件，一般而言，目标业务包括两个业务参与方，例如目标业务可以为两个业务组间争抢一批产品中各个产品的代理资格、或者目标业务也可以是足球比赛或篮球比赛中双方队伍的对抗等，在此不做限制。不难理解的是，目标业务的某个业务参与方的历史业务处理次数与该业务参与方在历史业务的处理过程中的处理次数有关，例如，某个业务组在产品代理资格争夺中曾成功获得代理资格的代理产品数量，或者某支球队在过去比赛中的进球数。目标终端通过获取目标业务的第一业务参与方在N次历史业务中的N个业务处理次数，可将计算的N个业务处理次数的算数平均值确定为第一业务参与方的第一历史业务处理次数。通过获取目标业务的第二业务参与方在M次历史业务中的M个业务处理次数，可将计算的M个业务处理次数的算数平均值确定为第二业务参与方的第二历史业务处理次数。其中，N和M皆为大于1的整数，N和M的取值可以相同，也可以不同，在此不做限制。
举例来说，如果目标业务为一场世界杯足球比赛，其中，该场足球比赛的参赛球队包括球队A和球队B，则可将球队A看作是目标业务的第一业务参与方，将球队B看作是目标业务的第二业务参与方。这里，球队A的历史进球数(即第一历史业务处理次数)可以为球队A在最近N场比赛中各场比赛的进球数的算术平均值，或者球队A的历史进球数可以为球队A在N场主场比赛中各场比赛的进球数的算术平均值，在此不做限制。同理，球队B的历史进球数(即第二历史业务处理次数)可以为球队B在最近M场比赛中各场比赛的进球数的算术平均值，或者球队B的历史进球数可以为球队B在M场主场比赛中各场比赛的进球数的算术平均值，在此不做限制。
又举例来说，如果目标业务为两个业务组间争抢一批产品的代理资格，其中，两个业务组包括业务组C和业务组D，那么业务组C可看作是目标业务的第一业务参与方，业务组D可看作是目标业务的第二业务参与方。其中，业务组C的历史业务处理次数(即第一历史业务处理次数)可以为业务组C在最近N次竞争中各次获得的代理产品数量的算术平均值，业务组D的历史业务处理次数(即第二历史业务处理次数)可以为业务组D在最近M次竞争中各次获得的代理产品数量的算术平均值。
202、目标终端确定业务处理次数集合。
在一些可行的实施方式中，目标业务属于随机事件，因此目标终端通过从第一终端和第二终端中获取事先设定的目标业务中的每个业务参与方的预设业务处理次数集合，可得到第一终端发送的第一业务参与方对应的第一预设业务处理次数集合和第二终端发送的第二业务参与方对应的第二预设业务处理次数集合，其中任一业务参与方对应的预设业务处理次数集合中包括多个该业务参与方可能出现的业务处理次数。例如，如果目标业务为一场世界杯足球比赛，其中该场足球比赛的参赛球队包括球队A和球队B，则可将球队A看作是目标业务的第一业务参与方，将球队B看作是目标业务的第二业务参与方。不难理解的是，球队A的预设进球数集合(即第一预设业务处理次数集合)中包括该场比赛中球队A可能踢出的进球个数，球队B的预设进球数集合(即第二预设业务处理次数集合)中包括该场比赛中球队B可能踢出的进球个数。比如球队A的预设进球数集合A'＝{kA|kA∈N}，球队B的预设进球数集合B'＝{kB|kB∈N}。一般而言，由于一场足球比赛的比赛时长有限(90分钟)，因此一个球队在一场比赛中的可能进球数不可能有无限多个。本申请实施例中kA的取值范围可设置为0～5，即预设进球数集合A'＝{kA|0≤kA≤5，kA∈N}＝{0,1,2,3,4,5}，kB的取值范围也可设置为0～5，即预设进球数集合B'＝{kB|0≤kB≤5，kB∈N}＝{0,1,2,3,4,5}。
又例如，如果目标业务为两个业务组间争抢一批产品的代理资格，其中，上述两个业务组包括业务组C和业务组D，那么业务组C可看作是目标业务的第一业务参与方，业务组D可看作是目标业务的第二业务参与方。可以理解的是，业务组C的预设代理产品数量集合(即第一预设业务处理次数集合)中包括该次竞争中业务组C可能拿到的代理产品数量，业务组D的预设代理产品数量集合(即第二预设业务处理次数集合)中包括该次竞争中业务组D可能拿到的代理产品数量。由于一批产品的数量有限，且由于市场因素影响，被代理公司的产品投放数量存在不确定性，因此任一业务组可能拿到的代理产品数量也是有限且存在多种可能性的。
在一些可行的实施方式中，目标终端基于获取的设定的第一业务参与方对应的第一预设业务处理次数集合和第二业务参与方对应的第二预设业务处理次数集合，可确定出包括多个业务处理次数组合的业务处理次数集合。具体地，目标终端可将第一预设业务处理次数集合中包括的k个第一预设业务处理次数中各第一预设业务处理次数与第二预设业务处理次数集合中包括的k个第二预设业务处理次数中各第二预设业务处理次数分别进行一次组合可得到k2个业务处理次数组合，进而生成包括k2个业务处理次数组合的业务处理次数集合。例如，参见图2a，图2a是本申请实施例提供的业务处理次数组合的应用场景示意图。如图2a所示，为方便描述，可以预设进球数集合A'作为第一预设业务处理次数集合，可以预设进球数集合B'作为第二预设业务处理次数集合为例进行说明。以预设进球数集合A'＝{0,1,2,3,4,5}中包括的6个预设进球数(这里预设进球数集合A'中一个预设进球数即为第一预设业务处理次数集合中的一个第一预设业务处理次数)和预设进球数集合B'＝{0,1,2,3,4,5}中包括的6个预设进球数(这里预设进球数集合B'中一个预设进球数即为第二预设业务处理次数集合中的一个第二预设业务处理次数)为例，将预设进球数集合A'中的每个预设进球数kA与预设进球数集合B'中的每个预设进球数kB分别进行一次组合，一共可生成包括36种进球数组合的进球数集合C(即业务处理次数集合)，这里进球数集合C＝{kAkB|0≤kA≤5,0≤kB≤5,kA∈N,kB∈N}，即C＝{00,01,02,03,04,05,10,11,12,13,14,15,20,21,22,23,24,25,30,31,32,33,34,35,40,41,42,43,44,45,50,51,52,53,54,55}。这里，进球数集合C中包括的任一种进球数组合kAkB由预设进球数集合A'中的一个预设进球数kA和预设进球数集合B'中的一个预设进球数kB组成。以上述进球数集合C中包括的进球数组合01为例，其中进球数组合01中的0为预设进球数集合A'中的0，进球数组合01中的1为预设进球数集合B'中的1。
203、目标终端根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算任一业务处理次数组合的发生概率。
在一些可行的实施方式中，由于两个经营者间的商业竞争，或者足球比赛中双方队伍的对抗都属于随机事件，因此，可将两个经营者间的商业竞争结果或足球比赛结果看作符合泊松分布。泊松分布(Poisson distribution)是统计与概率学里常见的离散概率分布，由法国数学家西莫恩·德尼·泊松(Simeon-Denis Poisson)在1838年时发表。泊松分布适合于描述某事件单位时间内随机事件发生的次数。如某一服务设施在一定时间内到达的人数，电话交换机接到呼叫的次数，汽车站台的候客人数，机器出现的故障数，自然灾害发生的次数等。
泊松分布的概率密度函数被定义为：
其中，参数λ是单位时间(或单位面积)内随机事件的平均发生率，它是泊松分布的均值，也是泊松分布的方差。X为随机变量，h是随机变量的取值(h＝0,1,2,…)。在本申请实施例中，目标终端基于获取的第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，可确定出上述任一业务处理次数组合的发生概率。为方便描述，可将第一历史业务处理次数记作λ1，第二历史业务处理次数记作λ2，第一预设业务处理次数集合中的第一预设业务处理次数记作h1、第二预设业务处理次数集合中的第二预设业务处理次数记作h2。基于此，业务处理次数组合的发生概率可被定义为：
其中h1＝0,1,2…，h2＝0,1,2…(1)
举例来说，参见图2b，图2b是本申请实施例提供的业务处理次数组合的发生概率的应用场景示意图。假设目标业务为一场世界杯足球比赛，其中，该场足球比赛的参赛球队包括球队A和球队B，则可将球队A看作是目标业务的第一业务参与方，将球队B看作是目标业务的第二业务参与方。已知球队A的历史进球数(即第一历史业务处理次数)为λA，球队A的预设进球数集合(即第一预设业务处理次数集合)A'＝{kA|0≤kA≤5，kA∈N}＝{0,1,2,3,4,5}，球队B的历史进球数(即第二历史业务处理次数)为λB，球队B的预设进球数集合(即第二预设业务处理次数集合)B'＝{kB|0≤kB≤5，kB∈N}＝{0,1,2,3,4,5}，那么根据预设进球数集合A'和预设进球数集合B'可生成包括36种进球数组合的进球数集合C，其中，进球数集合C＝{kAkB|0≤kA≤5,0≤kB≤5,kA∈N,kB∈N}，具体地，C＝{00,01,02,03,04,05,10,11,12,13,14,15,20,21,22,23,24,25,30,31,32,33,34,35,40,41,42,43,44,45,50,51,52,53,54,55}。再根据上述公式(1)定义的业务处理次数组合的发生概率，可得到进球数集合C所包括的36种进球数组合中各个进球数组合的发生概率满足：
进一步的，基于上述公式(2)可计算得到上述进球数集合C中各种进球数组合对应的发生概率P00～P55。
204、目标终端根据业务处理次数集合中各业务处理次数组合的发生概率从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方，并将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面或者第二终端的用户交互界面，以提示第一业务参与方或者第二业务参与方。
在一些可行的实施方式中，目标终端可将计算出的业务处理次数集合所包括的多个业务处理次数组合中第一预设业务处理次数h1大于第二预设业务处理次数h2的各个业务处理次数组合对应的发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为第一业务参与方作为业务主导方的概率。同时目标终端可将计算出的业务处理次数集合所包括的多个业务处理次数组合中第一预设业务处理次数h1小于第二预设业务处理次数h2的各个业务处理次数组合对应的发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为第二业务参与方作为业务主导方的概率。
为便于理解，可将第一业务主导方概率定义为
同理，可将第二业务主导方概率定义为
举例来说，参见图2c，图2c是本申请实施例提供的第一业务主导方概率的应用场景示意图。假设足球比赛中包括的球队A为目标业务的第一业务参与方，球队B为目标业务的第二业务参与方，则第一业务主导方概率为图2c中粗实线框出部分的各个业务处理次数组合对应的发生概率之和，即第一业务主导方概率P(kA>kB)＝P10+P20+P21+P30+P31+P32+P40+P41+P42+P43+P50+P51+P52+P53+P54，其中第一业务主导方概率为第一业务参与方作为业务主导方的概率。
又举例来说，参见图2d，图2d是本申请实施例提供的第二业务主导方概率的应用场景示意图。假设足球比赛中包括的球队A为本申请实施例中的第一业务参与方，球队B为本申请实施例中的第二业务参与方，则第二业务主导方概率为图2d中粗实线框出部分的各个业务处理次数组合对应的发生概率之和，即第二业务主导方概率P(kA<kB)＝P01+P02+P03+P04+P05+P12+P13+P14+P15+P23+P24+P25+P34+P35+P45，其中第二业务主导方概率为第二业务参与方作为业务主导方的概率。
在一些可行的实施方式中，目标终端基于第一业务主导方概率和第二业务主导方概率确定目标业务的业务主导方时，若第一业务主导方概率大于第二业务主导方概率，说明第一业务参与方作为业务主导方的概率大于第二业务参与方作为业务主导方的概率，因此目标终端可将第一业务参与方确定为目标业务的业务主导方，并将目标业务的业务主导方的确定结果(即目标业务的业务主导方为第一业务参与方)输出至第一终端的用户交互界面和/或第二终端的用户交互界面，以提示或告知第一业务参与方和/或第二业务参与方其发送的业务处理请求所请求得到的目标业务的业务主导方的预测结果。若第一业务主导方概率小于第二业务主导方概率，说明第二业务参与方作为业务主导方的概率大于第一业务参与方作为业务主导方的概率，因此目标终端可将第二业务参与方确定为目标业务的业务主导方，并将目标业务的业务主导方的确定结果(即目标业务的业务主导方为第二业务参与方)输出至第一终端的用户交互界面和/或第二终端的用户交互界面，以提示或告知第一业务参与方和/或第二业务参与方其发送的业务处理请求所请求得到的目标业务的业务主导方的预测结果。
在本申请实施例中，基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。实施本申请实施例，可提高业务处理过程中对业务主导方的预测准确性，适用性高。
参见图3，图3是本申请实施例提供的业务处理方法的另一流程示意图。本申请实施例提供的业务处理方法可通过如下步骤301至305提供的实现方式进行说明：
301、当目标终端接收到目标业务的业务处理请求时，根据业务处理请求从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数和目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数。
302、目标终端确定业务处理次数集合。
303、目标终端根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算任一业务处理次数组合的发生概率。
304、目标终端根据业务处理次数集合中各业务处理次数组合的发生概率从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方，并将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面或者第二终端的用户交互界面，以提示第一业务参与方或者第二业务参与方。
其中，上述步骤301至步骤304的具体实现方式可参见图2对应的实施例中对步骤201至步骤204的描述，这里不再进行赘述。
305、目标终端基于业务处理次数集合中各业务处理次数组合的发生概率以及确定出的目标业务的业务主导方，从业务处理次数集合中确定出目标业务处理次数组合，以及确定出目标业务处理次数组合中包括的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，并将第一业务参与方的业务处理次数和第二业务参与方的业务处理次数输出至第一终端的用户交互界面和/或第二终端的用户交互界面。
在一些可行的实施方式中，当确定出目标业务的业务主导方后，为了更加精细地量化作为业务主导方的业务参与方在目标业务中的业务处理次数，目标终端还可以根据业务处理次数集合中各业务处理次数组合的发生概率确定出目标业务的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。
具体地，由于业务处理次数集合所包括的多个业务处理次数组合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和为第一业务参与方作为业务主导方的概率，因此，若目标终端确定出目标业务的业务主导方为第一业务参与方，则从业务处理次数集合所包括的第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的业务处理次数组合作为目标业务处理次数组合，并将目标业务处理次数组合中包括的第一预设业务处理次数确定为第一业务参与方的业务处理次数，将目标业务处理次数组合中包括的第二预设业务处理次数确定为第二业务参与方的业务处理次数。与此同时，目标终端还可以将第一业务参与方的业务处理次数和第二业务参与方的业务处理次数输出至第一终端的用户交互界面和/或第二终端的用户交互界面以提示第一业务参与方和/或第二业务参与方。相应地，由于业务处理次数集合所包括的多个业务处理次数组合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和为第二业务参与方作为业务主导方的概率，因此，若目标业务的业务主导方为第二业务参与方，则从业务处理次数集合所包括的第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的业务处理次数组合作为目标业务处理次数组合，并将目标业务处理次数组合中包括的第一预设业务处理次数确定为第一业务参与方的业务处理次数，将第一目标业务处理次数组合中包括的第二预设业务处理次数确定为第二业务参与方的业务处理次数。同样地，目标终端也可以将第一业务参与方的业务处理次数和第二业务参与方的业务处理次数输出至第一终端的用户交互界面和/或第二终端的用户交互界面以提示第一业务参与方和/或第二业务参与方。
举例来说，参见图3a，图3a是本申请实施例提供的业务主导方为第一业务参与方的应用场景示意图。假设目标业务为一场足球比赛，其中该场足球比赛中包括的球队A为目标业务的第一业务参与方，球队B为目标业务的第二业务参与方，若目标终端确定出的目标业务的业务主导方为第一业务参与方(即球队A为比赛胜利方)，则从业务处理次数集合所包括的第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出最大发生概率对应的业务处理次数组合作为目标业务处理次数组合，即将图3a所示的粗实线框出部分(即{P10，P20，P21，P30，P31，P32，P40，P41，P42，P43，P50，P51，P52，P53，P54})的最大发生概率对应的业务处理次数组合确定为目标业务处理次数组合，并将目标业务处理次数组合中包括的第一预设业务处理次数确定为第一业务参与方的业务处理次数，将目标业务处理次数组合中包括的第二预设业务处理次数确定为第二业务参与方的业务处理次数。例如，假设图3a所示的粗虚线框出的P41为粗实线框出部分的最大发生概率，则发生概率P41对应的业务处理次数组合kAkB＝41即为目标业务处理次数组合，且目标业务处理次数组合kAkB＝41中的第一预设业务处理次数kA＝4为赛前所预测的球队A(即第一业务参与方)的进球数(即业务处理次数)，目标业务处理次数组合kAkB＝41中的第二预设业务处理次数kB＝4为赛前所预测的球队B(即第二业务参与方)的进球数(即业务处理次数)。同时，目标终端也可以将球队A的进球数4(即第一业务参与方的业务处理次数)和球队B的进球数1(即第二业务参与方的业务处理次数)输出至球队A所使用的第一终端的用户交互界面和/或球队B所使用的第二终端的用户交互界面以提示球队A和/或球队B本次比赛的比分。
在本申请实施例中，基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。与此同时，通过进一步确定出目标业务的业务主导方对应的目标业务处理次数组合，可从目标业务处理次数组合中确定出第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。实施本申请实施例，可提高业务处理过程中对业务主导方的预测准确性，同时可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，适用性高。
不难理解的是，采用不同的预测方法或预测模型得到的业务主导方预测结果可能会有所差异，且各种预测方法或预测模型的预测精度不尽相同，因此为了使预测得到的目标业务的业务主导方的结果更加精确，本申请实施例还可以基于多种模型的预测结果通过投票的方式确定出最终预测结果。一般而言，为了尽可能提高预测精度，所选择的各种预测方法或预测模型间最好能够取长补短。本申请实施例主要基于3种预测方法或预测模型得到3个预测结果，并采用少数服从多数的原则，从3个预测结果中确定出最终结果。参见图4，图4是本申请实施例提供的业务处理方法的另一流程示意图。本申请实施例提供的业务处理方法可通过如下步骤401至407提供的实现方式进行说明：
401、当目标终端接收到目标业务的业务处理请求时，根据业务处理请求从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数和目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数。
402、目标终端确定业务处理次数集合。
403、目标终端根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算任一业务处理次数组合的发生概率。
404、目标终端根据业务处理次数集合中各业务处理次数组合的发生概率从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方，并将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面或者第二终端的用户交互界面，以提示第一业务参与方或者第二业务参与方。
其中，上述步骤401至步骤404中根据获取到的各业务处理次数组合的发生概率确定出目标业务的业务主导方的具体实现方式可参见图2对应的实施例中对步骤201至步骤204的描述，这里不再进行赘述。
这里，基于各业务处理次数组合的发生概率确定出的业务主导方可作为3个预测结果中的第一个预测结果。换句话说，基于各业务处理次数组合的发生概率确定的业务主导方可作为确定最终结果时的一个参考结果。
405、目标终端基于第一业务主导方预测模型、以及从第一终端获取的第一业务参与方的第一业务统计特征数据和第二终端获取的第二业务参与方的第二业务统计特征数据，从第一业务参与方和第二业务参与方中确定出第一业务主导方。
在一些可行的实施方式中，为了提高预测精度，还可以基于机器学习的方法对目标业务的业务主导方进行预测。目标终端通过从业务数据库中获取第一训练样本集合，可得到第一训练样本集合中包括的多个训练样本，其中，一个训练样本包括一个样本业务的两个业务参与方中各业务参与方对应的业务统计特征数据，以及两个业务参与方中的样本业务的业务主导方。这里，训练样本可基于历史业务数据得到，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据等5种类型的数据，在此不做限制。例如，假设目标业务为业务组C和业务组D争抢一批产品的代理资格，其中以业务组C的业务统计特征数据为例。业务组C的业务统计特征数据包括但不限于业务组C中的业务人员特征数据、业务组C中的决策者特征数据、业务组C的团队特征数据、业务组C过去参与产品代理资格竞争的历史业务特征数据，以及业务组C的历史业务开展环境特征数据等5种类型的数据中的一项或多项。其中历史业务开展环境特征数据主要指团队氛围，一般而言，团队氛围越好，团队内部关系越和谐，团队的凝聚力和竞争力就越强。通过将第一训练样本集合中包括的各个训练样本输入XGboost分类模型进行学习，可生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出任一业务的业务主导方能力的第一业务主导方预测模型。可选的，在一些可行的实施方式中，若获取到的用于XGboost分类模型进行学习的样本数据集合太小，则还可以基于K折交叉验证方法对XGboost分类模型进行训练和测试以确定出最佳的模型参数，其中，K折交叉验证包括10折交叉验证，或3折交叉验证等，具体可根据实际应用场景确定，在此不做限制。
基于训练得到的第一业务主导方预测模型，通过将从第一终端获取的第一业务参与方的第一业务统计特征数据和第二终端获取的第二业务参与方的第二业务统计特征数据输入训练得到的第一业务主导方预测模型中，可根据第一业务主导方预测模型的输出结果从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。不难理解的是，由于采用不同的预测方法或预测模型都会得到一个目标业务的业务主导方的预测结果，因此为了将采用不同预测方法或预测模型得到的预测结果加以区分，本申请实施例将由第一业务主导方预测模型预测出的目标业务的业务主导方确定为第一业务主导方。举例来说，假设目标业务为一场世界杯足球比赛，其中球队A为本申请实施例中的第一业务参与方，球队B为本申请实施例中的第二业务参与方。通过获取目标业务的第一业务参与方的第一业务统计特征数据，可得到球队A的球队统计特征数据中包括的球员特征数据、教练特征数据、球队特征数据、历史比赛特征数据，以及历史比赛开展环境特征数据等5种类型的数据。比如，上述历史比赛开展环境特征数据主要包括是否有红黄牌、伤病占比、球员主教练矛盾有无、媒体事件好坏等等。通过获取目标业务的第二业务参与方的第二业务统计特征数据，可得到球队B的球队统计特征数据中包括的球员特征数据、教练特征数据、球队特征数据、历史比赛特征数据，以及历史比赛开展环境特征数据等5种类型的数据。具体地，参见图4a，图4a是本申请实施例提供的业务统计特征数据的应用场景示意图。其中，球队统计特征数据包括5种类型的数据，分别为球员特征数据、教练特征数据、球队特征数据、历史比赛特征数据，以及历史比赛开展环境特征数据。每种类型的数据中还包括多个子维度特征数据，如图4a所示共展示了41个子维度特征数据。
这里，基于第一业务主导方预测模型确定出的业务主导方可作为3个预测结果中的第二个预测结果。换句话说，基于第一业务主导方预测模型确定的业务主导方可作为确定最终结果时的一个参考结果。为方便描述，可将由第一业务主导方预测模型预测出的目标业务的业务主导方记作第一业务主导方。
406、目标终端基于第二业务主导方预测模型、以及从第一终端获取的第一业务参与方的第一业务统计特征数据和从第二终端获取的第二业务参与方的第二业务统计特征数据，从第一业务参与方和第二业务参与方中确定出第二业务主导方。
在一些可行的实施方式中，所选分类算法或分类模型不同，其训练得到的业务主导方预测模型也会有所差异，因此基于预测模型预测的业务主导方也不尽相同。本申请实施例目标终端通过从业务数据库中获取第二训练样本集合，可得到第二训练样本集合中包括多个训练样本，其中，一个训练样本包括一个样本业务的两个业务参与方中各业务参与方对应的业务统计特征数据，以及两个业务参与方中的样本业务的业务主导方。可以理解的是，第一训练样本集合中包括的多个训练样本与第二训练样本集合中包括的多个训练样本可以相同，也可以不同，在此不做限制。这里，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据等5种类型的数据，在此不做限制。通过将第二训练样本集合中包括的各个训练样本输入支持向量机(Support Vector Machine,SVM)分类模型中进行学习，可生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出任一业务的业务主导方能力的第二业务主导方预测模型。可选的，在一些可行的实施方式中，若获取到的用于SVM分类模型进行学习的样本数据集合太小，则还可以基于K折交叉验证方法对SVM分类模型进行训练和测试以确定出最佳的模型参数。其中，K折交叉验证包括10折交叉验证，或3折交叉验证等，且XGboost分类模型所使用的K折交叉验证方法中的K取值与SVM分类模型所使用的K折交叉验证方法中的K取值可以相同，也可以不同，具体根据实际应用场景确定，在此不做限制。
基于训练得到的第二业务主导方预测模型，通过将从第一终端获取的第一业务参与方的第一业务统计特征数据和第二终端获取的第二业务参与方的第二业务统计特征数据输入训练得到的第二业务主导方预测模型中，可根据第二业务主导方预测模型的输出结果从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。可以理解的是，由于采用不同的预测方法或预测模型都会得到一个目标业务的业务主导方的预测结果，因此为了将采用不同预测方法或预测模型得到的预测结果加以区分，本申请实施例将由第二业务主导方预测模型预测出的目标业务的业务主导方确定为第二业务主导方。
这里，基于第二业务主导方预测模型确定出的业务主导方可作为3个预测结果中的第三个预测结果。换句话说，基于第二业务主导方预测模型确定的业务主导方可作为确定最终结果时的一个参考结果。为方便描述，可将由第二业务主导方预测模型预测出的目标业务的业务主导方记作第二业务主导方。
407、目标终端根据第一业务主导方、第二业务主导方和目标业务的业务主导方，更新目标业务的业务主导方为第一业务参与方和第二业务参与方中作为业务主导方次数最多的业务参与方。
在一些可行的实施方式中，由于各种预测方法或预测模型间能够取长补短，因此为了使得到的目标业务的业务主导方的最终结果更加精确，本申请实施例目标终端还可以基于多投票聚合方法从多个预测结果中确定出最终结果，这里，主要是从3个预测结果中确定出最终结果。具体地，本申请实施例中的步骤401至步骤404所提供的实现方式基于各业务处理次数组合的发生概率可确定出一个目标业务的业务主导方(为方便描述，可简称为图2对应的实施例中确定的业务主导方)，本申请实施例中的步骤405所提供的实现方式基于第一业务主导方预测模型以及各业务参与方的业务统计特征数据也可确定出一个目标业务的业务主导方(即第一业务主导方)，本申请实施例中的步骤406所提供的实现方式基于第二业务主导方预测模型以及各业务参与方的业务统计特征数据同样能够确定出一个目标业务的业务主导方(即第二业务主导方)。因此，根据图2对应的实施例中确定的业务主导方、第一业务主导方和第二业务主导方，可将目标业务的业务主导方的最终结果确定为第一业务参与方和第二业务参与方中作为业务主导方次数最多的业务参与方。换句话说，可基于少数服从多数的原则，目标终端可将目标业务的业务主导方更新为第一业务参与方和第二业务参与方中作为业务主导方次数最多的业务参与方，同时可将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面和/或第二终端的用户交互界面，以提示第一业务参与方和/或第二业务参与方。举例来说，假设图2对应的实施例中确定的业务主导方为第一业务参与方，步骤405确定出的第一业务主导方为第二业务参见方，步骤406确定出的第二业务主导方为第二业务参与方，基于少数服从多数的原则(第一业务参与方作为业务主导方出现过1次，第二业务参与方作为业务主导方出现过2次，2＞1)，因此可将目标业务的业务主导方的最终结果确定为第二业务参与方，并将目标业务的业务主导方的最终确定结果输出至第一终端的用户交互界面和/或第二终端的用户交互界面，以提示第一业务参与方和/或第二业务参与方。
举例来说，假设目标业务是一场足球比赛，且该场比赛的参赛球队包括球队A和球队B。其中，根据图2对应的实施例的方法得到该场比赛的比赛胜利方是A队，根据步骤405的方法确定出该场比赛的比赛胜利方是B队，根据步骤406的方法确定出该场比赛的比赛胜利方是B队，则基于少数服从多数的原则，该场比赛的比赛胜利方应最终确定为B队，并将比赛胜利方的最终确定结果(即比赛胜利方为B队)输出至A队所使用的第一终端的用户交互界面和/或B队所使用的第二终端的用户交互界面，以提示A队和/或B队该场比赛的比赛预测结果。
在本申请实施例中，基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。与此同时，利用机器学习的方法，可得到由第一业务主导方预测模型输出的第一业务主导方，以及由第二业务主导方预测模型输出的第二业务主导方，基于少数服从多数的原则，可将目标业务的业务主导方的最终结果确定为所述第一业务参与方和所述第二业务参与方中作为业务主导方次数最多的业务参与方。实施本申请实施例，可进一步提高业务处理过程中对业务主导方的预测准确性，适用性高。
不难理解的是，当确定出目标业务的业务主导方的最终结果后，为了更加精细地量化作为业务主导方的业务参与方在目标业务中的业务处理次数，还可以根据业务处理次数集合中各业务处理次数组合的发生概率确定出目标业务的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。参见图5，图5是本申请实施例提供的业务处理方法的另一流程示意图。本申请实施例提供的业务处理方法可通过如下步骤501至508提供的实现方式进行说明：
501、当目标终端接收到目标业务的业务处理请求时，根据业务处理请求从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数和目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数。
502、目标终端确定业务处理次数集合。
503、目标终端根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算任一业务处理次数组合的发生概率。
504、目标终端根据业务处理次数集合中各业务处理次数组合的发生概率从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方，并将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面或者第二终端的用户交互界面，以提示第一业务参与方或者第二业务参与方。
其中，上述步骤501至步骤504中根据获取到的各业务处理次数组合的发生概率确定出目标业务的业务主导方的具体实现方式可参见图2对应的实施例中对步骤201至步骤204的描述，这里不再进行赘述。
这里，基于各业务处理次数组合的发生概率确定的业务主导方可作为确定最终结果时的一个参考结果。
505、目标终端基于第一业务主导方预测模型、以及从第一终端获取的第一业务参与方的第一业务统计特征数据和从第二终端获取的第二业务参与方的第二业务统计特征数据，从所述第一业务参与方和所述第二业务参与方中确定出第一业务主导方。
506、目标终端基于第二业务主导方预测模型、以及从第一终端获取的第一业务参与方的第一业务统计特征数据和从第二终端获取的第二业务参与方的第二业务统计特征数据，从所述第一业务参与方和所述第二业务参与方中确定出第二业务主导方。
507、目标终端根据第一业务主导方、第二业务主导方和目标业务的业务主导方，更新目标业务的业务主导方为第一业务参与方和第二业务参与方中作为业务主导方次数最多的业务参与方。
上述步骤505至步骤507中基于第一业务主导方、第二业务主导方以及由各业务处理次数组合的发生概率确定的业务主导方确定目标业务的业务主导方的最终结果的具体实现方式可参见图4对应的实施例中对步骤405至步骤407的描述，这里不再进行赘述。
508、目标终端基于业务处理次数集合中各业务处理次数组合的发生概率以及确定出的目标业务的业务主导方，从业务处理次数集合中确定出目标业务处理次数组合，以及确定出目标业务处理次数组合中包括的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，并将第一业务参与方的业务处理次数和第二业务参与方的业务处理次数输出至第一终端的用户交互界面和/或第二终端的用户交互界面。
上述步骤508中根据目标业务的业务主导方的最终结果确定出目标业务的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数的具体实现方式可参见图3对应的实施例中对步骤305的描述，这里不再进行赘述。
在本申请实施例中，基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。与此同时，利用机器学习的方法，可得到由第一业务主导方预测模型输出的第一业务主导方，以及由第二业务主导方预测模型输出的第二业务主导方，基于少数服从多数的原则，可将目标业务的业务主导方的最终结果确定为所述第一业务参与方和所述第二业务参与方中作为业务主导方次数最多的业务参与方。进一步地，通过确定出目标业务的业务主导方的最终结果对应的目标业务处理次数组合，可从目标业务处理次数组合中确定出第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。实施本申请实施例，可进一步增强业务处理过程中对业务主导方的预测准确性，同时可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，适用性高。
可以理解的是，为了简化业务主导方的预测过程，同时能够提升预测精度，增加预测方式的多样性，还可以将由一个业务主导方预测模型确定出的业务主导方确定为目标业务的业务主导方，并确定出目标业务的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。参见图6，图6是本申请实施例提供的业务处理方法的另一流程示意图。本申请实施例提供的业务处理方法可通过如下步骤601至605提供的实现方式进行说明：
601、当目标终端接收到目标业务的业务处理请求时，根据业务处理请求从目标业务的第一业务参与方所使用的第一终端获取第一业务参与方的第一历史业务处理次数和目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数。
602、目标终端确定业务处理次数集合。
603、目标终端根据第一历史业务处理次数、第二历史业务处理次数以及业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算任一业务处理次数组合的发生概率。
其中，上述步骤601至步骤603中确定业务处理次数集合所包括的各业务处理次数组合的发生概率的具体实现方式可参见图2对应的实施例中对步骤201至步骤203的描述，这里不再进行赘述。
604、目标终端基于业务主导方预测模型、以及从第一终端获取的第一业务参与方的第一业务统计特征数据和从第二终端获取的第二业务参与方的第二业务统计特征数据，从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方，并将目标业务的业务主导方的确定结果输出至第一终端的用户交互界面或者第二终端的用户交互界面以提示第一业务参与方或者第二业务参与方。
其中，上述步骤604中利用机器学习的方法，基于业务主导方预测模型和各业务参与方的业务统计特征数据确定目标业务的业务主导方的具体实现方式可参见图4对应的实施例中对步骤405或步骤406的描述，这里不再进行赘述。
可选的，在一些可行的实施方式中，业务主导方预测模型还可以采用神经网络、决策树和随机森林等，具体根据实际应用场景确定，在此不做限制。
605、目标终端基于业务处理次数集合中各业务处理次数组合的发生概率以及确定出的目标业务的业务主导方，从业务处理次数集合中确定出目标业务处理次数组合，以及确定出目标业务处理次数组合中包括的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，并将第一业务参与方的业务处理次数和第二业务参与方的业务处理次数输出至第一终端的用户交互界面和/或第二终端的用户交互界面。
其中，上述步骤605中根据目标业务的业务主导方确定出目标业务的第一业务参与方的业务处理次数和第二业务参与方的业务处理次数的具体实现方式可参见图3对应的实施例中对步骤305的描述，这里不再进行赘述。
在本申请实施例中，利用机器学习的方法，可得到由业务主导方预测模型输出的目标业务的业务主导方，再结合业务处理次数集合所包括的各业务处理次数组合的发生概率，可确定出目标业务的业务主导方对应的目标业务处理次数组合，进而从目标业务处理次数组合中确定出第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。实施本申请实施例，可提高业务处理过程中对业务主导方的预测准确性，同时可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，适用性高。
参见图7，图7是本申请实施例提供的业务处理装置的一结构示意图。本申请实施例提供的业务处理装置为用于处理目标业务的目标终端，该装置包括：
历史业务处理次数获取模块71，用于在接收到目标业务的业务处理请求，上述业务处理请求用于请求确定上述目标业务的业务主导方时，从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方的第一历史业务处理次数，并从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方的第二历史业务处理次数；
业务处理次数组合确定模块72，用于确定业务处理次数集合，上述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由上述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，上述第一预设业务处理次数集合中包括k个第一预设业务处理次数，上述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
业务处理次数组合发生概率确定模块73，用于根据上述第一历史业务处理次数、上述第二历史业务处理次数以及上述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算上述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
业务主导方确定模块74，用于根据上述业务处理次数集合中各业务处理次数组合的发生概率从上述第一业务参与方和上述第二业务参与方中确定出上述目标业务的业务主导方；
业务主导方输出模块75，用于将上述业务主导方确定模块74确定的上述目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面，以提示上述第一业务参与方或者上述第二业务参与方。
请一并参见图8，图8是本申请实施例提供的业务处理装置的另一结构示意图。
在一些可行的实施方式中，上述业务主导方确定模块74包括：
第一业务主导方概率确定单元7401，用于将上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为上述第一业务参与方作为业务主导方的概率；
第二业务主导方概率确定单元7402，用于将上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为上述第二业务参与方作为业务主导方的概率；
第一业务主导方概率判断单元7403，用于若上述第一业务主导方概率大于上述第二业务主导方概率，则将上述第一业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第一业务参与方的确定结果输出至上述第一终端的用户交互界面以提示上述第一业务参与方；
第二业务主导方概率判断单元7404，用于若上述第一业务主导方概率小于上述第二业务主导方概率，则将上述第二业务参与方确定为上述目标业务的业务主导方，并将上述目标业务的业务主导方为上述第二业务参与方的确定结果输出至上述第二终端的用户交互界面以提示上述第二业务参与方。
在一些可行的实施方式中，上述业务处理装置还包括多投票聚合模块76，上述多投票聚合模块76包括：
业务统计特征数据获取单元7601，用于从上述第一终端获取上述第一业务参与方的第一业务统计特征数据，并从上述第二终端获取上述第二业务参与方的第二业务统计特征数据；
第一业务主导方确定单元7602，用于基于第一业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第一业务主导方，上述第一业务主导方预测模型由XGboost分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
第二业务主导方确定单元7603，用于基于第二业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第二业务主导方，上述第二业务主导方预测模型由支持向量机SVM分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
业务主导方更新单元7604，用于根据上述第一业务主导方预测模型确定出的上述第一业务主导方、上述第二业务主导方预测模型确定出的上述第二业务主导方和上述目标业务的业务主导方，更新上述目标业务的业务主导方为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括业务处理次数确定模块77，上述业务处理次数确定模块77包括：
目标业务处理次数组合确定单元7701，用于若上述目标业务的业务主导方为上述第一业务参与方，则从上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；或者
若上述目标业务的业务主导方为上述第二业务参与方，则从上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；
业务处理次数确定单元7702，用于将上述目标业务处理次数组合中包括的第一预设业务处理次数确定为上述第一业务参与方的业务处理次数，将上述第一目标业务处理次数组合中包括的第二预设业务处理次数确定为上述第二业务参与方的业务处理次数，并将上述第一业务参与方的业务处理次数和上述第二业务参与方的业务处理次数输出至上述第一终端的用户交互界面和/或上述第二终端的用户交互界面。
结合第二方面，在一种可能的实施方式中，上述历史业务处理次数获取模块71包括：
第一历史业务处理次数确定单元7101，用于从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方在N次历史业务中的N个业务处理次数，计算上述N个业务处理次数的算数平均值并将上述N个业务处理次数的算术平均值确定为上述第一业务参与方的第一历史业务处理次数；
第二历史业务处理次数确定单元7102，用于从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方在M次历史业务中的M个业务处理次数，计算上述M个业务处理次数的算数平均值并将上述M个业务处理次数的算术平均值确定为上述第二业务参与方的第二历史业务处理次数；
其中，N和M皆为大于1的整数。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括第一业务主导方预测模型训练模块78，上述第一业务主导方预测模型训练模块78包括：
第一训练样本集合获取单元7801，用于从业务数据库中获取第一训练样本集合，上述第一训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
第一业务主导方预测模型训练单元7802，用于将上述第一训练样本集合中包括的各个训练样本输入XGboost分类模型，以通过上述XGboost分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第一业务主导方预测模型。
结合第二方面，在一种可能的实施方式中，上述业务处理装置还包括第二业务主导方预测模型训练模块79，上述第二业务主导方预测模型训练模块79包括：
第二训练样本集合获取单元7901，用于从业务数据库中获取第二训练样本集合，上述第二训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
第二业务主导方预测模型训练单元7902，用于将上述第二训练样本集合中包括的各个训练样本输入支持向量机SVM分类模型，以通过上述支持向量机SVM分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第二业务主导方预测模型。
结合第二方面，在一种可能的实施方式中，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据。
具体实现中，上述业务处理装置可通过其内置的各个功能模块执行如上述图2至图6中各个步骤所提供的实现方式。例如，上述历史业务处理次数获取模块71可用于执行上述各个步骤中获取第一历史业务处理次数和第二历史业务处理次数等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述业务处理次数组合确定模块72可用于执行上述各个步骤中设定预设业务处理次数集合以及确定业务处理次数组合等相关步骤所描述的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述业务处理次数组合发生概率确定模块73可用于执行上述各个步骤中确定业务处理次数集合所包括的各业务处理次数组合的发生概率等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述业务主导方确定模块74可用于执行上述各个步骤中基于各业务处理次数组合的发生概率确定业务主导方等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述业务主导方输出模块75可用于执行上述各个步骤中将目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述多投票聚合模块76可用于执行上述各个步骤中确定第一业务主导方、确定第二业务主导方以及更新最终的业务主导方等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述业务处理次数确定模块76可用于执行上述各个步骤中确定目标业务处理次数组合，以及确定第一业务参与方的业务处理次数和第二业务参与方的业务处理次数等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述第一业务主导方预测模型训练模块78可用于执行上述各个步骤中训练XGboost分类模型等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。上述第二业务主导方预测模型训练模块79可用于执行上述各个步骤中训练SVM分类模型等实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，业务处理装置可基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。与此同时，利用机器学习的方法，可得到由第一业务主导方预测模型输出的第一业务主导方，以及由第二业务主导方预测模型输出的第二业务主导方，基于少数服从多数的原则，可将目标业务的业务主导方的最终结果确定为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。进一步地，通过确定出目标业务的业务主导方的最终结果对应的目标业务处理次数组合，可从目标业务处理次数组合中确定出第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。实施本申请实施例，可进一步增强业务处理过程中对业务主导方的预测准确性，同时可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，灵活性高，适用范围广。
参见图9，图9是本申请实施例提供的终端的结构示意图。如图9所示，本实施例中的终端可以包括：一个或多个收发器801、一个或多个处理器802和存储器803。上述收发器801、处理器802和存储器803通过总线804连接。存储器803用于存储计算机程序，该计算机程序包括程序指令，收发器801、处理器802用于调用存储器803存储的程序指令，执行如下操作：
上述收发器801用于：接收目标业务的业务处理请求，其中上述业务处理请求用于请求确定上述目标业务的业务主导方，从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方的第一历史业务处理次数，并从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方的第二历史业务处理次数；
上述处理器802用于：
确定业务处理次数集合，上述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由上述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，上述第一预设业务处理次数集合中包括k个第一预设业务处理次数，上述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
根据上述第一历史业务处理次数、上述第二历史业务处理次数以及上述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算上述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
根据上述业务处理次数集合中各业务处理次数组合的发生概率从上述第一业务参与方和上述第二业务参与方中确定出上述目标业务的业务主导方；
上述收发器801用于将上述目标业务的业务主导方的确定结果输出至上述第一终端的用户交互界面或者上述第二终端的用户交互界面，以提示上述第一业务参与方或者上述第二业务参与方。
在一些可行的实施方式中，上述处理器802用于：
计算上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为上述第一业务参与方作为业务主导方的概率；
计算上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将上述发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为上述第二业务参与方作为业务主导方的概率；
若上述第一业务主导方概率大于上述第二业务主导方概率，则将上述第一业务参与方确定为上述目标业务的业务主导方，并通过上述收发器801将上述目标业务的业务主导方为上述第一业务参与方的确定结果输出至上述第一终端的用户交互界面以提示上述第一业务参与方；
若上述第一业务主导方概率小于上述第二业务主导方概率，则将上述第二业务参与方确定为上述目标业务的业务主导方，并通过上述收发器801将上述目标业务的业务主导方为上述第二业务参与方的确定结果输出至上述第二终端的用户交互界面以提示上述第二业务参与方。
在一些可行的实施方式中，上述收发器801用于：
从上述第一终端获取上述第一业务参与方的第一业务统计特征数据，并从上述第二终端获取上述第二业务参与方的第二业务统计特征数据；
上述处理器802用于：
基于第一业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第一业务主导方，上述第一业务主导方预测模型由XGboost分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
基于第二业务主导方预测模型，结合上述第一业务统计特征数据和上述第二业务统计特征数据从上述第一业务参与方和上述第二业务参与方中确定出第二业务主导方，上述第二业务主导方预测模型由支持向量机SVM分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
根据上述第一业务主导方预测模型确定出的上述第一业务主导方、上述第二业务主导方预测模型确定出的上述第二业务主导方和上述目标业务的业务主导方，更新上述目标业务的业务主导方为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。
在一些可行的实施方式中，上述处理器802用于：
若上述目标业务的业务主导方为上述第一业务参与方，则从上述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；或者
若上述目标业务的业务主导方为上述第二业务参与方，则从上述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；
将上述目标业务处理次数组合中包括的第一预设业务处理次数确定为上述第一业务参与方的业务处理次数，将上述第一目标业务处理次数组合中包括的第二预设业务处理次数确定为上述第二业务参与方的业务处理次数，通过上述收发器801将上述第一业务参与方的业务处理次数和上述第二业务参与方的业务处理次数输出至上述第一终端的用户交互界面和/或上述第二终端的用户交互界面。
在一些可行的实施方式中，上述收发器801用于从上述目标业务的第一业务参与方所使用的第一终端获取上述第一业务参与方在N次历史业务中的N个业务处理次数，上述处理器802用于计算上述N个业务处理次数的算数平均值并将上述N个业务处理次数的算术平均值确定为上述第一业务参与方的第一历史业务处理次数；
上述收发器801用于从上述目标业务的第二业务参与方所使用的第二终端获取上述第二业务参与方在M次历史业务中的M个业务处理次数，上述处理器802用于计算上述M个业务处理次数的算数平均值并将上述M个业务处理次数的算术平均值确定为上述第二业务参与方的第二历史业务处理次数；
其中，N和M皆为大于1的整数。
在一些可行的实施方式中，上述处理器802用于：
从业务数据库中获取第一训练样本集合，上述第一训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
将上述第一训练样本集合中包括的各个训练样本输入XGboost分类模型，以通过上述XGboost分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第一业务主导方预测模型。
在一些可行的实施方式中，上述处理器802用于：
从业务数据库中获取第二训练样本集合，上述第二训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及上述两个业务参与方中的样本业务的业务主导方；
将上述第二训练样本集合中包括的各个训练样本输入支持向量机SVM分类模型，以通过上述支持向量机SVM分类模型对上述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出上述任一业务的业务主导方能力的第二业务主导方预测模型。
在一些可行的实施方式中，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据。
应当理解，在一些可行的实施方式中，上述处理器802可以是中央处理单元(central processing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integratedcircuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该存储器803可以包括只读存储器和随机存取存储器，并向处理器802提供指令和数据。存储器803的一部分还可以包括非易失性随机存取存储器。例如，存储器803还可以存储设备类型的信息。
具体实现中，上述终端可通过其内置的各个功能模块执行如上述图2至图6中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，终端可基于获取的目标业务的第一业务参与方的第一历史业务处理次数、目标业务的第二业务参与方的第二历史业务处理次数，以及确定出的业务处理次数集合，可确定出上述业务处理次数集合所包括的任一业务处理次数组合的发生概率，进而根据业务处理次数集合中各业务处理次数组合的发生概率可从第一业务参与方和第二业务参与方中确定出目标业务的业务主导方。与此同时，利用机器学习的方法，可得到由第一业务主导方预测模型输出的第一业务主导方，以及由第二业务主导方预测模型输出的第二业务主导方，基于少数服从多数的原则，可将目标业务的业务主导方的最终结果确定为上述第一业务参与方和上述第二业务参与方中作为业务主导方次数最多的业务参与方。进一步地，通过确定出目标业务的业务主导方的最终结果对应的目标业务处理次数组合，可从目标业务处理次数组合中确定出第一业务参与方的业务处理次数和第二业务参与方的业务处理次数。实施本申请实施例，可进一步增强业务处理过程中对业务主导方的预测准确性，同时可精确地量化第一业务参与方的业务处理次数和第二业务参与方的业务处理次数，灵活性高，适用范围广。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图2至图6中各个步骤所提供的业务处理方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的业务处理装置或者上述终端的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart mediacard,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。

Claims (11)

1.一种业务处理方法，其特征在于，所述方法包括：
当目标终端接收到目标业务的业务处理请求，所述业务处理请求用于请求确定所述目标业务的业务主导方时，所述目标终端从所述目标业务的第一业务参与方所使用的第一终端获取所述第一业务参与方的第一历史业务处理次数，并从所述目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数；
所述目标终端确定业务处理次数集合，所述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由所述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，所述第一预设业务处理次数集合中包括k个第一预设业务处理次数，所述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
所述目标终端根据所述第一历史业务处理次数、所述第二历史业务处理次数以及所述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算所述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
所述目标终端根据所述业务处理次数集合中各业务处理次数组合的发生概率从所述第一业务参与方和所述第二业务参与方中确定出所述目标业务的业务主导方，并将所述目标业务的业务主导方的确定结果输出至所述第一终端的用户交互界面或者所述第二终端的用户交互界面，以提示所述第一业务参与方或者所述第二业务参与方。
2.根据权利要求1所述方法，其特征在于，所述目标终端根据所述业务处理次数集合中各业务处理次数组合的发生概率从所述第一业务参与方和所述第二业务参与方中确定出所述目标业务的业务主导方，并将所述目标业务的业务主导方的确定结果输出至所述第一终端的用户交互界面或者所述第二终端的用户交互界面，以提示所述第一业务参与方或者所述第二业务参与方，包括：
所述目标终端计算所述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将所述发生概率之和确定为第一业务主导方概率，其中第一业务主导方概率为所述第一业务参与方作为业务主导方的概率；
所述目标终端计算所述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合对应的发生概率之和，并将所述发生概率之和确定为第二业务主导方概率，其中第二业务主导方概率为所述第二业务参与方作为业务主导方的概率；
若所述第一业务主导方概率大于所述第二业务主导方概率，所述目标终端则将所述第一业务参与方确定为所述目标业务的业务主导方，并将所述目标业务的业务主导方为所述第一业务参与方的确定结果输出至所述第一终端的用户交互界面以提示所述第一业务参与方；
若所述第一业务主导方概率小于所述第二业务主导方概率，所述目标终端则将所述第二业务参与方确定为所述目标业务的业务主导方，并将所述目标业务的业务主导方为所述第二业务参与方的确定结果输出至所述第二终端的用户交互界面以提示所述第二业务参与方。
3.根据权利要求1-2任一项所述方法，其特征在于，所述方法还包括：
所述目标终端从所述第一终端获取所述第一业务参与方的第一业务统计特征数据，并从所述第二终端获取所述第二业务参与方的第二业务统计特征数据；
所述目标终端基于第一业务主导方预测模型，结合所述第一业务统计特征数据和所述第二业务统计特征数据从所述第一业务参与方和所述第二业务参与方中确定出第一业务主导方，所述第一业务主导方预测模型由XGboost分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
所述目标终端基于第二业务主导方预测模型，结合所述第一业务统计特征数据和所述第二业务统计特征数据从所述第一业务参与方和所述第二业务参与方中确定出第二业务主导方，所述第二业务主导方预测模型由支持向量机SVM分类模型基于至少两个业务参与方对应的业务统计特征数据和业务主导方标签训练得到；
所述目标终端根据所述第一业务主导方预测模型确定出的所述第一业务主导方、所述第二业务主导方预测模型确定出的所述第二业务主导方和所述目标业务的业务主导方，更新所述目标业务的业务主导方为所述第一业务参与方和所述第二业务参与方中作为业务主导方次数最多的业务参与方。
4.根据权利要求3所述方法，其特征在于，所述方法还包括：
若所述目标业务的业务主导方为所述第一业务参与方，所述目标终端则从所述业务处理次数集合中第一预设业务处理次数大于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；或者
若所述目标业务的业务主导方为所述第二业务参与方，所述目标终端则从所述业务处理次数集合中第一预设业务处理次数小于第二预设业务处理次数的各个业务处理次数组合中确定出发生概率最大的目标业务处理次数组合；
所述目标终端将所述目标业务处理次数组合中包括的第一预设业务处理次数确定为所述第一业务参与方的业务处理次数，将所述目标业务处理次数组合中包括的第二预设业务处理次数确定为所述第二业务参与方的业务处理次数，并将所述第一业务参与方的业务处理次数和所述第二业务参与方的业务处理次数输出至所述第一终端的用户交互界面和/或所述第二终端的用户交互界面。
5.根据权利要求1-2任一项所述方法，其特征在于，所述目标终端从所述目标业务的第一业务参与方所使用的第一终端获取所述第一业务参与方的第一历史业务处理次数，并从所述目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数，包括：
所述目标终端从所述目标业务的第一业务参与方所使用的第一终端获取所述第一业务参与方在N次历史业务中的N个业务处理次数，计算所述N个业务处理次数的算数平均值并将所述N个业务处理次数的算术平均值确定为所述第一业务参与方的第一历史业务处理次数；
所述目标终端从所述目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方在M次历史业务中的M个业务处理次数，计算所述M个业务处理次数的算数平均值并将所述M个业务处理次数的算术平均值确定为所述第二业务参与方的第二历史业务处理次数；
其中，N和M皆为大于1的整数。
6.根据权利要求3所述方法，其特征在于，所述方法还包括：
所述目标终端从业务数据库中获取第一训练样本集合，所述第一训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及所述两个业务参与方中的样本业务的业务主导方；
所述目标终端将所述第一训练样本集合中包括的各个训练样本输入XGboost分类模型，以通过所述XGboost分类模型对所述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出所述任一业务的业务主导方能力的第一业务主导方预测模型。
7.根据权利要求3所述方法，其特征在于，所述方法还包括：
所述目标终端从业务数据库中获取第二训练样本集合，所述第二训练样本集合中包括多个训练样本，一个训练样本中包括一个样本业务的两个业务参与方各业务参与方对应的业务统计特征数据，以及所述两个业务参与方中的样本业务的业务主导方；
所述目标终端将所述第二训练样本集合中包括的各个训练样本输入支持向量机SVM分类模型，以通过所述支持向量机SVM分类模型对所述各个训练样本进行学习，以生成具备基于输入的任一业务的两个业务参与方的业务统计特征数据输出所述任一业务的业务主导方能力的第二业务主导方预测模型。
8.根据权利要求3所述方法，其特征在于，业务统计特征数据包括如下至少一种类型的数据：业务参与方所属团队的成员特征数据、业务参与方所属团队的管理员特征数据、业务参与方所属团队的团队特征数据、业务参与方所属团队的历史业务特征数据，以及历史业务开展环境特征数据。
9.一种业务处理装置，其特征在于，所述装置为用于处理目标业务的目标终端，所述装置包括：
历史业务处理次数获取模块，用于在接收到目标业务的业务处理请求，所述业务处理请求用于请求确定所述目标业务的业务主导方时，从所述目标业务的第一业务参与方所使用的第一终端获取所述第一业务参与方的第一历史业务处理次数，并从所述目标业务的第二业务参与方所使用的第二终端获取所述第二业务参与方的第二历史业务处理次数；
业务处理次数组合确定模块，用于确定业务处理次数集合，所述业务处理次数集合中包括多个业务处理次数组合，其中任一业务处理次数组合由所述第一业务参与方对应的第一预设业务处理次数集合中的一个第一预设业务处理次数和第二业务参与方对应的第二预设业务处理次数集合中的一个第二预设业务处理次数组成，所述第一预设业务处理次数集合中包括k个第一预设业务处理次数，所述第二预设业务处理次数集合中包括k个第二预设业务处理次数，k为大于1的整数；
业务处理次数组合发生概率确定模块，用于根据所述第一历史业务处理次数、所述第二历史业务处理次数以及所述业务处理次数集合中任一业务处理次数组合所包括的第一预设业务处理次数、第二预设业务处理次数，计算所述任一业务处理次数组合的发生概率，其中，一个业务处理次数组合对应一个发生概率；
业务主导方确定模块，用于根据所述业务处理次数集合中各业务处理次数组合的发生概率从所述第一业务参与方和所述第二业务参与方中确定出所述目标业务的业务主导方；
业务主导方输出模块，用于将所述业务主导方确定模块确定的所述目标业务的业务主导方的确定结果输出至所述第一终端的用户交互界面或者所述第二终端的用户交互界面，以提示所述第一业务参与方或者所述第二业务参与方。
10.一种终端，其特征在于，包括收发器、处理器和存储器，所述处理器和存储器相互连接；
所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述收发器和所述处理器被配置用于调用所述程序指令，执行如权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一条或多条第一指令，所述一条或多条第一指令适于由处理器加载并执行如权利要求1-8任一项所述的方法。
CN201910442090.2A 2019-05-24 2019-05-24 业务处理方法及装置 Active CN110188940B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910442090.2A CN110188940B (zh) 2019-05-24 2019-05-24 业务处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910442090.2A CN110188940B (zh) 2019-05-24 2019-05-24 业务处理方法及装置

Publications (2)

Publication Number Publication Date
CN110188940A CN110188940A (zh) 2019-08-30
CN110188940B true CN110188940B (zh) 2023-09-05

Family

ID=67717789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910442090.2A Active CN110188940B (zh) 2019-05-24 2019-05-24 业务处理方法及装置

Country Status (1)

Country Link
CN (1) CN110188940B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257365A (zh) * 2017-05-31 2017-10-17 腾讯科技（深圳）有限公司 一种数据下载处理方法和装置
CN109034660A (zh) * 2018-08-22 2018-12-18 平安科技（深圳）有限公司 基于预测模型的风险控制策略的确定方法及相关装置
CN109241711A (zh) * 2018-08-22 2019-01-18 平安科技（深圳）有限公司 基于预测模型的用户行为识别方法及装置
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN109711929A (zh) * 2018-12-13 2019-05-03 中国平安财产保险股份有限公司 基于预测模型的业务推荐的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107257365A (zh) * 2017-05-31 2017-10-17 腾讯科技（深圳）有限公司 一种数据下载处理方法和装置
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN109034660A (zh) * 2018-08-22 2018-12-18 平安科技（深圳）有限公司 基于预测模型的风险控制策略的确定方法及相关装置
CN109241711A (zh) * 2018-08-22 2019-01-18 平安科技（深圳）有限公司 基于预测模型的用户行为识别方法及装置
CN109711929A (zh) * 2018-12-13 2019-05-03 中国平安财产保险股份有限公司 基于预测模型的业务推荐的方法及装置

Also Published As

Publication number Publication date
CN110188940A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
US11714876B1 (en) Real-time event transcription system and method
CN107943583B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN108427690B (zh) 信息投放方法及装置
CN108762907B (zh) 基于多个客户端的任务处理方法及系统
CN108322317A (zh) 一种账号识别关联方法及服务器
WO2019148587A1 (zh) 学习竞赛中的竞赛对象匹配方法以及装置
CN113268589A (zh) 关键用户识别方法、装置、可读存储介质和计算机设备
CN107728772B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN112237742B (zh) 游戏推荐方法、装置、可读存储介质及计算机设备
CN115910325A (zh) 用于认知任务测评的建模方法、认知任务测评方法及系统
CN110276404B (zh) 模型训练方法、装置及存储介质
CN110188940B (zh) 业务处理方法及装置
CN111382938A (zh) 一种比赛信息处理方法、系统及电子设备
CN113891323B (zh) 一种基于WiFi的用户标签获取系统
CN115845394A (zh) 模型的训练方法、游戏对局玩家匹配方法、介质及设备
CN114519520B (zh) 模型评估方法、装置及存储介质
CN109908584A (zh) 一种游戏信息的获取方法、装置及电子设备
CN113448876B (zh) 一种业务测试方法、装置、计算机设备及存储介质
CN112819079A (zh) 模型的采样算法匹配方法、装置和电子设备
JP2543528B2 (ja) 音声認識装置
CN116543273B (zh) 数据处理方法、装置、计算机、可读存储介质及程序产品
CN117056239B (zh) 测试功能使用特征的确定方法、装置、设备及存储介质
Ciszewski et al. Testing for no effect in regression problems: a permutation approach
Dey et al. Surprise in Elections
US20230256318A1 (en) System and Method for Live Counter-Factual Analysis in Tennis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant