CN110414986A - 基于大数据分析的收银路由建立方法及相关设备 - Google Patents
基于大数据分析的收银路由建立方法及相关设备 Download PDFInfo
- Publication number
- CN110414986A CN110414986A CN201910542900.1A CN201910542900A CN110414986A CN 110414986 A CN110414986 A CN 110414986A CN 201910542900 A CN201910542900 A CN 201910542900A CN 110414986 A CN110414986 A CN 110414986A
- Authority
- CN
- China
- Prior art keywords
- cash register
- information
- rule model
- initial
- terminal
- 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.)
- Pending
Links
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/405—Establishing or using transaction specific rules
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Technology Law (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请涉及数据处理技术领域，尤其涉及一种基于大数据分析的收银路由建立方法及相关设备，包括：获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型；从终端接收签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息。本申请便于保险公司根据不同签约用户采用最佳的收银路由，提升了保险公司智能终端的工作效率。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于大数据分析的收银路由建立方法及相关设备。
背景技术
随着保险行业的蓬勃发展，签约服务也越来越多，不同的签约服务可以针对不同人群的需要。但是对于保险业务员来说无法准确的向客户提供详细的保费金额谢信息，从而造成客户因为保费金额出现偏差而没有在出现问题时得到应有的赔偿。同时，保险公司也可能存在着对于每一笔保单的保险费用时，只能要求用户采用某些特定的支付方式进行付款，从而降低了工作效率。
虽然，目前市场上有着多种支付方式兼容的方案。但是，由于保险销售过程中收银方式的多样性，导致不能根据用户的不同需求快速建立收银路由，导致保险公司智能终端收银效率低下。
发明内容
基于此，有必要针对保险销售过程中收银方式的多样性，导致不能根据用户的不同需求快速建立收银路由，导致保险公司智能终端收银效率低下的问题，提供一种基于大数据分析的收银路由建立方法及相关设备。
一种基于大数据分析的收银路由建立方法，包括如下步骤：
获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型；
从终端接收签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息。
在其中一个可能的实施例中，所述获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型，包括：
从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，所述核心信息包括多个关键参数和所述关键参数的参数属性；
按照所述参数属性，分别赋予各所述关键参数以参数权重；
根据所述参数属性和参数权重将各所述核心信息进行聚类后，得到所述初始收银规则模型。
在其中一个可能的实施例中，所述获取签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案，包括：
发送签约信息采集指令至所述终端，接收所述终端反馈的签约信息表；
遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的参数区间进行比较，若所述数字信息在所述参数区间内，则提取所述数字信息作为所述关键词，否则抛弃所述数字信息；
以所述数字信息作为测试样本入参到所述初始收银规则模型中进行分类匹配，得到所述初始收银方案。
在其中一个可能的实施例中，所述发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息，包括：
发送所述初始收银方案至所述终端，接收所述终端的反馈信息，抽取所述反馈信息中的判断性词语；
若所述判断性词语为肯定性词语，则以所述收银规则模型作为最终收银规则模型；
若所述判断性词语为否定性词语，则获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型；
根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收签约用户输入的签约信息。
在其中一个可能的实施例中，所述从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，包括：
获取所述收银规则的合同文本，利用训练好的词向量层对所述合同文本进行矩阵化表示，生成合同文本矩阵，其中，矩阵元素为签约合同文本的词向量；
获取合同文本的大类名称，将所述大类名称入参到训练好的卷积神经网络模型后，得到所述大类名称对应的费用编码向量；
将所述合同文本矩阵中的每一行依次入参到训练好的卷积神经网络模型，得到每一行对应的行编码向量；
以所述费用编码向量的标量值作为收敛条件，计算各所述行编码向量的标量值的损失函数值，若所述损失函数值在损失阈值以内，则将所述行编码向量所在行作为所述核心信息。
在其中一个可能的实施例中，所述遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的参数区间进行比较，若所述数字信息在所述参数区间内，则提取所述数字信息作为所述关键词，包括：
遍历所述签约信息表，获取所述签约用户的身份信息，将所述身份信息与所述终端的使用者信息进行比对，若一致，则抽取所述数字信息，否则不抽取；
将抽取出的数字信息与预设的参数区间进行比较，若任一所述抽取出的数字信息在至少两个所述参数区间内，则计算所述数字信息在各所述参数区间的置信度；
以置信度最高的参数区间作为所述数字信息所属的参数区间，根据所述参数区间对应的参数类别，得到数字信息的归属类别，拼接所述数字信息的数值和所述归属类别作为所述关键词。
在其中一个可能的实施例中，所述获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型，包括：
根据所述上下文信息中所包含的实体信息，获取所述实体信息对应的实体类型标签；
根据所述实体信息和所述实体类型标签，将所述上下文信息转换成具有实体类型标签的文本数据；
将所述具有实体类型标签的文本数据与正则表达式进行匹配后，生成语义解析结果，根据所述语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型。
一种基于大数据分析的收银路由建立装置，其特征在于，包括以下模块：
处理模块，设置为获取各签约服务的收银规则，将所述收银规则进行聚类后得到初始收银规则模型；
收发模块，设置为发送所述初始收银方案至所述终端，接收所述终端的反馈信息；
所述处理模块还用于在所述收发模块从终端接收签约用户的签约信息后，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
所述处理模块还用于根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于大数据分析的收银路由建立的方法的步骤。
一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于大数据分析的收银路由建立的方法的步骤。
与现有机制相比，本申请通过大数据技术对签约用户信息进行有效分析，从而得到符合签约用户需求的收银路由，以便于保险公司根据不同签约用户采用最佳的收银路由，提升了保险公司智能终端的工作效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。
图1为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法的整体流程图；
图2为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的模型搭建过程示意图；
图3为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的信息匹配过程示意图；
图4为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的反馈修正过程示意图；
图5为本申请在一个实施例中的一种基于大数据分析的收银路由建立装置的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法的整体流程图，包括以下步骤：
S1、获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型；
具体的，不同的签约服务的保险类型具有不同的收银规则，比如，意外伤害保险通常是一次性缴费，而对于交强险则需要每年进行缴费，而且每一个险种会根据用户的实际情况制定针对不同保额的收银规则。
S2、从终端接收签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
具体的，签约信息中的关键词是指投保期限，投保品种，投保金额等。比如，A签约用户投保的品种是财产险，期限为30天，投保的金额为1000元，那么关键词就可以是“财产”、“30天”、“1000元”。然后利用文本比较算法等将这些关键词和初始收银规则模型中的分类器进行匹配，得到初始收银方案。其中，在进行分类匹配时可以采用正则运算、逻辑运算(且、或、非)或者比较运算等算法。
其中，初始收银规则模型可以采用训练好的卷积神经网络，在进行匹配计算时，可以采用Hausdorff距离算法，公式为：
D(A,B)＝∑min||A-B||，式子中，A表示关键词的词向量，B表示卷积神经网络模型中分类器中的词向量，D表示两者的Hausdorff距离。Hausdorff距离值越小，则匹配度越大。
S3、发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息。
具体的，签约用户对于初始收银方案的反馈信息主要是两种，第一种是接收所述初始收银方案，此时一般在反馈信息中写有“接受”、“同意”等肯定性的词语，而另一种反馈信息为“反对”、“不同意”等否定性词语，对于第一种情况不对所述初始收银规则模型进行修正；针对第二种情况，若签约用户只是在反馈信息中回复了“不同意”则还需向签约用户所在终端发送重新选择收银方案的指令，接收签约用户所在终端提供的收银方案，然后对所述签约用户所在终端提供的收银方案进行置信度评价，若置信度大于置信度阈值则按照签约用户终端提供的收银方案向所述签约用户收取保费，并提取此收银方案的参数用于对初始收银规则模型进行修正，得到最终收银规则模型。
本实施例，通过建立收银规则模型，从而使保险公司可以针对不同用户的需求制定不同的收银方案。
图2为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的模型搭建过程示意图，如图所示，所述S1、获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型，包括：
S11、从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，所述核心信息包括多个关键参数和所述关键参数的参数属性；
具体的，通常签约服务的收银规则是在保险合同的一个子标题下面，而保险合同是一个非结构化的文本。在对保险合同进行信息查询时，可以应用神经网络模型对核心信息进行抽取。核心信息主要是指保险金额、保险年限等对收银规则起到决定性作用的信息。
S12、按照所述参数属性，分别赋予各所述关键参数以参数权重；
其中，关键参数主要是指一些数值信息，比如保额1000元等，对于不同的保额所采用的收银方式存在着很大的差异。对于保额参数权重可以设为“1”，对于保险期限权重可以设为“0.5”。
S13、根据所述参数属性和参数权重将各所述核心信息进行聚类后，得到所述初始收银规则模型。
其中，可以将关键参数和参数权重进行加权求和，根据加权求和的结果，将结果在预设的误差阈值以内的核心信息归为一类，这样得到数个签约服务分类器，汇总签约服务分类器后得到初始收银规则模型。
本实施例，通过对各个签约服务的核心信息进行聚类，从而便于保险公司根据不同的签约服务制定不同的收银规则。
图3为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的信息匹配过程示意图，如图所示，所述S2、获取签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案，包括：
S21、发送签约信息采集指令至所述终端，接收所述终端反馈的签约信息表；
具体的，可以先获取签约用户终端的设备指纹，然后对这个设备指纹是否曾经投保过进行查询，若该设备指纹曾经投保过，则获取该设备指纹的投保历史数据，从历史数据中抽取出签约用户的身份信息，并在原始信息表中输入签约用户的身份信息，以便签约用户进行核验。若该设备指纹没有投保记录，则在向签约用户所在终端发放原始签约信息表时，要求签约用户输入生物特征，如指纹等，以便于对该终端使用者进行身份确定。
S22、遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的签约参数区间进行比较，若所述数字信息在所述签约参数区间内，则提取所述数字信息作为所述关键词，否则抛弃所述数字信息；
其中，由于签约信息表是一个结构化的表，所以可以采用SQL语言对签约信息表进行数字信息查询，参数区间具体可以是保险金额，比如，人身保险的投保金额为[10000,50000]元，投保期限为[10,20]年等。
S23、以所述数字信息作为测试样本入参到所述初始收银规则模型中进行分类匹配，得到所述初始收银方案。
其中，在初始收银规则模型中可以设有多个分类器，采用投票机制对数字信息的归属类型进行投票，当投票率超过90％时，则获得数字信息归属的分类器。比如，数字信息为保费9000元，在初始收银规则模型中有两个分类器与之对应，分别是第三方支付和网银，然后对这两个分类器进行投票，投票的依据可以是9000元在历史数据中使用这两种方式的次数，每使用一次投一票，其中选取的历史数据量为奇数。
本实施例，通过对签约用户信息进行有效分析，从而得到符合签约用户需求的收银规则，以便于保险公司根据不同签约用户制定定制化的收银方案。
图4为本申请在一个实施例中的一种基于大数据分析的收银路由建立方法中的反馈修正过程示意图，如图所示，所述S3、发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息，包括：
S31、发送所述初始收银方案至所述终端，接收所述终端的反馈信息，抽取所述反馈信息中的判断性词语；
具体的，在发送所述初始收银方案至所述终端时，同时发送反馈信息获取指令至所述终端，签约用户若没有对所述没有意见，则不对初始投保方案进行修正。在进行判断时可以采用心跳包的方式，即发送反馈心跳包至签约用户所在终端，接收心跳信号，若超过预设时间没有接收到反馈心跳信号，则断定所述签约用户对所述初始收银方案没有意见。
S32、若所述判断性词语为肯定性词语，则以所述收银规则模型作为最终收银规则模型；
具体的，在判断性词语为肯定性词语时，记录此次匹配过程作为系统日志，在签约用户缴纳保险费用的时间节点到来时，发送信息至所述签约用户所在终端提醒签约用户进行缴费。
S33、若所述判断性词语为否定性词语，则获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型；
具体的，反馈信息一般是流式数据，可以通过获取特殊符号的方式，来得到所述判断性词语的上下文信息。比如，在反馈信息中的语句为“我不同意采用第三方支付缴纳车险，因为我要银行流水单。”其中的，特殊符号为“，”即可以根据“，”将反馈信息分割成两个子段，只需抽取出第一个子段就可以得到否定性词语的上下文信息。
S34、根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收签约用户输入的签约信息。
本实施例，通过签约用户的反馈信息对收银模型进行改进，从而更加符合不同签约用户对于保险公司收银规则的需求。
在一个实施例中，所述S11、从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，包括：
获取所述收银规则的合同文本，利用训练好的词向量层对所述合同文本进行矩阵化表示，生成合同文本矩阵，其中，矩阵元素为签约合同文本的词向量；
其中，词向量层的训练可以采用的训练方法可以是word2vec等深度学习方法训练得到的，具体到本申请中可以采用的长短时记忆神经网络或者卷积神经网络进行训练。
获取合同文本的大类名称，将所述大类名称入参到训练好的卷积神经网络模型后，得到所述大类名称对应的费用编码向量；
其中，编码是信息从一种形式或格式转换为另一种形式的过程，也称为计算机编程语言的代码简称编码。而每一个词在自然语言编程中均具有一个词向量，将编码和词向量进行结合后得到编码向量。保险大类名称可以存储在数据库中的签约服务分类表中，在每生成一件保险合同时，都需要在签约服务分类表中进行登记，登记的方式可以人工登记，也可以通过SQL语言进行特征词查询。
将所述合同文本矩阵中的每一行依次入参到训练好的卷积神经网络模型，得到每一行对应的行编码向量；
以所述费用编码向量的标量值作为收敛条件，计算各所述行编码向量的标量值的损失函数值，若所述损失函数值在损失阈值以内，则将所述行编码向量所在行作为所述核心信息。
本实施例，应用矩阵分析法对合同文本进行有效分析，从而更加准确的获得签约服务的特征属性，以便于制定符合签约服务的收银规则。
在一个实施例中，所述S22、遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的参数区间进行比较，若所述数字信息在所述参数区间内，则提取所述数字信息作为所述关键词，包括：
遍历所述签约信息表，获取所述签约用户的身份信息，将所述身份信息与所述终端的使用者信息进行比对，若一致，则抽取所述数字信息，否则不抽取；
其中，在原始签约信息表中可以设置一个让签约用户输入指纹或者签名的区域，若此区域内没有签约用户输入的信息，则不进行数字信息抽取。否则对在这个区域上的签名进行笔迹识别，对指纹信息进行指纹特征点识别。将笔迹识别或者指纹识别的结果与签约用户输入的个人身份信息进行比对，一致则抽取数字信息。
将抽取出的数字信息与预设的参数区间进行比较，若任一所述抽取出的数字信息在至少两个所述参数区间内，则计算所述数字信息在各所述参数区间的置信度；
其中，在进行置信度计算时可以采用机器学习常用的方法。
以置信度最高的参数区间作为所述数字信息所属的参数区间，根据所述参数区间对应的参数类别，得到数字信息的归属类别，拼接所述数字信息的数值和所述归属类别作为所述关键词。
其中，参数区间对应着参数的名称，根据参数的名称可以获得数字信息的归属类别。比如，参数为投保金额10000～50000元，这个区间为述数字信息所属参数区间，通过查询得地这个区间对应的类别为“人身险”这一类别，则类别关键词为“人身险”。
本实施例，通过置信度判定的方式，能够有效的获得签约用户的需求信息，从而制定定制化的收银方案。
在一个实施例中，所述S33、获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型，包括：
根据所述上下文信息中所包含的实体信息，获取所述实体信息对应的实体类型标签；
其中，一段语言文字中一般包含有，实体、关系和属性三要素，根据词语数据库可以查询出所述上下文信息中所包含的实体信息。
根据所述实体信息和所述实体类型标签，将所述上下文信息转换成具有实体类型标签的文本数据；
具体的，文本数据为“我不同意采用第三方支付缴纳车险”，其中，实体信息包括“车险”，而实体信息“车险”对应的实体类型标签为“car”，则具有实体类型标签的文本数据为“我不同意采用第三方支付缴纳车险(car)”。
将所述具有实体类型标签的文本数据与正则表达式进行匹配后，生成语义解析结果，根据所述语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型。
其中，正则表达式可以是正向环视正则表达式，在进行正则匹配时，可以使用的表达式为？＝.*(car)。在进行修正时可以按照签约用户的缴费方式对初始收银规则模型进行修正。
本实施例，利用正则表达式等方式对语义进行有效分析，从而提升了收银模型的适用准确度。
在一个实施例中，提出了一种基于大数据分析的收银路由建立装置，如图5所示，包括如下模块：
处理模块，设置为获取各签约服务的收银规则，将所述收银规则进行聚类后得到初始收银规则模型；
收发模块，设置为发送所述初始收银方案至所述终端，接收所述终端的反馈信息；
所述处理模块还用于在所述收发模块从终端接收签约用户的签约信息后，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
所述处理模块还用于根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口。
在一个实施例中，提出了一种计算机设备，至少一个处理器、存储器和收发器；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行上述各实施例中的所述基于大数据分析的收银路由建立方法的步骤。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中的所述基于大数据分析的收银路由建立方法的步骤。其中，所述存储介质可以为非易失性存储介质。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请一些示例性实施例，其中描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于大数据分析的收银路由建立方法，其特征在于，包括：
获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型；
从终端接收签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息。
2.根据权利要求1所述的基于大数据分析的收银路由建立方法，其特征在于，所述获取各签约服务的收银规则，将所述收银规则进行聚类，得到初始收银规则模型，包括：
从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，所述核心信息包括多个关键参数和所述关键参数的参数属性；
按照所述参数属性，分别赋予各所述关键参数以参数权重；
根据所述参数属性和参数权重将各所述核心信息进行聚类后，得到所述初始收银规则模型。
3.根据权利要求1所述的基于大数据分析的收银路由建立方法，其特征在于，所述获取签约用户的签约信息，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案，包括：
发送签约信息采集指令至所述终端，接收所述终端反馈的签约信息表；
遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的参数区间进行比较，若所述数字信息在所述参数区间内，则提取所述数字信息作为所述关键词，否则抛弃所述数字信息；
以所述数字信息作为测试样本入参到所述初始收银规则模型中进行分类匹配，得到所述初始收银方案。
4.根据权利要求3所述的基于大数据分析的收银路由建立方法，其特征在于，所述发送所述初始收银方案至所述终端，接收所述终端的反馈信息，根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收所述终端录入的签约信息，包括：
发送所述初始收银方案至所述终端，接收所述终端的反馈信息，抽取所述反馈信息中的判断性词语；
若所述判断性词语为肯定性词语，则以所述收银规则模型作为最终收银规则模型；
若所述判断性词语为否定性词语，则获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型；
根据所述最终收银规则模型，建立数个收银路由端口，所述收银路由端口用于接收签约用户输入的签约信息。
5.根据权利要求2所述的基于大数据分析的收银路由建立方法，其特征在于，所述从数据库中抽取出各签约服务的收银规则，抽取所述收银规则的核心信息，包括：
获取所述收银规则的合同文本，利用训练好的词向量层对所述合同文本进行矩阵化表示，生成合同文本矩阵，其中，矩阵元素为签约合同文本的词向量；
获取合同文本的大类名称，将所述大类名称入参到训练好的卷积神经网络模型后，得到所述大类名称对应的费用编码向量；
将所述合同文本矩阵中的每一行依次入参到训练好的卷积神经网络模型，得到每一行对应的行编码向量；
以所述费用编码向量的标量值作为收敛条件，计算各所述行编码向量的标量值的损失函数值，若所述损失函数值在损失阈值以内，则将所述行编码向量所在行作为所述核心信息。
6.根据权利要求3述的基于大数据分析的收银路由建立方法，其特征在于，所述遍历所述签约信息表，抽取出所有数字信息，将所述数字信息与预设的参数区间进行比较，若所述数字信息在所述参数区间内，则提取所述数字信息作为所述关键词，包括：
遍历所述签约信息表，获取所述签约用户的身份信息，将所述身份信息与所述终端的使用者信息进行比对，若一致，则抽取所述数字信息，否则不抽取；
将抽取出的数字信息与预设的参数区间进行比较，若任一所述抽取出的数字信息在至少两个所述参数区间内，则计算所述数字信息在各所述参数区间的置信度；
以置信度最高的参数区间作为所述数字信息所属的参数区间，根据所述参数区间对应的参数类别，得到数字信息的归属类别，拼接所述数字信息的数值和所述归属类别作为所述关键词。
7.根据权利要求4所述的基于大数据分析的收银路由建立方法，其特征在于，所述获取所述否定性词语的上下文信息，对所述上下文信息进行语义解析，根据语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型，包括：
根据所述上下文信息中所包含的实体信息，获取所述实体信息对应的实体类型标签；
根据所述实体信息和所述实体类型标签，将所述上下文信息转换成具有实体类型标签的文本数据；
将所述具有实体类型标签的文本数据与正则表达式进行匹配后，生成语义解析结果，根据所述语义解析结果对所述初始收银规则模型进行修正后，得到最终收银规则模型。
8.一种基于大数据分析的收银路由建立装置，其特征在于，包括以下模块：
处理模块，设置为获取各签约服务的收银规则，将所述收银规则进行聚类后得到初始收银规则模型；
收发模块，设置为发送所述初始收银方案至所述终端，接收所述终端的反馈信息；
所述处理模块还用于在所述收发模块从终端接收签约用户的签约信息后，提取所述签约信息中的关键词，将所述关键词入参到所述初始收银规则模型进行匹配，得到初始收银方案；
所述处理模块还用于根据所述反馈信息修正所述初始收银规则模型后，得到最终收银规则模型，根据所述最终收银规则模型，建立数个收银路由端口。
9.一种计算机设备，其特征在于，所述设备包括：
至少一个处理器、存储器和收发器；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述基于大数据分析的收银路由建立的方法。
10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述基于大数据分析的收银路由建立的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542900.1A CN110414986A (zh) | 2019-06-21 | 2019-06-21 | 基于大数据分析的收银路由建立方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542900.1A CN110414986A (zh) | 2019-06-21 | 2019-06-21 | 基于大数据分析的收银路由建立方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414986A true CN110414986A (zh) | 2019-11-05 |
Family
ID=68359579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542900.1A Pending CN110414986A (zh) | 2019-06-21 | 2019-06-21 | 基于大数据分析的收银路由建立方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414986A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111026796A (zh) * | 2019-11-29 | 2020-04-17 | 华南农业大学 | 多源异构数据采集方法、装置、系统、介质和设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480997A (zh) * | 2017-07-17 | 2017-12-15 | 广东欧珀移动通信有限公司 | 一种移动支付的方法、终端及存储介质 |
| CN108399195A (zh) * | 2018-01-29 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 支付渠道的推荐方法及装置 |
| CN109074558A (zh) * | 2017-09-29 | 2018-12-21 | 深圳市大疆创新科技有限公司 | 一种确定支付方式的方法及相关装置 |
| CN109616101A (zh) * | 2019-02-12 | 2019-04-12 | 百度在线网络技术（北京）有限公司 | 声学模型训练方法、装置、计算机设备和可读存储介质 |
| CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
-
2019
- 2019-06-21 CN CN201910542900.1A patent/CN110414986A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480997A (zh) * | 2017-07-17 | 2017-12-15 | 广东欧珀移动通信有限公司 | 一种移动支付的方法、终端及存储介质 |
| CN109074558A (zh) * | 2017-09-29 | 2018-12-21 | 深圳市大疆创新科技有限公司 | 一种确定支付方式的方法及相关装置 |
| CN108399195A (zh) * | 2018-01-29 | 2018-08-14 | 阿里巴巴集团控股有限公司 | 支付渠道的推荐方法及装置 |
| CN109670797A (zh) * | 2018-09-11 | 2019-04-23 | 深圳平安财富宝投资咨询有限公司 | 支付路由选取方法、装置、设备及存储介质 |
| CN109616101A (zh) * | 2019-02-12 | 2019-04-12 | 百度在线网络技术（北京）有限公司 | 声学模型训练方法、装置、计算机设备和可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 中国汽车工程学会: "《汽车安全技术》", 30 June 2004 * |
| 吴碧宇: "《汉语话题链构成句子的条件研究》", 30 September 2015 * |
| 李德毅等: "《大数据技术及应用探究》", 31 August 2018 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111026796A (zh) * | 2019-11-29 | 2020-04-17 | 华南农业大学 | 多源异构数据采集方法、装置、系统、介质和设备 |
| CN111026796B (zh) * | 2019-11-29 | 2023-05-16 | 华南农业大学 | 多源异构数据采集方法、装置、系统、介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11631147B2 (en) | Social recommendation method based on multi-feature heterogeneous graph neural networks | |
| Clark et al. | Improving coreference resolution by learning entity-level distributed representations | |
| CN112434535B (zh) | 基于多模型的要素抽取方法、装置、设备及存储介质 | |
| CN112528676A (zh) | 文档级别的事件论元抽取方法 | |
| CN109857846B (zh) | 用户问句与知识点的匹配方法和装置 | |
| CN102012918A (zh) | 一种规律挖掘和执行系统及其方法 | |
| CN111191051B (zh) | 一种基于中文分词技术的应急知识图谱的构建方法及系统 | |
| CN111027600B (zh) | 图像类别预测方法和装置 | |
| CN110415086A (zh) | 基于用户连续行为序列特征的智能理财推荐方法 | |
| CN107315731A (zh) | 文本相似度计算方法 | |
| CN111401065A (zh) | 实体识别方法、装置、设备及存储介质 | |
| CN112632274A (zh) | 一种基于文本处理的异常事件分类方法及系统 | |
| CN113177101B (zh) | 用户轨迹识别方法、装置、设备及存储介质 | |
| CN113204968B (zh) | 医学实体的概念识别方法、装置、设备及存储介质 | |
| CN110457450A (zh) | 基于神经网络模型的答案生成方法及相关设备 | |
| CN112836061A (zh) | 智能推荐的方法、装置以及计算机设备 | |
| CN109815268A (zh) | 一种交易制裁名单匹配系统 | |
| Hillebrand et al. | Towards automating numerical consistency checks in financial reports | |
| CN111143533A (zh) | 一种基于用户行为数据的客服方法及系统 | |
| CN112364136B (zh) | 关键词生成方法、装置、设备及存储介质 | |
| Freitas et al. | Confusion matrix disagreement for multiple classifiers | |
| CN110414986A (zh) | 基于大数据分析的收银路由建立方法及相关设备 | |
| KR102443629B1 (ko) | 딥러닝 nlp 모델을 활용한 뉴스 긍정도 분석 솔루션 및 시스템 | |
| CN114586038A (zh) | 事件抽取和抽取模型训练的方法和装置、设备、介质 | |
| CN111694936A (zh) | 用于ai智能面试的识别的方法、装置、计算机设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |