CN112396325B - 案件处理方法、装置、介质及电子设备 - Google Patents

Abstract

本公开涉及机器学习领域，揭示了一种案件处理方法、装置、介质及电子设备。该方法包括：利用案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间；针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，训练得到该组第一案件样本数据对应的案件成功率模型；针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，训练得到该组第二案件样本数据对应的案件处理人员成功率模型；将各模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。此方法可以将案件处理人员很好地与案件相匹配，从而提高案件处理质量和案件处理效率。

Description

案件处理方法、装置、介质及电子设备

技术领域

本公开涉及机器学习技术领域，特别涉及一种案件处理方法、装置、介质及电子设备。

背景技术

在案件处理过程中，案件和人员分配是很重要的一个环节，目前各领域业内的案件和人员分配是由主管根据个人判断进行分配，处理人员拿到被分配的任务进行处理。

在目前的案件和人员分配的过程中，完全依靠主管的个人经验，主管根据案件量或对案件和人员的了解情况进行判断，然后将案件分配到自己觉得适合的案件处理人员进行处理，案件处理人员只能被动接受案件。因此，目前案件和人员的分配完全依赖于个人主观判断，案件不能被合理客观地分配，导致案件处理人员不能很好地与案件相匹配，案件处理人员可能要处理自己不擅长或者不适合自己的案件，导致案件处理质量差，处理效率低下。

发明内容

在机器学习技术领域，为了解决上述技术问题，本公开的目的在于提供一种案件处理方法、装置、介质及电子设备。

根据本公开的一方面，提供了一种案件处理方法，所述方法包括：

利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；

针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；

针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；

将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

根据本公开的另一方面，提供了一种案件处理装置，所述装置包括：

确定模块，被配置为利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；

第一训练模块，被配置为针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；

第二训练模块，被配置为针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；

组合和推荐模块，被配置为将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

根据本公开的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，当所述计算机可读指令被计算机执行时，使计算机执行如前所述的方法。

根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：

处理器；

存储器，所述存储器上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，实现如前所述的方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开所提供的案件处理方法，包括如下步骤：利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

此方法下，一方面，通过构建案件成功率模型，可以针对待处理案件，自动推荐出适合处理待处理案件的案件处理人员；另一方面，通过构建案件处理人员成功率模型，则可以针对案件处理人员，自动推荐出适合由该案件处理人员的处理的待处理案件，因此，可以将案件处理人员很好地与案件相匹配，从而提高案件处理质量和案件处理效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种案件处理方法的系统架构示意图；

图2是根据一示例性实施例示出的一种案件处理方法的流程图；

图3是根据图2实施例示出的一实施例的步骤230之前步骤的流程图；

图4根据一示例性实施例示出的案件处理方法应用于催收领域的基本流程示意图；

图5是根据一示例性实施例示出的一种案件处理装置的框图；

图6是根据一示例性实施例示出的一种实现上述案件处理方法的电子设备示例框图；

图7是根据一示例性实施例示出的一种实现上述案件处理方法的计算机可读存储介质。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

本公开首先提供了一种案件处理方法。案件处理是指对一项特定事务的处理。比如，在专利代理领域，专利代理师需要处理多项专利申请案件，能够处理各项专利申请案件的专利代理师也有多人，很多时候，由于专利代理师擅长的领域和技术种类不同，专利申请案件不能很好地与专利代理师相匹配，这样就专利申请案件就无法得到最佳的处理。因此，在有多人处理案件和/或待分配的案件有多件的情况下，将案件处理人员与案件进行很好地适配是一个很棘手的问题。而本公开提供的案件处理方法便能够使案件处理人员与案件之间得到良好的匹配。本公开提供的案件处理方法可以应用于各种需要处理案件的场景中，比如可以用于法官、律师、专利代理师、警察处理案件的场景，也可以用于金融领域的催收场景。

本公开的实施终端可以是任何具有运算、处理以及通信功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。

可选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。

图1是根据一示例性实施例示出的一种案件处理方法的系统架构示意图。如图1所示，该系统架构包括服务器110、用户终端120及数据库130。用户终端120与服务器110之间以及数据库130与服务器110之间均通过有线或者无线通信链路相连，因此，用户终端120及数据库130可以向服务器110发送数据，也可以接收来自服务器110的数据，服务器110为本实施例中的实施终端，数据库130中存储着样本集。当本公开提供的案件处理方法应用于图1所示的系统架构中时，一个具体过程可以是这样的：服务器110首先从数据库130获取样本集中的案件样本数据，对于一个案件来说，该案件对应的案件样本数据包括处理该案件的人员的属性及属性值、案件本身的属性及属性值以及案件处理结果；接着，服务器110利用案件样本数据进行模型训练，分别得到案件成功率模型以及案件处理人员成功率模型，并将各模型进行组合；然后，当用户终端120向服务器110提交待处理案件，服务器110便可利用组合后的模型推荐出适合处理该待处理案件的案件处理人员，推荐出的案件处理人员能够很好的与该待处理案件相匹配。

图2是根据一示例性实施例示出的一种案件处理方法的流程图。本实施例可以由服务器执行，如图2所示，包括以下步骤：

步骤230，利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间。

其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果。

案件和案件处理人员的属性亦可以称为案件和案件处理人员的特征，属性对应的属性值亦可以称为特征对应的特征值。案件处理结果既可以是案件处理成功和失败这种离散值，也可以是案件处理得分这样的连续值。

在一个实施例中，所述利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，包括：

按照预定规则对案件样本数据中案件和案件处理人员的各属性对应的属性值进行划分，得到各属性对应的属性值划分区间；

迭代地执行目标属性和目标属性值划分区间确定步骤，直至确定出的目标属性的数目达到第二预定数目，所述目标属性和目标属性值划分区间确定步骤包括：计算案件样本数据中各属性的信息增益，并在所有未选取过的属性中选取对应的信息增益最大的属性，作为目标属性，将目标属性对应的属性值划分区间作为目标属性值划分区间。

本实施例利用了信息增益进行目标属性的选择，当然在实际应用时，也可以利用信息增益率或基尼系数进行选择。

比如，在催收领域中，案件样本数据中催收案件的属性可以包括案件金额，那么案件金额对应的属性值可以划分为1万以下、1万到2万、2万到3万、3万到4万等；再比如，案件样本数据中催收人员的属性可以包括年龄，那么年龄对应的属性值可以划分为20-25、25-30、30-35、35-40、40以上等，当然，这里的年龄段也可以是对催收案件的借款人年龄这一属性所对应的属性值进行划分得到的。

在一个实施例中，所述预定规则包括：

对于案件样本数据中案件和案件处理人员的离散属性，将各离散属性对应的属性值作为属性对应的属性值划分区间；

对于案件样本数据中案件和案件处理人员的连续属性，将各连续属性对应的最高属性值和最低属性值之间平均划分为第三预定数目个属性值区间，作为属性对应的属性值划分区间。

比如，在催收领域，催收人员的离散属性可以包括催收人员的性别、出生地、工作年限等，其中，催收人员的性别对应的属性值分别为“男”和“女”，催收人员的工作年限对应的属性值可以分别为“半年”、“一年”、“一年半”、“两年”等。

催收案件的离散属性可以包括借款人的性别、出生地、是否单身、借款人是否已经被催收过、是否有其他负债等。

还是参照上面的例子，若案件样本数据中催收案件的连续属性可以包括案件金额，案件金额对应的最低属性值和最高属性值分别为1万和6万，而第三预定数目为5，那么案件金额对应的属性值可以划分为1万到2万，2万到3万，3万到4万，4万到5万，5万到6万共5个属性值划分区间。

图3是根据图2实施例示出的一实施例的步骤230之前步骤的流程图。如图3所示，步骤230之前还包括：

步骤210，每当一个案件处理人员完成一个案件，将该案件的属性、该案件的属性对应的属性值、该案件处理人员的属性、该案件处理人员的属性对应的属性值以及该案件的案件处理结果作为该案件对应的案件数据进行记录。

当一个案件处理人员完成一个案件，该案件所涉及到的案件本身的属性值、案件处理人员的属性值以及案件处理结果都会保存起来，具体可以保存到数据库中。

步骤220，利用历史上记录的所有案件对应的案件数据建立样本集。

在本实施例中，由于样本集是利用历史上所有案件对应的案件数据建立起来的，因此，可以为建立模型提供丰富的数据，从而保证建立的模型的准确性和可靠性。

下面，继续参照图2。

步骤240，针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型。

案件成功率模型可以基于各种原理的算法训练而成，比如可以是逻辑回归模型等机器学习模型，也可以是神经网络模型和深度学习模型。

训练得到的案件成功率模型可以针对待处理案件推荐出适合处理该待处理案件的案件处理人员。

对于每一组第一案件样本数据，都将训练出对应的案件成功率模型。

通过利用一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据进行相应的案件成功率模型，可以减少数据的杂质和干扰因素，保证训练出的模型的准确性。

步骤250，针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型。

案件处理人员成功率模型也可以基于各种原理的算法训练而成，比如可以是逻辑回归模型等机器学习模型，也可以是神经网络模型和深度学习模型。

训练得到的案件处理人员成功率模型可以针对案件处理人员推荐出适合由该案件处理人员处理的待处理案件。

步骤260，将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

将各案件成功率模型与各案件处理人员成功率模型进行组合之后，各模型的功能均包含在组合后模型之中，各案件成功率模型与各案件处理人员成功率模型均为组合后模型的子模型，具体在利用组合后模型进行推荐时，可能仅用到组合后模型中的一个或多个子模型。

在一个实施例中，在将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理之后，所述方法还包括：

当案件被案件处理人员处理完毕，利用案件处理结果、所述案件的属性值及所述案件处理人员的属性值建立案件样本数据，并将建立的所述案件样本数据加入所述样本集；

每隔预定时间段，重新利用所述样本集中的案件样本数据训练所述案件成功率模型和所述案件处理人员成功率模型。

本实施例中，通过在新的案件被案件处理人员处理完毕后，利用新的案件的属性值、对应的案件处理人员的属性值及案件处理结果再次进行模型训练，从而有效保证了模型能够持续升级和更新，进而使模型的性能可以持续提高，不断对模型进行优化。

在一个实施例中，所述利用组合后模型进行案件或案件处理人员的推荐，包括：

当接收到待处理案件，获取所述待处理案件的目标属性对应的目标属性值；

将所述待处理案件的目标属性对应的目标属性值输入至所述组合后模型中的各案件成功率模型，并将各案件处理人员的目标属性值分别输入至所述组合后模型中的各案件成功率模型，得到各案件处理人员对所述待处理案件的处理成功率；

根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，并对确定出的所述案件处理人员进行推荐。

具体来说，在将待处理案件的目标属性对应的目标属性值输入至组合后模型中的各案件成功率模型之后，首先，要确定出与待处理案件的目标属性对应的目标属性值相匹配的案件成功率模型，再将各案件处理人员的目标属性值分别输入至确定出的案件成功率模型。

对确定出的案件处理人员进行推荐，可以采用弹窗、页面加载等方式显示推荐内容。

在本实施例中，针对一件或多件待处理案件，利用组合后模型中的案件成功率模型实现了适合处理待处理案件的案件处理人员的推荐。

在一个实施例中，所述根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，包括：

确定对所述待处理案件的处理成功率最高的案件处理人员；

将确定出的所述案件处理人员，作为适合处理所述待处理案件的案件处理人员。

在一个实施例中，所述根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，包括：

对各案件处理人员按照各案件处理人员对所述待处理案件的处理成功率从大到小进行排序；

在排在前第一预定数目的案件处理人员中随机选择一个案件处理人员，作为适合处理所述待处理案件的案件处理人员。

在一个实施例中，所述根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，包括：

确定对所述待处理案件的处理成功率大于预定处理成功率阈值的案件处理人员；

在确定出的案件处理人员中随机选择一个案件处理人员，作为适合处理所述待处理案件的案件处理人员。

由于模型预测的处理成功率可能并不能完全代表一个案件处理人员能够在多大程度上对待处理案件成功完成处理，即，当第一案件处理人员的处理成功率大于第二案件处理人员时，第一案件处理人员对待处理案件的处理效果可能还比第二案件处理人员更好。在本实施例中，通过在对待处理案件的处理成功率大于预定处理成功率阈值的案件处理人员中任选一个作为适合处理所述待处理案件的案件处理人员，在保证待处理案件与案件处理人员的匹配程度的同时，提高了选择案件处理人员的公平性。

在一个实施例中，在根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，并对确定出的所述案件处理人员进行推荐之后，所述方法还包括：

记录并统计确定出的所述案件处理人员在处理所述待处理案件时的处理策略；

当所述确定出的所述案件处理人员再次被推荐时，确定被推荐的所述案件处理人员的繁忙程度；

若所述繁忙程度大于预定繁忙程度阈值，则重新推荐案件处理人员，并将所述处理策略推送给重新推荐出的所述案件处理人员。

繁忙程度是反映案件处理人员处理案件压力的指标，可以以多种方式定义，比如可以定义为当天剩余的待处理案件的数量，也可定义为某一时间段内平均处理的待处理案件的数量。

处理策略是案件处理的方式。

比如，在催收领域，催收策略可以包括话术、语气、称呼，催收方式等内容，能够帮助催收。

本实施例中通过在繁忙程度大于预定繁忙程度阈值时，重新推荐案件处理人员，避免了案件处理人员繁忙程度过高从而导致案件积压，同时，将之前已存储的相关能够很好地处理案件的案件处理人员的处理策略推送给重新推荐出的案件处理人员，使得重新推荐出的案件处理人员能够很好地处理待处理案件。

在一个实施例中，所述利用组合后模型进行案件或案件处理人员的推荐，包括：

当接收到待分配案件的案件处理人员，获取所述待分配案件的案件处理人员的目标属性对应的目标属性值；

将所述待分配案件的案件处理人员的目标属性对应的目标属性值输入至所述组合后模型中的各案件处理人员成功率模型，并将各待分配的案件的目标属性值分别输入至所述组合后模型中的各案件处理人员成功率模型，得到各待分配的案件被所述待分配案件的案件处理人员进行处理后的处理成功率；

根据所述待分配案件的案件处理人员对各待分配的案件的处理成功率，确定适合由所述待分配案件的案件处理人员处理的待分配的案件，并对确定出的所述待分配的案件进行推荐。

具体来说，在将待分配案件的案件处理人员的目标属性对应的目标属性值输入至组合后模型中的各案件处理人员成功率模型之后，首先，要确定出与案件处理人员的目标属性对应的目标属性值相匹配的案件处理人员成功率模型，再将各待分配的案件的目标属性值分别输入至确定出的案件处理人员成功率模型。

在本实施例中，针对一个或多个案件处理人员，利用组合后模型中的案件处理人员成功率模型实现了适合由案件处理人员的处理的案件的推荐。

可以理解，待分配的案件和待分配案件的案件处理人员都是以数字方式表示的虚拟对象，它们可以在现实世界有对应的映射。

在将本公开提供的案件处理方法应用于催收领域时，一个基本流程可以如上图4所示。图4根据一示例性实施例示出的案件处理方法应用于催收领域的基本流程示意图。请参见图4，该具体过程为：催收人员进行案件催收，得到催收成功的案件，并保存这些催收成功的案件所对应的催收策略，然后利用这些案件的属性值建立与催收人员的属性值对应的案件成功率模型，案件成功率模型学习到了相应的催收人员所擅长的催收案件指标信息。当有新的催收案件需要处理时，催收案件成功率模型根据新的催收案件的属性值和各催收人员的属性值确定和分配适合处理待催收案件的催收人员，并为这些催收人员提供相应的已保存的催收策略，从而对于一批新的催收案件，可以为之分配匹配的催收人员，并对这些催收人员进行催收策略辅助，从而高效地进行催收工作。

综上所述，根据图2实施例提供的案件处理方法，一方面，通过构建案件成功率模型，可以针对待处理案件，自动推荐出适合处理待处理案件的案件处理人员；另一方面，通过构建案件处理人员成功率模型，则可以针对案件处理人员，自动推荐出适合由该案件处理人员的处理的待处理案件，因此，可以将案件处理人员很好地与案件相匹配，从而提高案件处理质量和案件处理效率。

本公开还提供了一种案件处理装置，以下是本公开的装置实施例。

图5是根据一示例性实施例示出的一种案件处理装置的框图。如图5所示，该装置500包括：

确定模块510，被配置为利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；

第一训练模块520，被配置为针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；

第二训练模块530，被配置为针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；

组合和推荐模块540，被配置为将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

根据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行，比如与显示单元640通信。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

根据本公开的第四方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，当所述计算机可读指令被计算机执行时，使计算机执行本说明书上述的方法。

在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种案件处理方法，其特征在于，所述方法包括：

利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；

针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；

针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；

将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

2.根据权利要求1所述的方法，其特征在于，所述利用组合后模型进行案件或案件处理人员的推荐，包括：

当接收到待处理案件，获取所述待处理案件的目标属性对应的目标属性值；

将所述待处理案件的目标属性对应的目标属性值输入至所述组合后模型中的各案件成功率模型，并将各案件处理人员的目标属性值分别输入至所述组合后模型中的各案件成功率模型，得到各案件处理人员对所述待处理案件的处理成功率；

根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，并对确定出的所述案件处理人员进行推荐。

3.根据权利要求2所述的方法，其特征在于，所述根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，包括：

对各案件处理人员按照各案件处理人员对所述待处理案件的处理成功率从大到小进行排序；

在排在前第一预定数目的案件处理人员中随机选择一个案件处理人员，作为适合处理所述待处理案件的案件处理人员。

4.根据权利要求1所述的方法，其特征在于，所述利用组合后模型进行案件或案件处理人员的推荐，包括：

当接收到待分配案件的案件处理人员，获取所述待分配案件的案件处理人员的目标属性对应的目标属性值；

将所述待分配案件的案件处理人员的目标属性对应的目标属性值输入至所述组合后模型中的各案件处理人员成功率模型，并将各待分配的案件的目标属性值分别输入至所述组合后模型中的各案件处理人员成功率模型，得到各待分配的案件被所述待分配案件的案件处理人员进行处理后的处理成功率；

根据所述待分配案件的案件处理人员对各待分配的案件的处理成功率，确定适合由所述待分配案件的案件处理人员处理的待分配的案件，并对确定出的所述待分配的案件进行推荐。

5.根据权利要求1所述的方法，其特征在于，在利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间之前，所述方法还包括：

每当一个案件处理人员完成一个案件，将该案件的属性、该案件的属性对应的属性值、该案件处理人员的属性、该案件处理人员的属性对应的属性值以及该案件的案件处理结果作为该案件对应的案件数据进行记录；

利用历史上记录的所有案件对应的案件数据建立样本集。

6.根据权利要求1所述的方法，其特征在于，所述利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，包括：

按照预定规则对案件样本数据中案件和案件处理人员的各属性对应的属性值进行划分，得到各属性对应的属性值划分区间；

迭代地执行目标属性和目标属性值划分区间确定步骤，直至确定出的目标属性的数目达到第二预定数目，所述目标属性和目标属性值划分区间确定步骤包括：计算案件样本数据中各属性的信息增益，并在所有未选取过的属性中选取对应的信息增益最大的属性，作为目标属性，将目标属性对应的属性值划分区间作为目标属性值划分区间。

7.根据权利要求2所述的方法，其特征在于，在根据各案件处理人员对所述待处理案件的处理成功率，确定适合处理所述待处理案件的案件处理人员，并对确定出的所述案件处理人员进行推荐之后，所述方法还包括：

记录并统计确定出的所述案件处理人员在处理所述待处理案件时的处理策略；

当所述确定出的所述案件处理人员再次被推荐时，确定被推荐的所述案件处理人员的繁忙程度；

若所述繁忙程度大于预定繁忙程度阈值，则重新推荐案件处理人员，并将所述处理策略推送给重新推荐出的所述案件处理人员。

8.一种案件处理装置，其特征在于，所述装置包括：

确定模块，被配置为利用样本集中的案件样本数据分别为案件和案件处理人员确定目标属性和目标属性值划分区间，其中，所述案件样本数据包括案件的属性、案件的属性对应的属性值、案件处理人员的属性、案件处理人员的属性对应的属性值以及案件处理结果；

第一训练模块，被配置为针对每一组对应的案件处理人员的目标属性值在同一目标属性值划分区间的第一案件样本数据，利用该组第一案件样本数据中案件的目标属性、案件的目标属性对应的目标属性值以及案件处理结果进行案件成功率模型的训练，得到该组第一案件样本数据对应的案件成功率模型；

第二训练模块，被配置为针对每一组对应的案件的目标属性值在同一目标属性值划分区间的第二案件样本数据，利用该组第二案件样本数据中案件处理人员的目标属性、案件处理人员的目标属性对应的目标属性值以及案件处理结果进行案件处理人员成功率模型的训练，得到该组第二案件样本数据对应的案件处理人员成功率模型；

组合和推荐模块，被配置为将各所述案件成功率模型与各所述案件处理人员成功率模型进行组合，利用组合后模型进行案件或案件处理人员的推荐，以便根据推荐结果进行案件处理。

9.一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计算机可读指令，当所述计算机可读指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，所述存储器上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，实现如权利要求1至7任一项所述的方法。

Images