CN112528935A - 线上资源排序方法、装置、电子设备及存储介质 - Google Patents

线上资源排序方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112528935A
CN112528935A CN202011528781.3A CN202011528781A CN112528935A CN 112528935 A CN112528935 A CN 112528935A CN 202011528781 A CN202011528781 A CN 202011528781A CN 112528935 A CN112528935 A CN 112528935A
Authority
CN
China
Prior art keywords
user
online
weight value
face image
urgency
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
Application number
CN202011528781.3A
Other languages
English (en)
Inventor
李玉花
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.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank 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 Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011528781.3A priority Critical patent/CN112528935A/zh
Publication of CN112528935A publication Critical patent/CN112528935A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种智能决策领域，揭露了一种线上资源排序方法，包括：获取线上用户在营业网点中的线上行为数据，根据线上行为数据，计算线上用户的第一用户焦急权重值；采集线下用户在营业网点中的线下行为数据，识别出线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对人脸图像进行特征提取，得到人脸特征信息，根据人脸特征信息，计算线下用户的第二用户焦急权重值；对第一用户焦急权重值和第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；采用跳表算法，确定线上用户在用户焦急列表中的排序位置。此外，本发明还涉及区块链技术，所述线下行为数据可存储于区块链中。本发明可以确定用户的等待位置，提高业务办理的效率。

Description

线上资源排序方法、装置、电子设备及存储介质
技术领域
本发明涉及智能决策领域，尤其涉及一种线上资源排序方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网不断的发展，线上办理业务不但方便了大家，也成为当今比较主流的趋势，如：开卡申请、取号预约、跨境汇款以及外汇交易等等；但是一些复杂的业务，为了安全和保险起见大多数用户还是选择在营业网点进行办理,现在营业网点几乎都是到了营业大厅才可以取号，取了号排队直到叫号机叫到号方可办理业务，用户在营业网点办理业务时，因无法准确把握等待时间所造成的用户时间的严重浪费，同时也无法根据营业网点自身和用户的实际情况，对于不同的用户群无法进行优先对待，导致业务办理的效率较低。
发明内容
本发明提供一种线上资源排序方法、装置、电子设备及计算机可读存储介质，其主要目的在于确定用户的合理等待位置，提高业务办理的效率。
为实现上述目的，本发明提供的一种线上资源排序方法，包括：
获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
可选地，所述获取线上用户在营业网点中的线上行为数据包括：
查询距离所述线上用户最近的营业网点名称，根据所述营业网点名称，基于所述线上用户的终端设备，采集所述线上用户在所述营业网点的线上行为数据。
可选地，所述根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值，包括：
利用下述方法计算所述线上用户的第一用户焦急权重值：
Figure BDA0002851471600000021
其中，Ci表示第一用户焦急权重值，Ei表示线上行为数据的特征数据，
Figure BDA0002851471600000022
表示特征数据的特征向量协方差，trace()表示空间滤波函数。
可选地，所述根据所述线下行为数据，计算所述线下用户的第二用户焦急权重值，包括：
识别出所述线下行为数据对应的人脸图像；
利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息；
根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值。
可选地，所述利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，包括：
利用所述人脸特征识别模型中的输入门计算所述人脸图像的状态值；
利用所述人脸特征识别模型中的遗忘门计算所述人脸图像的激活值；
根据所述状态值和激活值计算所述人脸图像的状态更新值；
利用所述人脸特征识别模型中的输出门计算所述状态更新值的特征信息序列；
利用所述人脸特征识别模型中的损失函数计算所述特征信息序列与对应人脸图像标签的损失值，选取损失值小于预设阈值的特征信息序列，得到人脸特征信息。
可选地，所述利用所述人脸特征识别模型中的输入门计算所述人脸图像的状态值，包括：
利用下述方法计算所述人脸图像的状态值：
it＝θ(wi·[ht-1,xt])+bi
其中，it表示状态值，θ表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示人脸图像在输入门t-1时刻的峰值，xt表示在t时刻人脸图像，bi表示输入门中细胞单元的权重。
可选地，所述采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，包括：
利用跳表算法在所述用户焦急列表中查询第二焦急权重值对应的时间等待值；
筛选出所述时间等待值小于预设时间的第二焦急权重值，得到待插队的线下用户范围；
在所述待插队的线下用户范围中，确定所述线上用户的排序位置。
为了解决上述问题，本发明还提供一种线上资源排序装置，所述装置包括：
计算模块，用于获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
所述计算模块，还用于采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
排序模块，用于对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
确定模块，用于采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的线上资源排序方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的线上资源排序方法。
本发明实施例首先获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值，采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值，可以分析线上和线下预约的所有用户焦急度的权重值；其次，本发明实施例对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表，保障了后续用户插队位置的合理性；采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，确定了用户的合理等待位置，提高业务办理的效率。因此，本发明提出的一种线上资源排序方法、装置、电子设备以及存储介质可以确定用户的合理等待位置，提高业务办理的效率。
附图说明
图1为本发明一实施例提供的线上资源排序方法的流程示意图；
图2为本发明第一实施例中图1提供的线上资源排序方法其中一个步骤的详细流程示意图；
图3为本发明一实施例提供的线上资源排序装置的模块示意图；
图4为本发明一实施例提供的实现线上资源排序方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种线上资源排序方法。所述线上资源排序方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述线上资源排序方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的线上资源排序方法的流程示意图。在本发明实施例中，所述线上资源排序方法包括：
S1、获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值。
本发明实施例中，所述营业网点包括银行网点。所述线上行为数据指的是用户在所述营业网点的app中的点击数据，包括：浏览次数、取号信息以及浏览时间等。
详细地，本发明实施例中，所述获取线上用户在营业网点中的线上行为数据包括：查询距离所述线上用户最近的营业网点名称，根据所述营业网点名称，基于所述线上用户的终端设备，采集所述线上用户在所述营业网点的线上行为数据。
一个可选实施例中，所述线上用户最近的营业网点名称通过当前已知的地图软件进行查询，所述终端设备包括：手机或平板。
示例性，线上用户A需要在平安银行办理贷款业务，查询距离线上用户A最近的平安银行的营业网点名称为平安银行罗湖分区，则通过所述线上用户A的手机，在平安银行的app上选择平安银行罗湖分区进行线上行为数据采集。
进一步地，由于不同用户在办理业务时的焦急程度不一致，为了更好帮助用户进行业务办理，本发明实施例根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值，以辨别出用户的业务办理的焦急程度，从而做出更好的服务用户。
本发明其中一个可选实施例中，利用下述方法计算所述线上用户的第一用户焦急权重值：
Figure BDA0002851471600000051
其中，Ci表示第一用户焦急权重值，Ei表示线上行为数据的特征数据，
Figure BDA0002851471600000052
表示特征数据的特征向量协方差，trace()表示空间滤波函数。
进一步地，所述特征数据基于所述线上用户进行确定，例如，在线上取号的应用场景中，线上用户在进行线上取号操作后，通过弹窗的形式向提示用户进行办理业务的焦急度权重值的选择，则用户选择的焦急度权重值即为所述特征数据。其中，所述焦急度权重值可以通过数字1-10(有五颗星星，每颗星代表2)表示，数字越小表示焦急度越低；反之，用户办理业务的焦急度越高。
S2、采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值。
本发明较佳实施例中，所述线下行为数据包括：表情数据和肢体数据，可选的，所述线下行为数据通过所述营业网点的摄像头进行拍摄抓取。进一步地，本发明实施例从所述摄像头拍摄抓取的线下行为数据中筛选出人脸图像，并利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息。
进一步地，本发明实施例中，所述对所述人脸图像进行特征提取之前还包括：对所述人脸图像进行预处理操作，以改善人脸图像的质量、消除噪声以及统一图像灰度值和尺寸。详细地，所述预处理操作包括：通过各比例法将所述人脸图像执行灰度转换操作，得到灰度人脸图像；利用高斯滤波对所述灰度人脸图像进行减噪；采用中值滤波对减噪后的所述灰度人脸图像进行消除孤立噪声点，并利用对比度增强法对消除孤立噪声点后的所述灰度人脸图像进行对比度增强；根据OTSU算法将对比度增强后的所述灰度人脸图像进行阈值化操作。
进一步地，所述人脸特征识别模型包括：长短期记忆网络(Long Short-TermMemory，LSTM)模型，所述人脸特征识别模型是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
其中，在本发明中，所述人脸特征识别模型用于识别出所述人脸图像的人脸特征序列，以识别出人脸特征信息，从而帮助用户更好的判断出人脸图像中特征信息分布情况。
详细地，所述利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，包括：利用所述输入门计算所述人脸图像的状态值；利用所述遗忘门计算所述人脸图像的激活值；根据所述状态值和激活值计算所述人脸图像的状态更新值；利用所述输出门计算所述状态更新值的特征信息序列；利用所述人脸特征识别模型中的损失函数计算所述特征信息序列与对应人脸图像标签的损失值，选取损失值小于预设阈值的特征信息序列，得到人脸特征信息。
一个可选实施例中，所述状态值的计算方法包括：
it＝θ(wi·[ht-1,xt])+bi
其中，it表示状态值，θ表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示人脸图像在输入门t-1时刻的峰值，xt表示在t时刻人脸图像，bi表示输入门中细胞单元的权重。
一个可选实施例中，所述激活值的计算方法包括：
Figure BDA0002851471600000064
其中，ft表示激活值，θ表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
Figure BDA0002851471600000061
表示人脸图像在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的人脸图像，bf表示遗忘门中细胞单元的权重。
一个可选实施例中，所述状态更新值的计算方法包括：
Figure BDA0002851471600000062
其中，ct表示状态更新值，ht-1表示人脸图像在输入门t-1时刻的峰值，
Figure BDA0002851471600000063
表示人脸图像在遗忘门t-1时刻的峰值。
一个可选实施例中，所述特征信息序列的计算方法包括：
ot＝tan h(ct)
其中，ot表示特征信息序列，tan h表示输出门的激活函数，ct表示状态更新值。
一个可选实施例中，所述损失函数为softmax函数，其中，所述人脸图像标签指的是用户预先在人脸图像中标明的人脸特征信息序列，进一步地，本发明中，选取损失值小于预设阈值的特征信息序列作为所述特征信息序列，以筛选出所述人脸图像中特征信息。
进一步地，本发明实施例根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值，以辨别出用户的业务办理的焦急程度。
本发明其中一个可选实施例中，利用下述方法计算所述线下用户的第二用户焦急权重值：
Figure BDA0002851471600000071
其中，Ct表示第二用户焦急权重值，Et表示人脸特征信息，
Figure BDA0002851471600000072
表示人脸特征信息的特征向量协方差，trace()表示空间滤波函数。
示例性地，所述线下用户在营业网点办理业务时，通过所述营业网点的摄像头抓取所述线下用户在取号和等待区排队的行为数据，并识别出对应的人脸图像，利用人脸特征识别模型识别出所述人脸图像的特征信息，比如用户不停的抬头看叫号显示器、不停的咨询工作人员、表情比较焦急以及多次低头玩手等，根据所述特征信息，计算对应的用户焦急权重值。
进一步地，为保障所述线下行为数据的复用性，所述线下行为数据还可存储于一区块链节点中。
S3、对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表。
由于所述第一用户焦急权重值和所述第二用户焦急权重值代表着对应用户在办理业务时的焦急程度，为了更加直观的了解到用户业务办理的焦急程度，本发明实施例利用小顶堆算法，对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表。
其中，所述小顶堆算法的思想是从第一个子节点开始遍历，与其父节点比较，如果比父节点大的情况下，就上浮到父节点，此时父节点继续上浮，直到根节点，在本发明中，将所述第一用户焦急权重值作为第一个子节点，从所述第二用户焦急权重值开始遍历，若所述第一用户焦急权重值比遍历的第二用户焦急权重值要大，则将所述第一用户焦急权重值排在所述第二用户焦急权重值之前，直至所述第一用户焦急权重值在所述第二用户焦急权重值遍历结束。
S4、采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
本发明实施例中，若根据所述用户焦急列表中的排序顺序，直接将线上用户的等着位置排在对应的线下用户位置之前，很容易造成业务办理的混乱。比如，在银行取号后的等待业务办理过程中，线上用户一开始排号为26，计算该线上用户的焦急权重值为9.2，并获取线下等待用户的焦急权重值均小于9.2，若直接将该线上用户的等待位置排在第一位，很容易导致其它线下等待用户的不满，从而产生业务混乱。因此，本发明实施例通过采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，实现业务合理性的同时又能很好的满足焦急用户的需求。
详细地，参阅图2所示，所述采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，包括：
S20、利用跳表算法在所述用户焦急列表中查询第二焦急权重值对应的时间等待值；
S21、筛选出所述时间等待值小于预设时间的第二焦急权重值，得到待插队的线下用户范围；
S22、在所述待插队的线下用户范围中，确定所述线上用户的排序位置。
其中，所述时间等待值通过跳表算法中的select查询语句查询，所述预设时间为半个小时。
所述S22，包括：获取所述线上用户的第一焦急权重值及所述线下用户范围中线下用户的第二焦急权重值，将所述第一焦急权重值大于第二焦急权重值的线上用户的排序位置排在对应的线下用户之前。
进一步地，需要声明的是，本发明不将所述线上用户的排序位置插在所述用户焦急列表中排在前三位的线下用户之前，以避免在实际业务场景中排在靠前位置的用户不满。
本发明实施例首先获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值，采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值，可以分析线上和线下预约的所有用户焦急度的权重值；其次，本发明实施例对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表，保障了后续用户插队位置的合理性；采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，确定了用户的合理等待位置，提高业务办理的效率。因此，本发明可以确定用户的合理等待位置，提高业务办理的效率。
如图3所示，是本发明线上资源排序装置的功能模块图。
本发明所述线上资源排序装置100可以安装于电子设备中。根据实现的功能，所述线上资源排序装置可以包括计算模块101、排序模块102以及确定模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述计算模块101，用于获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
所述计算模块101，还用于采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
所述排序模块102，用于对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
所述确定模块103，用于采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
详细地，本发明实施例中所述线上资源排序装置100中的所述各模块在使用时采用与上述的图1和图2中所述的线上资源排序方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图4所示，是本发明实现线上资源排序方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如线上资源排序程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如线上资源排序程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行线上资源排序程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的线上资源排序程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种线上资源排序方法，其特征在于，所述方法包括：
获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
2.如权利要求1所述的线上资源排序方法，其特征在于，所述获取线上用户在营业网点中的线上行为数据包括：
查询距离所述线上用户最近的营业网点名称，根据所述营业网点名称，基于所述线上用户的终端设备，采集所述线上用户在所述营业网点的线上行为数据。
3.如权利要求1所述的线上资源排序方法，其特征在于，所述根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值，包括：
利用下述方法计算所述线上用户的第一用户焦急权重值：
Figure FDA0002851471590000011
其中，Ci表示第一用户焦急权重值，Ei表示线上行为数据的特征数据，
Figure FDA0002851471590000012
表示特征数据的特征向量协方差，trace()表示空间滤波函数。
4.如权利要求1所述的线上资源排序方法，其特征在于，所述利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取之前，还包括：
将所述人脸图像执行灰度转换操作，得到灰度人脸图像；
对所述灰度人脸图像进行减噪，对减噪后的所述灰度人脸图像进行消除孤立噪声点，并对消除孤立噪声点后的所述灰度人脸图像进行对比度增强；
将对比度增强后的所述灰度人脸图像进行阈值化操作。
5.如权利要求4所述的线上资源排序方法，其特征在于，所述利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，包括：
利用所述人脸特征识别模型中的输入门计算所述人脸图像的状态值；
利用所述人脸特征识别模型中的遗忘门计算所述人脸图像的激活值；
根据所述状态值和激活值计算所述人脸图像的状态更新值；
利用所述人脸特征识别模型中的输出门计算所述状态更新值的特征信息序列；
利用所述人脸特征识别模型中的损失函数计算所述特征信息序列与对应人脸图像标签的损失值，选取损失值小于预设阈值的特征信息序列，得到人脸特征信息。
6.如权利要求5所述的线上资源排序方法，其特征在于，所述利用所述人脸特征识别模型中的输入门计算所述人脸图像的状态值，包括：
利用下述方法计算所述人脸图像的状态值：
Figure FDA0002851471590000021
其中，it表示状态值，
Figure FDA0002851471590000022
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示人脸图像在输入门t-1时刻的峰值，xt表示在t时刻人脸图像，bi表示输入门中细胞单元的权重。
7.如权利要求1至6中任意一项所述的线上资源排序方法，其特征在于，所述采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置，包括：
利用跳表算法在所述用户焦急列表中查询第二焦急权重值对应的时间等待值；
筛选出所述时间等待值小于预设时间的第二焦急权重值，得到待插队的线下用户范围；
在所述待插队的线下用户范围中，确定所述线上用户的排序位置。
8.一种线上资源排序装置，其特征在于，所述装置包括：
计算模块，用于获取线上用户在营业网点中的线上行为数据，根据所述线上行为数据，计算所述线上用户的第一用户焦急权重值；
所述计算模块，还用于采集线下用户在所述营业网点中的线下行为数据，并识别出所述线下行为数据对应的人脸图像，利用预训练好的人脸特征识别模型对所述人脸图像进行特征提取，得到人脸特征信息，根据所述人脸特征信息，计算所述线下用户的第二用户焦急权重值；
排序模块，用于对所述第一用户焦急权重值和所述第二用户焦急权重值进行权重值排序，得到用户焦急排序列表；
确定模块，用于采用跳表算法，确定所述线上用户在所述用户焦急列表中的排序位置。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的线上资源排序方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的线上资源排序方法。
CN202011528781.3A 2020-12-22 2020-12-22 线上资源排序方法、装置、电子设备及存储介质 Pending CN112528935A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011528781.3A CN112528935A (zh) 2020-12-22 2020-12-22 线上资源排序方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011528781.3A CN112528935A (zh) 2020-12-22 2020-12-22 线上资源排序方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112528935A true CN112528935A (zh) 2021-03-19

Family

ID=75002320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011528781.3A Pending CN112528935A (zh) 2020-12-22 2020-12-22 线上资源排序方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112528935A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796711A (zh) * 2023-02-06 2023-03-14 佰聆数据股份有限公司 配电线路降损的辅助决策方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115796711A (zh) * 2023-02-06 2023-03-14 佰聆数据股份有限公司 配电线路降损的辅助决策方法及装置

Similar Documents

Publication Publication Date Title
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN112447189A (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
CN113435998B (zh) 贷款逾期预测方法、装置、电子设备及存储介质
CN112581227A (zh) 产品推荐方法、装置、电子设备及存储介质
CN112528908B (zh) 活体检测方法、装置、电子设备及存储介质
CN113901236A (zh) 基于人工智能的目标识别方法、装置、电子设备及介质
CN111652279A (zh) 基于时序数据的行为评价方法、装置及可读存储介质
CN112992187B (zh) 基于上下文的语音情感检测方法、装置、设备及存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN113064994A (zh) 会议质量评估方法、装置、设备及存储介质
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN112528935A (zh) 线上资源排序方法、装置、电子设备及存储介质
CN113869218A (zh) 人脸活体检测方法、装置、电子设备及可读存储介质
CN111667340A (zh) 基于大数据的目标物推荐方法、装置及计算机可读存储介质
CN113435746B (zh) 用户工作量的评分方法、装置、电子设备及存储介质
CN114006986A (zh) 外呼合规预警方法、装置、设备及存储介质
CN114757787A (zh) 基于大数据的车险人伤定损方法、装置、电子设备及介质
CN114202768A (zh) 保单理赔风险评估方法、装置、电子设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN113515591A (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质
CN113806540A (zh) 文本打标签方法、装置、电子设备及存储介质
CN111611882A (zh) 基于步态的进度提示方法、装置及计算机可读存储介质
CN112561893A (zh) 图片匹配方法、装置、电子设备及存储介质

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