CN112733531A - 虚拟资源分配方法、装置、电子设备及计算机存储介质 - Google Patents

虚拟资源分配方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN112733531A
CN112733531A CN202011473864.7A CN202011473864A CN112733531A CN 112733531 A CN112733531 A CN 112733531A CN 202011473864 A CN202011473864 A CN 202011473864A CN 112733531 A CN112733531 A CN 112733531A
Authority
CN
China
Prior art keywords
feature
service
service data
word segmentation
word
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.)
Granted
Application number
CN202011473864.7A
Other languages
English (en)
Other versions
CN112733531B (zh
Inventor
李海军
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 CN202011473864.7A priority Critical patent/CN112733531B/zh
Publication of CN112733531A publication Critical patent/CN112733531A/zh
Application granted granted Critical
Publication of CN112733531B publication Critical patent/CN112733531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分析技术，揭露了一种虚拟资源分配方法，包括：获取业务数据集，对业务数据集进行分词处理，得到分词集；利用特征筛选模型对分词集进行特征筛选，得到特征分词集；利用特征分词集构建业务数据集中各业务数据的业务特征向量；对获取的人员信息进行特征提取，得到人员特征；计算人员特征和业务特征向量的距离值，确定距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；将待分配业务数据分配至目标业务人员。此外，本发明还涉及区块链技术，所述业务数据集可存储于区块链的节点。本发明还提出一种虚拟资源分配装置、电子设备以及计算机可读存储介质。本发明可以基于人员信息实现个性化的虚拟资源分配以提高业务执行的整体效率。

Description

虚拟资源分配方法、装置、电子设备及计算机存储介质
技术领域
本发明涉及数据分析技术领域，尤其涉及一种虚拟资源分配方法、装置、电子设备及计算机可读存储介质。
背景技术
随着市场经济的发展，客户需求的增加导致了各企业中业务量的暴增，面对庞大的业务量，各企业需要将大量虚拟资源分配给业务人员进行处理。例如，银行企业中，需要将客户办理的各种理财虚拟资源分配给不同的理财经理去处理。
目前虚拟资源分配的方法多为业务产生时间法，例如虚拟资源分配系统中根据业务产生时间生成时间戳对业务进行标记，将多个业务按照时间戳的顺序进行排序，并以此根据业务的先后顺序将业务进行，该虚拟资源分配的方法仅考虑了时间因素而未考虑业务人员自身的个性化要素，造成业务人员接受到的业务往往不是该业务人员最擅长的业务，使得多业务执行的整体效率低下。
发明内容
本发明提供一种虚拟资源分配方法、装置及计算机可读存储介质，其主要目的在于基于人员信息实现个性化的虚拟资源分配以提高业务执行的整体效率。
为实现上述目的，本发明提供的一种虚拟资源分配方法，包括：
获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
将所述待分配业务数据分配至所述目标业务人员。
可选地，所述所述对所述业务数据集进行分词处理，得到分词集，包括：
删除所述业务数据集中包含的敏感数据；
利用预设标准词典对去除敏感数据后的业务数据集进行分词处理，得到分词集。
可选地，所述利用特征筛选模型对所述分词集进行特征筛选，包括：
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积，得到前向分词特征；
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积，得到后向分词特征；
对获得的前向分词特征和后向分词特征进行特征融合，得到融合分词特征；
利用筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
可选地，所述利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量，包括：
计算所述特征分词集中各特征分词的特征指标；
将所述特征分词集中每个特征分词转换为词向量，得到词向量集；
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算，得到每个特征分词的特征向量。
可选地，所述将所述特征分词集中每个特征分词转换为词向量，得到词向量集，包括：
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集，其中，所述字节向量集中包含每个特征分词中每个字节的字节向量；
将每个特征分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。
可选地，所述获取目标业务人员的人员信息，包括：
查询所述目标业务人员的人员信息的存储地址；
检测所述存储地址的存储环境；
通过与所述存储环境对应的编译器编译得到信息调用语句；
执行所述信息调用语句从所述存储地址中获取所述人员信息。
可选地，所述将所述待分配业务数据分配至所述目标业务人员，包括:
根据所述业务数据集确定所述待分配业务数据的业务等级；
按照所述业务等级从大到小的顺序将所述待分配业务数据集中的业务数据分配至所述目标业务人员。
为了解决上述问题，本发明还提供一种虚拟资源分配装置，所述装置包括：
分词模块，用于获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
筛选模块，用于利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
向量构建模块，用于利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
特征提取模块，用于获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
距离值计算模块，用于计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
虚拟资源分配模块，用于将所述待分配业务数据分配至所述目标业务人员。
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：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的虚拟资源分配方法。
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指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的虚拟资源分配方法。
本发明实施例通过获取业务数据集，对业务数据集进行分词处理，得到分词集，可将长度较大的业务数据划分为多个分词，通过对多个分词进行分析处理相比直接通过业务数据进行处理具有跟高的效率和准确性；利用特征筛选模型对分词集进行特征筛选，得到特征分词集，利用特征分词集构建业务数据集中各业务数据的业务特征向量，构建业务数据的特征向量，实现了将业务数据数值化，有利于提高后续对业务数据分析的效率；对获取的人员信息进行特征提取，得到人员特征，计算人员特征和业务特征向量的距离值，确定距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；将待分配业务数据分配至目标业务人员，提取人员特征，计算人员特征与业务数据的特征向量的距离来实现对需要缓存的数据进行筛选，可保证选取的待分配业务数据与人员信息的匹配性，实现了基于人员信息实现个性化的虚拟资源分配，有利于提高业务执行的整体效率。因此本发明提出的虚拟资源分配方法、装置、电子设备及计算机可读存储介质，可以解决电子印章识别准确性较低的问题。
附图说明
图1为本发明一实施例提供的虚拟资源分配方法的流程示意图；
图2为本发明一实施例提供的虚拟资源分配装置的功能模块图；
图3为本发明一实施例提供的实现所述虚拟资源分配方法的电子设备的结构示意图。
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虚拟资源分配方法。所述虚拟资源分配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，所述虚拟资源分配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虚拟资源分配方法的流程示意图。在本实施例中，所述虚拟资源分配方法包括：
S1、获取业务数据集，对所述业务数据集进行分词处理，得到分词集。
本发明实施例中，所述业务数据集为业务发生时所产生的数据的集合，所述业务数据集包括多个业务数据以及各业务数据的业务等级。
本发明实施例可利用具有数据抓取功能的python语句从用于存储业务数据集的区块链节点中获取所述业务数据集，利用区块链节点对数据的高吞吐性，可提高获取业务数据集的效率。
详细地，所述所述对所述业务数据集进行分词处理，得到分词集，包括：
删除所述业务数据集中包含的敏感数据；
利用预设标准词典对去除敏感数据后的业务数据集进行分词处理，得到分词集。
实际应用中，由于所述业务数据集中可能包含一些私密信息，如，用户手机号，用户住址等数据，因此，本发明实施例对业务数据集中包含的敏感数据进行删除，可提高对业务数据集进行处理时的安全性。
具体地，所述标准词典可由用户给定，所述标准词典中包含多个标准的分词。
本发明实施例对业务数据集进行分词处理，可将长度较大的业务数据划分为多个分词，通过对多个分词进行分析处理相比直接通过业务数据进行处理效率和准确性更高。
S2、利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集。
本发明实施例中，所述征分词筛选模型为具有分类功能的VGG网络，所述VGG网络中包含多个以级联方式连接的卷积核。
具体的，VGG网络中利用多个级联的尺寸小于等于预设尺寸的卷积核替代传统的一个较大卷积核对分词集进行特征提取。
所述预设尺寸可以为3X3的卷积核。所述级联的卷积核可以为4个3X3 的卷积核。
详细地，所述利用特征筛选模型对所述分词集进行特征筛选，包括：
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积，得到前向分词特征；
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积，得到后向分词特征；
对获得的前向分词特征和后向分词特征进行特征融合，得到融合分词特征；
利用筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
详细地，所述筛选算法包括但不限于softmax激活函数，利用筛选算法可计算得到融合分词特征为预设的目标类别的目标类别概率，当所述目标类别概率大于预设目标概率阈值时，确定所述分类结果为特征分词，当所述目标类别概率小于或等于预设目标概率阈值时，确定所述分类结果为非特征分词。
具体地，所述前向卷积核与所述后向卷积核是相对而言的，例如，特征分词筛选模型包括4个级联的卷积核，第一个对分词集进行卷积的卷积核相对于第二个对分词集进行卷积的卷积核、第三个对分词集进行卷积的卷积核和第四个对分词集进行卷积的卷积核来说是前向卷积核；第二个对标准分词集进行卷积的卷积核相对于第一个对分词集进行卷积的卷积核来说是后向卷积核，依此类推。
当前向卷积核为初始卷积核时，后向卷积对前向得到的结果(前向分词特征)进行卷积，得到后向分词特征。
当前向卷积核不为初始卷积通道时，后向卷积对前向得到的结果(前向分词特征)进行卷积，得到后向分词特征。
具体地，例如，在第一卷积核中对所述分词集进行卷积，得到第一分词特征；
在第二卷积核中对所述第一分词特征进行卷积，得到第二分词特征；
在第三卷积核中对所述第二分词特征进行卷积，得到第三分词特征；
在第四卷积核中对所述第三分词特征进行卷积，得到第四分词特征；
对所述第一分词特征、所述第二分词特征、所述第三分词特征和所述第四分词特征进行特征融合得到融合分词特征，并利用特征筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
本发明实施例在多个并行子网络前增加特征分词筛选模型，可实现对分词集的筛选，避免对正常的分词集进行检测，提高了获取有效的医学指标数据的效率，且在特征分词筛选模型中利用多个较小的级联卷积核替换普通的一个较大卷积核对分词集进行特征提取，可保留感受野的同时增加特征分词筛选模型的非线性能力，提高特征分词筛选模型的分类精确度。
S3、利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量。
本发明实施例中，所述利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量，包括：
计算所述特征分词集中各特征分词的特征指标；
将所述特征分词集中每个特征分词转换为词向量，得到词向量集；
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算，得到每个特征分词的特征向量。
详细地，所述计算所述特征分词集中各特征分词的特征指标，包括：
利用如下特征指标计算所述特征分词集中各特征分词的特征指标：
TD＝TFi×IDFi
其中，TFi为分词i在所述分词集中出现的频率，IDFi为分词i在所述分词集中出现的频率的相反值。
详细地，所述将所述特征分词集中每个特征分词转换为词向量，得到词向量集，包括：
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集，其中，所述字节向量集中包含每个特征分词中每个字节的字节向量；
将每个特征分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。
具体地，所述将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算具体包括：
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行相乘并加总，得到业务特征向量。
例如，特征分词集中存在特征分词1对应的词向量为A、特征分词2对应的词向量为B和特征分词3对应的词向量为C；特征分词1对应的分词指标为a，特征分词2对应的分词指标为b，特征分词3对应的分词指标为c，则将每个特征分词对应的词向量和每个特征分词对应的分词指标进行算术运算，得到业务特征向量为A*a+B*b+C*c。
由于不同业务数据的特征分词集中包含多个分词，且不同特征分词的分词指标不相同，因此利用特征分词集与特征分词集中每个分词对应的分词指标构建出的业务数据的业务特征向量，可唯一标识该业务数据的特征，避免后续在对业务特征向量进行分析时出现业务数据与业务特征向量关系不明确的情况，有利于提高后续对业务特征向量进行分析的精确度。
S4、获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征。
本发明实施例中，所述目标业务人员例，如银行中对客户办理的业务进行处理的工作人员。
本发明实施例可从数据库中调用预先存储的目标业务人员的人员信息，所述人员信息包括所述目标业务人员的姓名、工号、可处理的业务类型等数据。
详细地，所述获取目标业务人员的人员信息，包括：
查询所述目标业务人员的人员信息的存储地址；
检测所述存储地址的存储环境；
通过与所述存储环境对应的编译器编译得到信息调用语句；
执行所述信息调用语句从所述存储地址中获取所述人员信息。
具体地，本发明实施例利用具有数据查询功能的python语句查询目标业务人员的人员信息的存储地址；存储地址的存储环境由存储地址所在的环境所决定，例如，当所述存储地址为java数据库时，则存储地址的存储环境为 java环境。
进一步地，所述对所述人员信息进行特征提取，得到人员特征，包括：
获取训练人员信息以及所述训练人员信息对应的标准人员特征；
利用预设的特征提取模型对所述训练人员信息进行特征提取，得到预测人员特征；
计算所述预测人员特征和所述标准人员特征之间的差异值；
若所述差异值大于误差阈值，则调整所述特征提取模型的参数后重新进行特征提取；
若所述差异值小于所述误差阈值，则生成训练完成的特征提取模型；
利用训练完成的特征提取模型对所述人员信息进行特征提取，得到所述人员特征。
具体地，所述计算所述预测人员特征和所述标准人员特征之间的差异值，包括：
利用如下差异算法计算所述预测人员特征和所述标准人员特征之间的差异值d(A,B)2：
d(A,B)2＝‖A-B‖2
其中，A为所述预测人员特征，B为所述标准人员特征。
S5、计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据。
本发明实施例中，所述计算所述人员特征和所述业务特征向量的距离值，包括：
利用如下距离算法计算所述人员特征和所述业务特征向量的距离值：
Figure RE-GDA0002971614360000091
其中，L(X,Y)为所述距离值，X为所述人员特征，Yi为所述业务数据集中第i个业务数据的业务特征向量。
进一步地，本发明实施例确定距离值小于距离阈值的业务特征向量对应的业务数据为待下发业务数据集，例如，存在业务特征向量1、业务特征向量 2、业务特征向量3和业务特征向量4，其中，业务特征向量1与人员特征的距离值为40，业务特征向量2与人员特征的距离值为50，业务特征向量3与人员特征的距离值为60，业务特征向量4与人员特征的距离值为70；若距离阈值为55，则确定业务特征向量1和业务特征向量2对应的业务数据为待下发业务数据集。
本发明实施例计算人员特征和业务特征向量的距离值，根据距离值从业务数据集中筛选出与目标业务人员想应的业务数据，可提高选择出的业务数据与目标业务人员的人员特征的匹配性。
S6、将所述待分配业务数据分配至所述目标业务人员。
本发明实施例中，所述将所述待分配业务数据分配至所述目标业务人员，包括：
根据所述业务数据集确定所述待分配业务数据的业务等级；
按照所述业务等级从大到小的顺序将所述待分配业务数据集中的业务数据分配至所述目标业务人员。
详细地，由于待分配业务数据是由S1中获取的业务数据集经过筛选得到的，且所述业务数据集包括多个业务数据以及各业务数据的业务等级，因此，可通过所述业务数据集确定所述待分配业务数据的业务等级。
例如，待下发业务数据集中包括业务数据10、业务数据20、业务数据30 和业务数据40，其中，业务数据10的业务等级为130，业务数据20的业务等级为120，业务数据30的业务等级为150，业务数据40的业务等级为110，则按照业务等级从大到小的顺序将待下发业务数据集中的业务数据排列为：业务数据30、业务数据10、业务数据20、业务数据40的待下发业务队列，并按照业务队列的顺序将待下发业务数据集中的业务数据下发至目标业务人员。
本发明实施例通过获取业务数据集，对业务数据集进行分词处理，得到分词集，可将长度较大的业务数据划分为多个分词，通过对多个分词进行分析处理相比直接通过业务数据进行处理具有跟高的效率和准确性；利用特征筛选模型对分词集进行特征筛选，得到特征分词集，利用特征分词集构建业务数据集中各业务数据的业务特征向量，构建业务数据的特征向量，实现了将业务数据数值化，有利于提高后续对业务数据分析的效率；对获取的人员信息进行特征提取，得到人员特征，计算人员特征和业务特征向量的距离值，确定距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；将待分配业务数据分配至目标业务人员，提取人员特征，计算人员特征与业务数据的特征向量的距离来实现对需要缓存的数据进行筛选，可保证选取的待分配业务数据与人员信息的匹配性，实现了基于人员信息实现个性化的虚拟资源分配，有利于提高业务执行的整体效率。因此本发明提出的虚拟资源分配方法，可以解决电子印章识别准确性较低的问题。
如图2所示，是本发明一实施例提供的虚拟资源分配装置的功能模块图。
本发明所述虚拟资源分配装置100可以安装于电子设备中。根据实现的功能，所述虚拟资源分配装置100可以包括分词模块101、筛选模块102、向量构建模块103、特征提取模块104、距离值计算模块105和虚拟资源分配模块106。本发明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：
所述分词模块101，用于获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
所述筛选模块102，用于利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
所述向量构建模块103，用于利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
所述特征提取模块104，用于获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
所述距离值计算模块105，用于计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
所述虚拟资源分配模块106，用于将所述待分配业务数据分配至所述目标业务人员。
详细地，所述虚拟资源分配装置中的各模块在被电子设备的处理器执行时，能够实现一种包括如下操作步骤的文件安全传输方法：
所述分词模块101，用于获取业务数据集，对所述业务数据集进行分词处理，得到分词集。
本发明实施例中，所述业务数据集为业务发生时所产生的数据的集合，所述业务数据集包括多个业务数据以及各业务数据的业务等级。
本发明实施例可利用具有数据抓取功能的python语句从用于存储业务数据集的区块链节点中获取所述业务数据集，利用区块链节点对数据的高吞吐性，可提高获取业务数据集的效率。
详细地，所述分词模块101具体用于：
删除所述业务数据集中包含的敏感数据；
利用预设标准词典对去除敏感数据后的业务数据集进行分词处理，得到分词集。
实际应用中，由于所述业务数据集中可能包含一些私密信息，如，用户手机号，用户住址等数据，因此，本发明实施例对业务数据集中包含的敏感数据进行删除，可提高对业务数据集进行处理时的安全性。
具体地，所述标准词典可由用户给定，所述标准词典中包含多个标准的分词。
本发明实施例对业务数据集进行分词处理，可将长度较大的业务数据划分为多个分词，通过对多个分词进行分析处理相比直接通过业务数据进行处理效率和准确性更高。
所述筛选模块102，用于利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集。
本发明实施例中，所述征分词筛选模型为具有分类功能的VGG网络，所述VGG网络中包含多个以级联方式连接的卷积核。
具体的，VGG网络中利用多个级联的尺寸小于等于预设尺寸的卷积核替代传统的一个较大卷积核对分词集进行特征提取。
所述预设尺寸可以为3X3的卷积核。所述级联的卷积核可以为4个3X3 的卷积核。
详细地，所述筛选模块102具体用于：
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积，得到前向分词特征；
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积，得到后向分词特征；
对获得的前向分词特征和后向分词特征进行特征融合，得到融合分词特征；
利用筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
详细地，所述筛选算法包括但不限于softmax激活函数，利用筛选算法可计算得到融合分词特征为预设的目标类别的目标类别概率，当所述目标类别概率大于预设目标概率阈值时，确定所述分类结果为特征分词，当所述目标类别概率小于或等于预设目标概率阈值时，确定所述分类结果为非特征分词。
具体地，所述前向卷积核与所述后向卷积核是相对而言的，例如，特征分词筛选模型包括4个级联的卷积核，第一个对分词集进行卷积的卷积核相对于第二个对分词集进行卷积的卷积核、第三个对分词集进行卷积的卷积核和第四个对分词集进行卷积的卷积核来说是前向卷积核；第二个对标准分词集进行卷积的卷积核相对于第一个对分词集进行卷积的卷积核来说是后向卷积核，依此类推。
当前向卷积核为初始卷积核时，后向卷积对前向得到的结果(前向分词特征)进行卷积，得到后向分词特征。
当前向卷积核不为初始卷积通道时，后向卷积对前向得到的结果(前向分词特征)进行卷积，得到后向分词特征。
具体地，例如，在第一卷积核中对所述分词集进行卷积，得到第一分词特征；
在第二卷积核中对所述第一分词特征进行卷积，得到第二分词特征；
在第三卷积核中对所述第二分词特征进行卷积，得到第三分词特征；
在第四卷积核中对所述第三分词特征进行卷积，得到第四分词特征；
对所述第一分词特征、所述第二分词特征、所述第三分词特征和所述第四分词特征进行特征融合得到融合分词特征，并利用特征筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
本发明实施例在多个并行子网络前增加特征分词筛选模型，可实现对分词集的筛选，避免对正常的分词集进行检测，提高了获取有效的医学指标数据的效率，且在特征分词筛选模型中利用多个较小的级联卷积核替换普通的一个较大卷积核对分词集进行特征提取，可保留感受野的同时增加特征分词筛选模型的非线性能力，提高特征分词筛选模型的分类精确度。
所述向量构建模块103，用于利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量。
本发明实施例中，所述向量构建模块103具体用于：
计算所述特征分词集中各特征分词的特征指标；
将所述特征分词集中每个特征分词转换为词向量，得到词向量集；
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算，得到每个特征分词的特征向量。
详细地，所述计算所述特征分词集中各特征分词的特征指标，包括：
利用如下特征指标计算所述特征分词集中各特征分词的特征指标：
TD＝TFi×IDFi
其中，TFi为分词i在所述分词集中出现的频率，IDFi为分词i在所述分词集中出现的频率的相反值。
详细地，所述将所述特征分词集中每个特征分词转换为词向量，得到词向量集，包括：
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集，其中，所述字节向量集中包含每个特征分词中每个字节的字节向量；
将每个特征分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。
具体地，所述将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算具体包括：
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行相乘并加总，得到业务特征向量。
例如，特征分词集中存在特征分词1对应的词向量为A、特征分词2对应的词向量为B和特征分词3对应的词向量为C；特征分词1对应的分词指标为a，特征分词2对应的分词指标为b，特征分词3对应的分词指标为c，则将每个特征分词对应的词向量和每个特征分词对应的分词指标进行算术运算，得到业务特征向量为A*a+B*b+C*c。
由于不同业务数据的特征分词集中包含多个分词，且不同特征分词的分词指标不相同，因此利用特征分词集与特征分词集中每个分词对应的分词指标构建出的业务数据的业务特征向量，可唯一标识该业务数据的特征，避免后续在对业务特征向量进行分析时出现业务数据与业务特征向量关系不明确的情况，有利于提高后续对业务特征向量进行分析的精确度。
所述特征提取模块104，用于获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征。
本发明实施例中，所述目标业务人员例，如银行中对客户办理的业务进行处理的工作人员。
本发明实施例可从数据库中调用预先存储的目标业务人员的人员信息，所述人员信息包括所述目标业务人员的姓名、工号、可处理的业务类型等数据。
详细地，所述特征提取模块104具体用于：
查询所述目标业务人员的人员信息的存储地址；
检测所述存储地址的存储环境；
通过与所述存储环境对应的编译器编译得到信息调用语句；
执行所述信息调用语句从所述存储地址中获取所述人员信息；
获取训练人员信息以及所述训练人员信息对应的标准人员特征；
利用预设的特征提取模型对所述训练人员信息进行特征提取，得到预测人员特征；
计算所述预测人员特征和所述标准人员特征之间的差异值；
若所述差异值大于误差阈值，则调整所述特征提取模型的参数后重新进行特征提取；
若所述差异值小于所述误差阈值，则生成训练完成的特征提取模型；
利用训练完成的特征提取模型对所述人员信息进行特征提取，得到所述人员特征。
具体地，本发明实施例利用具有数据查询功能的python语句查询目标业务人员的人员信息的存储地址；存储地址的存储环境由存储地址所在的环境所决定，例如，当所述存储地址为java数据库时，则存储地址的存储环境为 java环境。
具体地，所述计算所述预测人员特征和所述标准人员特征之间的差异值，包括：
利用如下差异算法计算所述预测人员特征和所述标准人员特征之间的差异值d(A,B)2：
d(A,B)2＝‖A-B‖2
其中，A为所述预测人员特征，B为所述标准人员特征。
所述距离值计算模块105，用于计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据。
本发明实施例中，所述距离值计算模块105具体用于：
利用如下距离算法计算所述人员特征和所述业务特征向量的距离值：
Figure RE-GDA0002971614360000161
其中，L(X,Y)为所述距离值，X为所述人员特征，Yi为所述业务数据集中第i个业务数据的业务特征向量。
进一步地，本发明实施例确定距离值小于距离阈值的业务特征向量对应的业务数据为待下发业务数据集，例如，存在业务特征向量1、业务特征向量 2、业务特征向量3和业务特征向量4，其中，业务特征向量1与人员特征的距离值为40，业务特征向量2与人员特征的距离值为50，业务特征向量3与人员特征的距离值为60，业务特征向量4与人员特征的距离值为70；若距离阈值为55，则确定业务特征向量1和业务特征向量2对应的业务数据为待下发业务数据集。
本发明实施例计算人员特征和业务特征向量的距离值，根据距离值从业务数据集中筛选出与目标业务人员想应的业务数据，可提高选择出的业务数据与目标业务人员的人员特征的匹配性。
所述虚拟资源分配模块106，用于将所述待分配业务数据分配至所述目标业务人员。
本发明实施例中，所述虚拟资源分配模块106具体用于：
根据所述业务数据集确定所述待分配业务数据的业务等级；
按照所述业务等级从大到小的顺序将所述待分配业务数据集中的业务数据分配至所述目标业务人员。
详细地，由于待分配业务数据是由S1中获取的业务数据集经过筛选得到的，且所述业务数据集包括多个业务数据以及各业务数据的业务等级，因此，可通过所述业务数据集确定所述待分配业务数据的业务等级。
例如，待下发业务数据集中包括业务数据10、业务数据20、业务数据30 和业务数据40，其中，业务数据10的业务等级为130，业务数据20的业务等级为120，业务数据30的业务等级为150，业务数据40的业务等级为110，则按照业务等级从大到小的顺序将待下发业务数据集中的业务数据排列为：业务数据30、业务数据10、业务数据20、业务数据40的待下发业务队列，并按照业务队列的顺序将待下发业务数据集中的业务数据下发至目标业务人员。
本发明实施例通过获取业务数据集，对业务数据集进行分词处理，得到分词集，可将长度较大的业务数据划分为多个分词，通过对多个分词进行分析处理相比直接通过业务数据进行处理具有跟高的效率和准确性；利用特征筛选模型对分词集进行特征筛选，得到特征分词集，利用特征分词集构建业务数据集中各业务数据的业务特征向量，构建业务数据的特征向量，实现了将业务数据数值化，有利于提高后续对业务数据分析的效率；对获取的人员信息进行特征提取，得到人员特征，计算人员特征和业务特征向量的距离值，确定距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；将待分配业务数据分配至目标业务人员，提取人员特征，计算人员特征与业务数据的特征向量的距离来实现对需要缓存的数据进行筛选，可保证选取的待分配业务数据与人员信息的匹配性，实现了基于人员信息实现个性化的虚拟资源分配，有利于提高业务执行的整体效率。因此本发明提出的虚拟资源分配装置，可以解决电子印章识别准确性较低的问题。
如图3所示，是本发明一实施例提供的实现虚拟资源分配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，如虚拟资源分配程序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，例如虚拟资源分配程序12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 (例如虚拟资源分配程序等)，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3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3 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存储的虚拟资源分配程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
将所述待分配业务数据分配至所述目标业务人员。
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至图3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，可以存储在一个计算机可读存储介质中。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：
获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
将所述待分配业务数据分配至所述目标业务人员。
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)

1.一种虚拟资源分配方法，其特征在于，所述方法包括：
获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
将所述待分配业务数据分配至所述目标业务人员。
2.如权利要求1所述的虚拟资源分配方法，其特征在于，所述所述对所述业务数据集进行分词处理，得到分词集，包括：
删除所述业务数据集中包含的敏感数据；
利用预设标准词典对去除敏感数据后的业务数据集进行分词处理，得到分词集。
3.如权利要求1所述的虚拟资源分配方法，其特征在于，所述利用特征筛选模型对所述分词集进行特征筛选，包括：
利用所述特征筛选模型中的前向卷积核对所述分词集进行卷积，得到前向分词特征；
利用所述特征筛选模型中的后向卷积核对所述前向分词特征进行卷积，得到后向分词特征；
对获得的前向分词特征和后向分词特征进行特征融合，得到融合分词特征；
利用筛选算法对所述融合分词特征进行特征筛选，得到特征分词。
4.如权利要求1所述的虚拟资源分配方法，其特征在于，所述利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量，包括：
计算所述特征分词集中各特征分词的特征指标；
将所述特征分词集中每个特征分词转换为词向量，得到词向量集；
将所述词向量集中的词向量与所述特征分词集中每个特征分词的特征指标进行算术运算，得到每个特征分词的特征向量。
5.如权利要求4所述的虚拟资源分配方法，其特征在于，所述将所述特征分词集中每个特征分词转换为词向量，得到词向量集，包括：
获取预先存储的所述特征分词集中每个特征分词对应的字节向量集，其中，所述字节向量集中包含每个特征分词中每个字节的字节向量；
将每个特征分词对应的字节向量集中的字节向量分别进行拼接，得到所述词向量集。
6.如权利要求1至5中任意一项所述的虚拟资源分配方法，其特征在于，所述获取目标业务人员的人员信息，包括：
查询所述目标业务人员的人员信息的存储地址；
检测所述存储地址的存储环境；
通过与所述存储环境对应的编译器编译得到信息调用语句；
执行所述信息调用语句从所述存储地址中获取所述人员信息。
7.如权利要求6所述的虚拟资源分配方法，其特征在于，所述将所述待分配业务数据分配至所述目标业务人员，包括:
根据所述业务数据集确定所述待分配业务数据的业务等级；
按照所述业务等级从大到小的顺序将所述待分配业务数据集中的业务数据分配至所述目标业务人员。
8.一种虚拟资源分配装置，其特征在于，所述装置包括：
分词模块，用于获取业务数据集，对所述业务数据集进行分词处理，得到分词集；
筛选模块，用于利用特征筛选模型对所述分词集进行特征筛选，得到特征分词集；
向量构建模块，用于利用所述特征分词集构建所述业务数据集中各业务数据的业务特征向量；
特征提取模块，用于获取目标业务人员的人员信息，对所述人员信息进行特征提取，得到人员特征；
距离值计算模块，用于计算所述人员特征和所述业务特征向量的距离值，确定所述距离值小于距离阈值的业务特征向量对应的业务数据为待分配业务数据；
虚拟资源分配模块，用于将所述待分配业务数据分配至所述目标业务人员。
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指令，所述指令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中任意一项所述的虚拟资源分配方法。
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中任意一项所述的虚拟资源分配方法。
CN202011473864.7A 2020-12-15 2020-12-15 虚拟资源分配方法、装置、电子设备及计算机存储介质 Active CN112733531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011473864.7A CN112733531B (zh) 2020-12-15 2020-12-15 虚拟资源分配方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011473864.7A CN112733531B (zh) 2020-12-15 2020-12-15 虚拟资源分配方法、装置、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112733531A true CN112733531A (zh) 2021-04-30
CN112733531B CN112733531B (zh) 2023-08-18

Family

ID=75602230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011473864.7A Active CN112733531B (zh) 2020-12-15 2020-12-15 虚拟资源分配方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112733531B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706019A (zh) * 2021-08-30 2021-11-26 平安银行股份有限公司 基于多维数据的业务能力分析方法、装置、设备及介质
CN113793037A (zh) * 2021-09-16 2021-12-14 平安银行股份有限公司 基于数据分析的业务分配方法、装置、设备及存储介质
CN115328640A (zh) * 2022-10-17 2022-11-11 广州数说故事信息科技有限公司 一种任务调度方法、装置、系统及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170302744A1 (en) * 2016-04-16 2017-10-19 International Business Machines Corporation Cloud enabling resources as a service
CN109389030A (zh) * 2018-08-23 2019-02-26 平安科技（深圳）有限公司 人脸特征点检测方法、装置、计算机设备及存储介质
CN110163473A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务进度的监控方法及设备
CN110222260A (zh) * 2019-05-21 2019-09-10 深圳壹账通智能科技有限公司 一种搜索方法、装置及存储介质
CN111679810A (zh) * 2020-04-28 2020-09-18 平安普惠企业管理有限公司 业务对象及业务标准的分配方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170302744A1 (en) * 2016-04-16 2017-10-19 International Business Machines Corporation Cloud enabling resources as a service
CN109389030A (zh) * 2018-08-23 2019-02-26 平安科技（深圳）有限公司 人脸特征点检测方法、装置、计算机设备及存储介质
CN110163473A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务进度的监控方法及设备
CN110222260A (zh) * 2019-05-21 2019-09-10 深圳壹账通智能科技有限公司 一种搜索方法、装置及存储介质
CN111679810A (zh) * 2020-04-28 2020-09-18 平安普惠企业管理有限公司 业务对象及业务标准的分配方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706019A (zh) * 2021-08-30 2021-11-26 平安银行股份有限公司 基于多维数据的业务能力分析方法、装置、设备及介质
CN113793037A (zh) * 2021-09-16 2021-12-14 平安银行股份有限公司 基于数据分析的业务分配方法、装置、设备及存储介质
CN113793037B (zh) * 2021-09-16 2023-07-25 平安银行股份有限公司 基于数据分析的业务分配方法、装置、设备及存储介质
CN115328640A (zh) * 2022-10-17 2022-11-11 广州数说故事信息科技有限公司 一种任务调度方法、装置、系统及计算机可读存储介质
CN115328640B (zh) * 2022-10-17 2023-03-21 广州数说故事信息科技有限公司 一种任务调度方法、装置、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN112733531B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN112541745B (zh) 用户行为数据分析方法、装置、电子设备及可读存储介质
CN112733531B (zh) 虚拟资源分配方法、装置、电子设备及计算机存储介质
CN113792089B (zh) 基于人工智能的非法行为检测方法、装置、设备及介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113327136A (zh) 归因分析方法、装置、电子设备及存储介质
CN112528616A (zh) 业务表单生成方法、装置、电子设备及计算机存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113919738A (zh) 业务办理窗口分配方法、装置、电子设备及可读存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN112541688A (zh) 业务数据校验方法、装置、电子设备及计算机存储介质
CN112561500B (zh) 基于用户数据的薪酬数据生成方法、装置、设备及介质
CN114840388A (zh) 数据监控方法、装置、电子设备及存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN114547696A (zh) 文件脱敏方法、装置、电子设备及存储介质
CN113987206A (zh) 异常用户的识别方法、装置、设备及存储介质
CN112446781A (zh) 风控数据生成方法、装置、设备及计算机可读存储介质
CN115225489B (zh) 队列业务流量阈值动态控制方法、电子设备及存储介质
CN113448933B (zh) 业务数据处理方法、装置、电子设备及介质
CN113936313B (zh) 网点员工账号外借检测方法、装置、设备及存储介质
CN114819590B (zh) 策略智能推荐方法、装置、设备及存储介质
CN112560943A (zh) 项目开发流程生成方法、装置、电子设备及存储介质
CN113362039A (zh) 业务审批方法、装置、电子设备及存储介质
CN112559875A (zh) 基于应用启动画面的资源推荐方法、装置、设备及介质
CN117391864A (zh) 基于数据流向的风险识别方法、装置、电子设备及介质

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
GR01 Patent grant
GR01 Patent grant