CN113779410A - 银行网点的推荐方法、装置、电子设备及计算机存储介质 - Google Patents
银行网点的推荐方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113779410A CN113779410A CN202111097233.4A CN202111097233A CN113779410A CN 113779410 A CN113779410 A CN 113779410A CN 202111097233 A CN202111097233 A CN 202111097233A CN 113779410 A CN113779410 A CN 113779410A
- Authority
- CN
- China
- Prior art keywords
- user
- target
- bank
- training sample
- outlets
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种银行网点的推荐方法、装置、电子设备及计算机存储介质，该方法包括：根据用户的当前位置信息，确定至少一个目标银行网点；其中，目标银行网点，为在用户周围预设距离内的银行网点；针对每一个目标银行网点，获取目标银行网点与用户的距离，以及目标银行网点的当前排队人数以及办理业务的当前窗口数；将用户的历史办理信息、目标银行网点与用户的距离、目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出目标银行网点的推荐值；最终，根据所有目标银行网点的推荐值，向用户推荐目标银行网点。以达到提高用户办事体验以及办事效率的目的。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种银行网点的推荐方法、装置、电子设备及计算机存储介质。
背景技术
目前，当顾客选择一个网点去办理业务时，手机银行软件只会根据用户的位置信息，推荐离用户最近的一个银行网点。但是用户到达网点时往往会因为排队人数较多、办理业务的窗口较少等原因离开。十分影响用户的办事体验以及办事效率。
发明内容
有鉴于此，本申请提供一种银行网点的推荐方法、装置、电子设备及计算机存储介质，用于提高用户办事体验以及办事效率。
本申请第一方面提供了一种银行网点的推荐方法，包括：
获取用户的当前位置信息，以及所述用户的历史办理信息；其中，所述用户的历史办理信息包括：所述用户历史办理业务时选取的银行网点；
根据所述用户的当前位置信息，确定至少一个目标银行网点；其中，所述目标银行网点，为在所述用户周围预设距离内的银行网点；
针对每一个目标银行网点，获取所述目标银行网点与所述用户的距离，以及所述目标银行网点的当前排队人数以及办理业务的当前窗口数；
针对每一个所述目标银行网点，将所述用户的历史办理信息、所述目标银行网点与所述用户的距离、所述目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出所述目标银行网点的推荐值；其中，所述推荐模型由训练样本集合对神经网络模型进行训练得到；所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为训练样本用户实际选择的银行网点；
根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点。
可选的，所述推荐模型的构建方法，包括：
构建训练样本集合；其中，所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为所述训练样本用户实际选择的银行网点；
根据所述训练样本用户的位置信息，确定至少一个目标训练样本银行网点；其中，所述目标训练样本银行网点，为在所述训练样本用户周围预设距离内的训练样本银行网点；
针对每一个所述训练样本目标银行网点，获取所述目标训练样本银行网点与所述训练样本用户的距离；
针对每一个所述目标训练样本银行网点，将所述训练样本用户的历史办理信息、所述目标训练样本银行网点与所述训练样本用户的距离、所述目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出所述目标训练样本银行网点的推荐值；
根据所有目标银行网点的推荐值，得到预测结果；其中，所述预测结果为预测所述训练样本用户选择的训练样本银行网点；
利用所述预测结果与所述真实结果之间的误差，对所述神经网络模型中的参数进行不断调整，直至调整后的所述神经网络模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的神经网络模型确定为推荐模型。
可选的，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点，包括：
向所述用户推荐银行网点的推荐值最大的银行网点。
可选的，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点，包括：
生成银行网点的推荐列表；其中，所述银行网点的推荐列表中的银行网点按照银行网点的推荐值从大至小排列；
向所述用户推送所述银行网点的推荐列表。
可选的，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点之后，还包括：
接收所述用户的预约信息；其中，所述预约信息至少包括所述用户需求办理的目标业务类型以及所述用户选择的银行网点；
在所述用户选择的银行网点的目标业务类型的窗口为所述用户进行排号，并生成排号信息；
向所述用户发送所述排号信息。
本申请第二方面提供了一种银行网点的推荐装置，包括：
第一获取单元，用于获取用户的当前位置信息，以及所述用户的历史办理信息；其中，所述用户的历史办理信息包括：所述用户历史办理业务时选取的银行网点；
第一确定单元，用于根据所述用户的当前位置信息，确定至少一个目标银行网点；其中，所述目标银行网点，为在所述用户周围预设距离内的银行网点；
第二获取单元，用于针对每一个目标银行网点，获取所述目标银行网点与所述用户的距离，以及所述目标银行网点的当前排队人数以及办理业务的当前窗口数；
第一输入单元，用于针对每一个所述目标银行网点，将所述用户的历史办理信息、所述目标银行网点与所述用户的距离、所述目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出所述目标银行网点的推荐值；其中，所述推荐模型由训练样本集合对神经网络模型进行训练得到；所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为训练样本用户实际选择的银行网点；
推荐单元，用于根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点。
可选的，所述推荐模型的构建单元，包括：
构建单元，用于构建训练样本集合；其中，所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为所述训练样本用户实际选择的银行网点；
第二确定单元，用于根据所述训练样本用户的位置信息，确定至少一个目标训练样本银行网点；其中，所述目标训练样本银行网点，为在所述训练样本用户周围预设距离内的训练样本银行网点；
第三获取单元，用于针对每一个所述训练样本目标银行网点，获取所述目标训练样本银行网点与所述训练样本用户的距离；
第二输入单元，用于针对每一个所述目标训练样本银行网点，将所述训练样本用户的历史办理信息、所述目标训练样本银行网点与所述训练样本用户的距离、所述目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出所述目标训练样本银行网点的推荐值；
第三确定单元，用于根据所有目标银行网点的推荐值，得到预测结果；其中，所述预测结果为预测所述训练样本用户选择的训练样本银行网点；
模型确定单元，用于利用所述预测结果与所述真实结果之间的误差，对所述神经网络模型中的参数进行不断调整，直至调整后的所述神经网络模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的神经网络模型确定为推荐模型。
可选的，所述推荐单元，包括：
第一推荐子单元，用于向所述用户推荐银行网点的推荐值最大的银行网点。
可选的，所述推荐单元，包括：
生成单元，用于生成银行网点的推荐列表；其中，所述银行网点的推荐列表中的银行网点按照银行网点的推荐值从大至小排列；
第二推荐子单元，用于向所述用户推送所述银行网点的推荐列表。
可选的，所述银行网点的推荐装置，还包括：
接收单元，用于接收所述用户的预约信息；其中，所述预约信息至少包括所述用户需求办理的目标业务类型以及所述用户选择的银行网点；
排号单元，用于在所述用户选择的银行网点的目标业务类型的窗口为所述用户进行排号，并生成排号信息；
发送单元，用于向所述用户发送所述排号信息。
本申请第三方面提供了一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的银行网点的推荐方法。
本申请第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的银行网点的推荐方法。
由以上方案可知，本申请提供一种银行网点的推荐方法、装置、电子设备及计算机存储介质，所述银行网点的推荐方法包括：首先，获取用户的当前位置信息，以及所述用户的历史办理信息；其中，所述用户的历史办理信息包括：所述用户历史办理业务时选取的银行网点；然后，根据所述用户的当前位置信息，确定至少一个目标银行网点；其中，所述目标银行网点，为在所述用户周围预设距离内的银行网点；之后，针对每一个目标银行网点，获取所述目标银行网点与所述用户的距离，以及所述目标银行网点的当前排队人数以及办理业务的当前窗口数；再针对每一个所述目标银行网点，将所述用户的历史办理信息、所述目标银行网点与所述用户的距离、所述目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出所述目标银行网点的推荐值；其中，所述推荐模型由训练样本集合对神经网络模型进行训练得到；所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为训练样本用户实际选择的银行网点；最终，根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点。以达到提高用户办事体验以及办事效率的目的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种银行网点的推荐方法的具体流程图；
图2为本申请另一实施例提供的一种推荐模型的构建方法的具体流程图；
图3为本申请另一实施例提供的一种推荐目标银行网点的方法的具体流程图；
图4为本申请另一实施例提供的一种预约排号的方法的具体流程图；
图5为本申请另一实施例提供的一种银行网点的推荐装置的示意图；
图6为本申请另一实施例提供的一种实现银行网点的推荐方法的电子设备的示意图。
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做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。
需要注意，本申请中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供了一种银行网点的推荐方法，如图1所示，具体包括以下步骤：
S101、获取用户的当前位置信息，以及用户的历史办理信息。
其中，用户的历史办理信息包括：用户历史办理业务时选取的银行网点。
需要说明的是，获取用户的当前位置信息的方式可以采用但不限于全球定位系统(GlobalPositioningSystem，GPS)，此处不做限定。
S102、根据用户的当前位置信息，确定至少一个目标银行网点。
其中，目标银行网点，为在用户周围预设距离内的银行网点。
需要说明的是，预设距离可以是用户自己进行设置也可以是技术人员，在开发软件是进行设置的，此处不做限定。
可以理解的是，在用户使用软件时，可以随时对这个预设距离进行调整。
S103、针对每一个目标银行网点，获取目标银行网点与用户的距离，以及目标银行网点的当前排队人数以及办理业务的当前窗口数。
需要说明的是，获取目标银行网点与用户的距离，可以采用对银行网点以及用户的位置信息进行定位后，取两者的直线距离；也可以是选取最佳路径的距离，此处不做限定。
具体的，可以利用银行网点的视觉摄像头和叫号机实时获得银行网点的当前排队人数以及办理业务的当前窗口数。
S104、针对每一个目标银行网点，将用户的历史办理信息、目标银行网点与用户的距离、目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出目标银行网点的推荐值。
其中，推荐模型由训练样本集合对神经网络模型进行训练得到；训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点。
可选的，在本申请的另一实施例中，推荐模型的构建方法的一种实施方式，如图2所示，包括：
S201、构建训练样本集合。
其中，训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点。
可以理解的是，训练样本集合中应包含至少一个训练样本用户，用于对神经网络模型进行多次训练，得到最终的推荐模型。
S202、根据训练样本用户的位置信息，确定至少一个目标训练样本银行网点。
其中，目标训练样本银行网点，为在训练样本用户周围预设距离内的训练样本银行网点。
具体的，选取训练样本集合中的任意一个训练样本用户，根据该训练样本用户的位置信息，确定至少一个目标训练样本银行网点。
S203、针对每一个训练样本目标银行网点，获取目标训练样本银行网点与训练样本用户的距离。
具体的，步骤S203的具体实施方式，可以参阅步骤S103，此处不再赘述。
S204、针对每一个目标训练样本银行网点，将训练样本用户的历史办理信息、目标训练样本银行网点与训练样本用户的距离、目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出目标训练样本银行网点的推荐值。
S205、根据所有目标银行网点的推荐值，得到预测结果。
其中，预测结果为预测训练样本用户选择的训练样本银行网点。
具体的，步骤S205的具体实施方式，可以参阅步骤S105，此处不再赘述。
S206、判断预测结果与真实结果之间的误差是否满足预设的收敛条件。
其中，预设的收敛条件由技术人员、有权限的相关人员等进行设定更改，此处不做限定。
具体的，若判断出预测结果与真实结果之间的误差满足预设的收敛条件，则执行步骤S207；若判断出预测结果与真实结果之间的误差不满足预设的收敛条件S208。
S207、将神经网络模型确定为推荐模型。
S208、对神经网络模型中的参数进行调整。
需要说明的是，在本申请的具体实现过程中，不仅限于利用预设的收敛条件对模型进行修改、还可以设置一定的最大迭代次数，对模型进行训练，此处不做限定。
S105、根据所有目标银行网点的推荐值，向用户推荐目标银行网点。
可选的，在本申请的另一实施例中，步骤S105的一种实施方式，具体包括：
向用户推荐银行网点的推荐值最大的银行网点。
可选的，在本申请的另一实施例中，步骤S105的一种实施方式，如图3所示，具体包括：
S301、生成银行网点的推荐列表。
其中，银行网点的推荐列表中的银行网点按照银行网点的推荐值从大至小排列。
S302、向用户推送银行网点的推荐列表。
可选的，在本申请的另一实施例中，在根据所有目标银行网点的推荐值，向用户推荐目标银行网点之后，银行网点的推荐方法的一种实施方式，如图4所示，还包括：
S401、接收用户的预约信息。
其中，预约信息至少包括用户需求办理的目标业务类型以及用户选择的银行网点。
S402、在用户选择的银行网点的目标业务类型的窗口为用户进行排号，并生成排号信息。
S403、向用户发送排号信息。
由以上方案可知，本申请提供一种银行网点的推荐方法：首先，获取用户的当前位置信息，以及用户的历史办理信息；其中，用户的历史办理信息包括：用户历史办理业务时选取的银行网点；然后，根据用户的当前位置信息，确定至少一个目标银行网点；其中，目标银行网点，为在用户周围预设距离内的银行网点；之后，针对每一个目标银行网点，获取目标银行网点与用户的距离，以及目标银行网点的当前排队人数以及办理业务的当前窗口数；再针对每一个目标银行网点，将用户的历史办理信息、目标银行网点与用户的距离、目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出目标银行网点的推荐值；其中，推荐模型由训练样本集合对神经网络模型进行训练得到；训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点；最终，根据所有目标银行网点的推荐值，向用户推荐目标银行网点。以达到提高用户办事体验以及办事效率的目的。
本申请的另一实施例提供了一种银行网点的推荐装置，如图5所示，包括：
第一获取单元501，用于获取用户的当前位置信息，以及用户的历史办理信息。
其中，用户的历史办理信息包括：用户历史办理业务时选取的银行网点。
第一确定单元502，用于根据用户的当前位置信息，确定至少一个目标银行网点。
其中，目标银行网点，为在用户周围预设距离内的银行网点。
第二获取单元503，用于针对每一个目标银行网点，获取目标银行网点与用户的距离，以及目标银行网点的当前排队人数以及办理业务的当前窗口数。
第一输入单元504，用于针对每一个目标银行网点，将用户的历史办理信息、目标银行网点与用户的距离、目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出目标银行网点的推荐值。
其中，推荐模型由训练样本集合对神经网络模型进行训练得到；训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点。
推荐单元505，用于根据所有目标银行网点的推荐值，向用户推荐目标银行网点。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，在本申请的另一实施例中，推荐模型的构建单元的一种实施方式，包括：
构建单元，用于构建训练样本集合。
其中，训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点。
第二确定单元，用于根据训练样本用户的位置信息，确定至少一个目标训练样本银行网点。
其中，目标训练样本银行网点，为在训练样本用户周围预设距离内的训练样本银行网点。
第三获取单元，用于针对每一个训练样本目标银行网点，获取目标训练样本银行网点与训练样本用户的距离。
第二输入单元，用于针对每一个目标训练样本银行网点，将训练样本用户的历史办理信息、目标训练样本银行网点与训练样本用户的距离、目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出目标训练样本银行网点的推荐值。
第三确定单元，用于根据所有目标银行网点的推荐值，得到预测结果。
其中，预测结果为预测训练样本用户选择的训练样本银行网点。
模型确定单元，用于利用预测结果与真实结果之间的误差，对神经网络模型中的参数进行不断调整，直至调整后的神经网络模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将调整后的神经网络模型确定为推荐模型。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
可选的，在申请的另一实施例中，推荐单元505的一种实施方式，包括：
第一推荐子单元，用于向用户推荐银行网点的推荐值最大的银行网点。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
可选的，在申请的另一实施例中，推荐单元505的一种实施方式，包括：
生成单元，用于生成银行网点的推荐列表。
其中，银行网点的推荐列表中的银行网点按照银行网点的推荐值从大至小排列。
第二推荐子单元，用于向用户推送银行网点的推荐列表。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
可选的，在申请的另一实施例中，银行网点的推荐装置的一种实施方式，还包括：
接收单元，用于接收用户的预约信息。
其中，预约信息至少包括用户需求办理的目标业务类型以及用户选择的银行网点。
排号单元，用于在用户选择的银行网点的目标业务类型的窗口为用户进行排号，并生成排号信息。
发送单元，用于向用户发送排号信息。
本申请上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图4所示，此处不再赘述。
由以上方案可知，本申请提供一种银行网点的推荐装置：首先，第一获取单元501获取用户的当前位置信息，以及用户的历史办理信息；其中，用户的历史办理信息包括：用户历史办理业务时选取的银行网点；然后，第一确定单元502根据用户的当前位置信息，确定至少一个目标银行网点；其中，目标银行网点，为在用户周围预设距离内的银行网点；之后，第二获取单元503针对每一个目标银行网点，获取目标银行网点与用户的距离，以及目标银行网点的当前排队人数以及办理业务的当前窗口数；第一输入单元504针对每一个目标银行网点，将用户的历史办理信息、目标银行网点与用户的距离、目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出目标银行网点的推荐值；其中，推荐模型由训练样本集合对神经网络模型进行训练得到；训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；真实结果为训练样本用户实际选择的银行网点；最终，推荐单元505根据所有目标银行网点的推荐值，向用户推荐目标银行网点。以达到提高用户办事体验以及办事效率的目的。
本申请另一实施例提供了一种电子设备，如图6所示，包括：
一个或多个处理器601。
存储装置602，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器601执行时，使得所述一个或多个处理器601实现如上述实施例中任意一项所述的银行网点的推荐方法。
本申请另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的银行网点的推荐方法。
在本申请公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种银行网点的推荐方法，其特征在于，包括：
获取用户的当前位置信息，以及所述用户的历史办理信息；其中，所述用户的历史办理信息包括：所述用户历史办理业务时选取的银行网点；
根据所述用户的当前位置信息，确定至少一个目标银行网点；其中，所述目标银行网点，为在所述用户周围预设距离内的银行网点；
针对每一个目标银行网点，获取所述目标银行网点与所述用户的距离，以及所述目标银行网点的当前排队人数以及办理业务的当前窗口数；
针对每一个所述目标银行网点，将所述用户的历史办理信息、所述目标银行网点与所述用户的距离、所述目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出所述目标银行网点的推荐值；其中，所述推荐模型由训练样本集合对神经网络模型进行训练得到；所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为训练样本用户实际选择的银行网点；
根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点。
2.根据权利要求1所述的推荐方法，其特征在于，所述推荐模型的构建方法，包括：
构建训练样本集合；其中，所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为所述训练样本用户实际选择的银行网点；
根据所述训练样本用户的位置信息，确定至少一个目标训练样本银行网点；其中，所述目标训练样本银行网点，为在所述训练样本用户周围预设距离内的训练样本银行网点；
针对每一个所述训练样本目标银行网点，获取所述目标训练样本银行网点与所述训练样本用户的距离；
针对每一个所述目标训练样本银行网点，将所述训练样本用户的历史办理信息、所述目标训练样本银行网点与所述训练样本用户的距离、所述目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出所述目标训练样本银行网点的推荐值；
根据所有目标银行网点的推荐值，得到预测结果；其中，所述预测结果为预测所述训练样本用户选择的训练样本银行网点；
利用所述预测结果与所述真实结果之间的误差，对所述神经网络模型中的参数进行不断调整，直至调整后的所述神经网络模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的神经网络模型确定为推荐模型。
3.根据权利要求1所述的推荐方法，其特征在于，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点，包括：
向所述用户推荐银行网点的推荐值最大的银行网点。
4.根据权利要求1所述的推荐方法，其特征在于，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点，包括：
生成银行网点的推荐列表；其中，所述银行网点的推荐列表中的银行网点按照银行网点的推荐值从大至小排列；
向所述用户推送所述银行网点的推荐列表。
5.根据权利要求1所述的推荐方法，其特征在于，所述根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点之后，还包括：
接收所述用户的预约信息；其中，所述预约信息至少包括所述用户需求办理的目标业务类型以及所述用户选择的银行网点；
在所述用户选择的银行网点的目标业务类型的窗口为所述用户进行排号，并生成排号信息；
向所述用户发送所述排号信息。
6.一种银行网点的推荐装置，其特征在于，包括：
第一获取单元，用于获取用户的当前位置信息，以及所述用户的历史办理信息；其中，所述用户的历史办理信息包括：所述用户历史办理业务时选取的银行网点；
第一确定单元，用于根据所述用户的当前位置信息，确定至少一个目标银行网点；其中，所述目标银行网点，为在所述用户周围预设距离内的银行网点；
第二获取单元，用于针对每一个目标银行网点，获取所述目标银行网点与所述用户的距离，以及所述目标银行网点的当前排队人数以及办理业务的当前窗口数；
第一输入单元，用于针对每一个所述目标银行网点，将所述用户的历史办理信息、所述目标银行网点与所述用户的距离、所述目标银行网点的当前排队人数以及办理业务的当窗口数输入至推荐模型中，输出所述目标银行网点的推荐值；其中，所述推荐模型由训练样本集合对神经网络模型进行训练得到；所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为训练样本用户实际选择的银行网点；
推荐单元，用于根据所有目标银行网点的推荐值，向所述用户推荐目标银行网点。
7.根据权利要求6所述的推荐装置，其特征在于，所述推荐模型的构建单元，包括：
构建单元，用于构建训练样本集合；其中，所述训练样本集合包括：训练样本用户的位置信息、历史办理信息、训练样本银行网点的排队人数以及办理业务的窗口数和真实结果；所述真实结果为所述训练样本用户实际选择的银行网点；
第二确定单元，用于根据所述训练样本用户的位置信息，确定至少一个目标训练样本银行网点；其中，所述目标训练样本银行网点，为在所述训练样本用户周围预设距离内的训练样本银行网点；
第三获取单元，用于针对每一个所述训练样本目标银行网点，获取所述目标训练样本银行网点与所述训练样本用户的距离；
第二输入单元，用于针对每一个所述目标训练样本银行网点，将所述训练样本用户的历史办理信息、所述目标训练样本银行网点与所述训练样本用户的距离、所述目标训练样本银行网点的排队人数以及办理业务的当窗口数输入至神经网络模型中，输出所述目标训练样本银行网点的推荐值；
第三确定单元，用于根据所有目标银行网点的推荐值，得到预测结果；其中，所述预测结果为预测所述训练样本用户选择的训练样本银行网点；
模型确定单元，用于利用所述预测结果与所述真实结果之间的误差，对所述神经网络模型中的参数进行不断调整，直至调整后的所述神经网络模型输出的预测结果与真实结果之间的误差满足预设的收敛条件时，将所述调整后的神经网络模型确定为推荐模型。
8.根据权利要求6所述的推荐装置，其特征在于，还包括：
接收单元，用于接收所述用户的预约信息；其中，所述预约信息至少包括所述用户需求办理的目标业务类型以及所述用户选择的银行网点；
排号单元，用于在所述用户选择的银行网点的目标业务类型的窗口为所述用户进行排号，并生成排号信息；
发送单元，用于向所述用户发送所述排号信息。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任一所述的银行网点的推荐方法。
10.一种计算机存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的银行网点的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111097233.4A CN113779410B (zh) | 2021-09-18 | 2021-09-18 | 银行网点的推荐方法、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 |
|---|---|---|---|
| CN202111097233.4A CN113779410B (zh) | 2021-09-18 | 2021-09-18 | 银行网点的推荐方法、装置、电子设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779410A true CN113779410A (zh) | 2021-12-10 |
| CN113779410B CN113779410B (zh) | 2024-02-23 |
Family
ID=78852058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111097233.4A Active CN113779410B (zh) | 2021-09-18 | 2021-09-18 | 银行网点的推荐方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779410B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118631A (zh) * | 2022-01-24 | 2022-03-01 | 深圳依时货拉拉科技有限公司 | 基于图神经网络的装卸货点推荐方法和装置 |
| CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951979A (zh) * | 2015-06-06 | 2015-09-30 | 浙江维融电子科技股份有限公司 | 一种银行网点推荐方法 |
| CN109034870A (zh) * | 2018-06-27 | 2018-12-18 | 北京中电普华信息技术有限公司 | 基于服务网点压力和路网信息的服务网点推荐方法 |
| CN111523060A (zh) * | 2020-04-22 | 2020-08-11 | 中国银行股份有限公司 | 网点信息的推送方法及装置 |
| CN111967964A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 银行客户端网点的智能推荐方法及装置 |
| CN112116116A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种银行网点推荐方法及装置 |
| CN112561285A (zh) * | 2020-12-10 | 2021-03-26 | 中信银行股份有限公司 | 网点的推荐方法、装置、电子设备及计算机可读存储介质 |
-
2021
- 2021-09-18 CN CN202111097233.4A patent/CN113779410B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951979A (zh) * | 2015-06-06 | 2015-09-30 | 浙江维融电子科技股份有限公司 | 一种银行网点推荐方法 |
| CN109034870A (zh) * | 2018-06-27 | 2018-12-18 | 北京中电普华信息技术有限公司 | 基于服务网点压力和路网信息的服务网点推荐方法 |
| CN111523060A (zh) * | 2020-04-22 | 2020-08-11 | 中国银行股份有限公司 | 网点信息的推送方法及装置 |
| CN111967964A (zh) * | 2020-08-18 | 2020-11-20 | 中国银行股份有限公司 | 银行客户端网点的智能推荐方法及装置 |
| CN112116116A (zh) * | 2020-09-29 | 2020-12-22 | 中国银行股份有限公司 | 一种银行网点推荐方法及装置 |
| CN112561285A (zh) * | 2020-12-10 | 2021-03-26 | 中信银行股份有限公司 | 网点的推荐方法、装置、电子设备及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118631A (zh) * | 2022-01-24 | 2022-03-01 | 深圳依时货拉拉科技有限公司 | 基于图神经网络的装卸货点推荐方法和装置 |
| CN114912793A (zh) * | 2022-05-11 | 2022-08-16 | 中国银行股份有限公司 | 业务办理方法、装置、电子设备及计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779410B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779410B (zh) | 银行网点的推荐方法、装置、电子设备及计算机存储介质 | |
| CN110032860B (zh) | 登录方式的推送、展示方法、装置及设备 | |
| CN111523060A (zh) | 网点信息的推送方法及装置 | |
| CN109902446B (zh) | 用于生成信息预测模型的方法和装置 | |
| CN109410027B (zh) | 一种基于特征识别的金融信息处理方法、智能终端及介质 | |
| CN112381256A (zh) | 网点预约方法及装置、电子设备及存储介质 | |
| CN109146661A (zh) | 用户类型预测方法、装置、电子设备及存储介质 | |
| CN113705535A (zh) | 帮助老年人使用atm交易方法、相关装置及存储介质 | |
| CN112561285A (zh) | 网点的推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN110266897B (zh) | 一种基于ivr的语音播报方法及相关系统 | |
| CN111274559A (zh) | 一种身份验证方法及装置 | |
| CN111476446A (zh) | 业务状态的监控处理方法、装置、设备及存储介质 | |
| CN110347973B (zh) | 用于生成信息的方法和装置 | |
| CN110956733A (zh) | 一种提醒办理业务的方法及系统 | |
| CN113762976A (zh) | 诈骗短信的识别方法、装置、电子设备及计算机存储介质 | |
| CN114912793A (zh) | 业务办理方法、装置、电子设备及计算机存储介质 | |
| CN114943455A (zh) | 一种前后台防违规方法和装置、电子设备、存储介质 | |
| CN113947938A (zh) | 基于人工智能的探测方法及相关产品 | |
| US9532165B2 (en) | Method and apparatus for location prediction using short text | |
| CN112862600A (zh) | 银行网点的查询方法及装置、电子设备及存储介质 | |
| CN117194786A (zh) | 服务网点推荐方法、装置、设备及存储介质 | |
| CN115168747A (zh) | 网点的推荐方法、装置、电子设备及计算机存储介质 | |
| CN115086314A (zh) | 一种交互数据处理的方法和相关装置 | |
| CN115392519A (zh) | 银行网点的预约取号方法及装置 | |
| CN112822068B (zh) | 一种数据处理方法及装置 |
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 |