CN117558079A - 批量代办业务的排队处理方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种批量代办业务的排队处理方法、装置及电子设备。涉及人工智能领域、金融科技技术领域或其他相关技术领域。该方法包括：获取待处理的批量代办业务的业务数据；将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，其中，输出结果用于表征每个代办业务对应的业务排队通道，目标神经网络模型用于提取每个代办业务的业务数据中的目标特征信息，并依据每个代办业务的目标特征信息为每个代办业务匹配对应的业务排队通道；基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理。本申请解决了现有技术在对批量代办业务进行排队处理的过程中，存在处理效率较低的技术问题。

Description

批量代办业务的排队处理方法、装置及电子设备

技术领域

本申请涉及人工智能领域、金融科技技术领域或其他相关技术领域，具体而言，涉及一种批量代办业务的排队处理方法、装置及电子设备。

背景技术

随着互联网金融的快速发展，企业代办业务的业务体验要求逐步提高，对系统的后台处理批量代办业务的时效也提出了新的挑战。为更好地服务客户，如何以相对较优、相对较合理的排队机制对批量代办业务进行业务编排来提升金融机构对客服务的整体质量成为了金融机构亟待解决的问题。

现有技术通常依据经验和排队的规则对客户上送的批量代办业务的优先等级、业务数据量及数据到达时间等因素进行固化串行编排，以实现对客户上送的批量代办业务进行排队处理。但是这种排队的方式仅能在环境变化影响不大、客户诉求差异化要求不高的情况下满足客户的要求，而当环境变化影响较大、客户诉求差异化要求较高的情况下，需要同步修改排队的规则才能适应新的需求。而同步修改复杂环境下的排队的规则，增加了业务排队的处理时间，从而导致对批量代办业务进行排队处理的处理效率较低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供了一种批量代办业务的排队处理方法、装置及电子设备，以至少解决现有技术在对批量代办业务进行排队处理的过程中，存在处理效率较低的技术问题。

根据本申请的一个方面，提供了一种批量代办业务的排队处理方法，包括：获取待处理的批量代办业务的业务数据，其中，所述待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果用于表征所述每个代办业务对应的业务排队通道，所述目标神经网络模型用于提取所述每个代办业务的业务数据中的目标特征信息，并依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，其中，所述每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理。

可选地，将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，包括：通过所述目标神经网络模型中的输入层对所述业务数据进行业务特征提取，得到所述每个代办业务对应的M个第一业务特征信息，其中，M为正整数；将所述每个代办业务对应的M个第一业务特征信息输入至所述目标神经网络模型的隐藏层中，得到所述隐藏层输出的每个代办业务对应的K个第二业务特征信息，其中，所述每个代办业务对应的K个第二业务特征信息中的每个第二业务特征信息均为该代办业务对应的M个第一业务特征信息中重要等级高于预设等级的第一业务特征信息，K为小于或等于M的正整数；通过所述目标神经网络模型中的输出层从所述每个代办业务对应的K个第二业务特征信息中确定该代办业务对应的目标特征信息；通过所述输出层依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，得到所述输出结果。

可选地，将所述每个代办业务对应的M个第一业务特征信息输入至所述目标神经网络模型的隐藏层中，得到所述隐藏层输出的每个代办业务对应的K个第二业务特征信息，包括：通过所述目标神经网络模型中的隐藏层对所述每个代办业务对应的M个第一业务特征信息进行数据处理，得到所述每个代办业务对应的K个第二业务特征信息，其中，所述数据处理至少包括数据筛选以及数据合并，所述数据筛选用于过滤所述每个代办业务对应的M个第一业务特征信息中的重要等级低于所述预设等级的业务特征信息，所述数据合并用于将所述每个代办业务对应的M个第一业务特征信息中的重要等级高于所述预设等级的业务特征信息进行整合。

可选地，所述目标神经网络模型通过如下过程得到：获取样本数据集合，其中，所述样本数据集合中包括N个历史代办业务的业务数据，N为正整数；对所述N个历史代办业务中的每个历史代办业务设置目标标签，得到所述每个历史代办业务对应的目标标签，其中，所述每个历史代办业务对应的目标标签用于表征该历史代办业务对应的实际业务排队通道；将所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对所述初始神经网络模型进行迭代训练，得到所述目标神经网络模型。

可选地，将所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对所述初始神经网络模型进行迭代训练，得到所述目标神经网络模型，包括：依据所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签对所述初始神经网络模型执行依次第一操作、第二操作以及第三操作，其中，所述第一操作用于将所述N个历史代办业务的业务数据输入至所述初始神经网络模型中，得到所述初始神经网络模型输出的预测结果，所述预测结果用于表征所述每个历史代办业务对应的业务排队通道，所述第二操作用于依据所述每个历史代办业务对应的业务排队通道以及所述每个历史代办业务对应的实际业务排队通道确定所述初始神经网络模型输出的预测结果的误差值，所述第三操作用于判断所述误差值是否小于预设阈值，并在所述误差值大于或等于所述预设阈值的情况下，基于所述误差值调整所述初始神经网络模型的模型参数；对所述初始神经网络模型依次执行多次所述第一操作、多次所述第二操作以及多次所述第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于所述预设阈值，确定所述调整后的初始神经网络模型为所述目标神经网络模型。

可选地，在基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理之后，所述方法还包括：依据所述每个代办业务对应的业务排队通道确定所述每个代办业务对应的目标时长，其中，所述目标时长为处理所述每个代办业务的预估时长；将所述目标时长展示在所述每个代办业务对应的目标页面中。

可选地，所述业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道，其中，所述插队通道用于对紧急程度为第一等级的代办业务进行所述排队处理，所述排队通道用于对紧急程度为第二等级的代办业务进行所述排队处理，所述实时通道用于对紧急程度为第三等级的代办业务进行所述排队处理，所述预约通道用于对约定业务处理时间的代办业务进行所述排队处理，所述第一等级的紧急程度高于所述第二等级的紧急程度，所述第三等级的紧急程度高于所述第一等级的紧急程度。

根据本申请的另一方面，还提供了一种批量代办业务的排队处理装置，包括：获取模块，用于获取待处理的批量代办业务的业务数据，其中，所述待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；匹配模块，用于将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果用于表征所述每个代办业务对应的业务排队通道，所述目标神经网络模型用于提取所述每个代办业务的业务数据中的目标特征信息，并依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，其中，所述每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；处理模块，用于基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理。

根据本申请的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的批量代办业务的排队处理方法。

根据本申请的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的批量代办业务的排队处理方法。

在本申请中，首先获取待处理的批量代办业务的业务数据，其中，所述待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；然后将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果用于表征所述每个代办业务对应的业务排队通道，所述目标神经网络模型用于提取所述每个代办业务的业务数据中的目标特征信息，并依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，其中，所述每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；最后基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理。

在上述过程中，通过预先训练好的目标神经网络模型提取批量代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，然后基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理，无需修改复杂环境下的排队的规则即可确定每个代办业务对应的业务排队通道，减少了对批量代办业务进行排队处理的处理时间，从而实现了提高对批量代办业务进行排队处理的处理效率的技术效果，进而解决了现有技术在对批量代办业务进行排队处理的过程中，存在处理效率较低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的一种可选的批量代办业务的排队处理方法的流程图；

图2是根据本申请实施例的一种可选的目标神经网络模型的处理过程的示意图；

图3是根据本申请实施例的一种可选的目标神经网络模型的训练过程的流程图；

图4是根据本申请实施例的一种可选的批量代办业务的排队处理装置的示意图；

图5是根据本申请实施例的一种可选的电子设备的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，本申请的批量代办业务的排队处理方法、装置及电子设备可用于人工智能领域和金融科技领域，也可用于除人工智能领域和金融科技领域之外的其他领域，本申请的批量代办业务的排队处理方法、装置及电子设备的应用领域不做限定。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

实施例1

根据本申请实施例，提供了一种可选的批量代办业务的排队处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本申请实施例的一种可选的批量代办业务的排队处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取待处理的批量代办业务的业务数据。

在一种可选的实施例中，一种批量代办业务的排队处理系统可作为本申请实施例中的批量代办业务的排队处理方法的执行主体。为了方便描述，以下将批量代办业务的排队处理系统简称为系统。

在步骤S101中，待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务。

可选地，图2中所示待处理的批量代办业务的业务来源可为客户在银行柜台办理的业务、企业委托银行代为处理的业务等。

步骤S102，将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果。

在步骤S102中，输出结果用于表征每个代办业务对应的业务排队通道，目标神经网络模型用于提取每个代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，其中，每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度。

可选地，如图2所示，目标特征信息中包括代办业务的业务时效信息以及业务紧迫度信息。

可选地，如图2所示，业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道。在本实施例中，业务排队通道可根据代办业务的实际情况进行增加或删除。

步骤S103，基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理。

例如，在代办业务对应业务排队通道为排队通道的情况下，系统可自动将代办业务分配至排队通道中进行排队，并依据该代办业务在排队通道中的排队顺序处理该待办业务。在代办业务对应业务排队通道为插队通道的情况下，系统可自动将代办业务分配至插队通道进行排队，并在合理的时间处理该代办业务。在代办业务对应业务排队通道为预约通道的情况下，系统可自动将代办业务分配至预约通道进行排队，并在约定的业务处理时间处理该代办业务。在代办业务对应业务排队通道为实时通道的情况下，系统可自动将代办业务分配至实时通道中，并立即处理该待办业务。

基于上述步骤S101至步骤S103所限定的方案，可以获知，在本申请中，首先获取待处理的批量代办业务的业务数据，其中，待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；然后将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，其中，输出结果用于表征每个代办业务对应的业务排队通道，目标神经网络模型用于提取每个代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，其中，每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；最后基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理。

需要说明的是，在上述过程中，通过预先训练好的目标神经网络模型提取批量代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，然后基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理，无需修改复杂环境下的排队的规则即可确定每个代办业务对应的业务排队通道，减少了对批量代办业务进行排队处理的处理时间，从而实现了提高对批量代办业务进行排队处理的处理效率的技术效果，进而解决了现有技术在对批量代办业务进行排队处理的过程中，存在处理效率较低的技术问题。

可选地，在本申请实施例提供的批量代办业务的排队处理方法中，业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道，其中，插队通道用于对紧急程度为第一等级的代办业务进行排队处理，排队通道用于对紧急程度为第二等级的代办业务进行排队处理，实时通道用于对紧急程度为第三等级的代办业务进行排队处理，预约通道用于对约定业务处理时间的代办业务进行排队处理，第一等级的紧急程度高于第二等级的紧急程度，第三等级的紧急程度高于第一等级的紧急程度。

在本实施例中，插队通道用于对紧急程度为第一等级的代办业务进行排队处理，例如，对业务紧迫度高的代办业务进行排队处理，其中，该类代办业务的业务量不大，但是业务处理的时效敏感程度较高，系统需要在代办业务批量上传后尽快对待办业务进行业务处理。排队通道用于对紧急程度为第二等级的代办业务进行排队处理，例如，对常规的代办业务进行排队处理，系统可根据自身资源使用进行合理调度，并按照排队通道中的排队顺序对待办业务进行业务处理；在业务服务体验要求和复杂度都较高的情况下，系统也可根据客户的实际情况进行资源调配和动态调整。实时通道用于对紧急程度为第三等级的代办业务进行排队处理，例如，对加急的代办业务进行排队处理，并且代办业务的范围和代办业务的数量需要严格控制，确保批量代办业务在系统稳定的前提下，充分利用系统资源。预约通道用于对约定业务处理时间的代办业务进行排队处理，例如，对提前与金融机构(例如银行)约定了业务处理时间的代办业务进行排队处理。

可选地，在本申请实施例提供的批量代办业务的排队处理方法中，将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，包括：系统通过目标神经网络模型中的输入层对业务数据进行业务特征提取，得到每个代办业务对应的M个第一业务特征信息，其中，M为正整数；然后将每个代办业务对应的M个第一业务特征信息输入至目标神经网络模型的隐藏层中，得到隐藏层输出的每个代办业务对应的K个第二业务特征信息，其中，每个代办业务对应的K个第二业务特征信息中的每个第二业务特征信息均为该代办业务对应的M个第一业务特征信息中重要等级高于预设等级的第一业务特征信息，K为小于或等于M的正整数；然后通过目标神经网络模型中的输出层从每个代办业务对应的K个第二业务特征信息中确定该代办业务对应的目标特征信息；最后通过输出层依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，得到输出结果。

可选地，在本申请实施例提供的批量代办业务的排队处理方法中，将每个代办业务对应的M个第一业务特征信息输入至目标神经网络模型的隐藏层中，得到隐藏层输出的每个代办业务对应的K个第二业务特征信息，包括：系统通过目标神经网络模型中的隐藏层对每个代办业务对应的M个第一业务特征信息进行数据处理，得到每个代办业务对应的K个第二业务特征信息，其中，数据处理至少包括数据筛选以及数据合并，数据筛选用于过滤每个代办业务对应的M个第一业务特征信息中的重要等级低于预设等级的业务特征信息，数据合并用于将每个代办业务对应的M个第一业务特征信息中的重要等级高于预设等级的业务特征信息进行整合。

例如，系统可通过目标神经网络模型中的输入层对业务数据进行业务特征提取，得到每个代办业务对应的业务提交渠道信息(即图2中的业务来源)、数据来源、记录大小、文件格式及数据形态等特征信息，然后系统可通过目标神经网络模型的隐藏层对每个代办业务对应的业务提交渠道信息、数据来源、记录大小、文件格式及数据形态等特征信息进行数据处理，得到每个代办业务对应的业务协议类型、代办业务类型、单位类型、代办业务时效等特征信息，然后系统可通过目标神经网络模型中的输出层对每个代办业务对应的业务协议类型、代办业务类型、单位类型、代办业务时效等特征信息进行放大和分发，从每个代办业务对应的业务协议类型、代办业务类型、单位类型、代办业务时效等特征信息中确定每个代办业务对应的目标特征信息(即图2中的业务时效信息和业务紧迫度信息)，并通过输出层依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道。其中，系统通过目标神经网络模型的隐藏层对每个代办业务对应的业务提交渠道信息、数据来源、记录大小、文件格式及数据形态等特征信息进行数据处理时，可通过过滤影响业务分组小的因素(即重要等级低于预设等级的业务特征信息)，放大合并业务影响大的要素(即重要等级高于预设等级的业务特征信息)。

可选地，为了减少短期和客观赋值波动的影响，系统可对所有输入层和输出层的数据进行归一化处理。

需要说明的是，通过目标神经网络模型中的输入层、隐藏层、输出层提取每个代办业务对应的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，无需修改复杂环境下的排队的规则即可确定每个代办业务对应的业务排队通道，从而实现了提高对批量代办业务进行排队处理的处理效率。

图3是根据本申请实施例的一种可选的目标神经网络模型的训练过程的流程图，如图3所示，该方法包括如下步骤：

步骤S31，获取样本数据集合。

在步骤S31中，样本数据集合中包括N个历史代办业务的业务数据，N为正整数。

步骤S32，对N个历史代办业务中的每个历史代办业务设置目标标签，得到每个历史代办业务对应的目标标签。

步骤S32中，每个历史代办业务对应的目标标签用于表征该历史代办业务对应的实际业务排队通道。

步骤S33，将N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对初始神经网络模型进行迭代训练，得到目标神经网络模型。

在本实施例中，系统可将N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签输入至初始神经网络模型中，经过迭代训练后，能够得到多层的神经网络排队预测模型(即目标神经网络模型)，实现了通过该模型预测复杂环境下的代办业务的业务排队通道。

可选地，在本申请实施例提供的批量代办业务的排队处理方法中，将N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对初始神经网络模型进行迭代训练，得到目标神经网络模型，包括：系统可依据N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签对初始神经网络模型执行依次第一操作、第二操作以及第三操作，其中，第一操作用于将N个历史代办业务的业务数据输入至初始神经网络模型中，得到初始神经网络模型输出的预测结果，预测结果用于表征每个历史代办业务对应的业务排队通道，第二操作用于依据每个历史代办业务对应的业务排队通道以及每个历史代办业务对应的实际业务排队通道确定初始神经网络模型输出的预测结果的误差值，第三操作用于判断误差值是否小于预设阈值，并在误差值大于或等于预设阈值的情况下，基于误差值调整初始神经网络模型的模型参数；系统可对初始神经网络模型依次执行多次第一操作、多次第二操作以及多次第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于预设阈值，确定调整后的初始神经网络模型为目标神经网络模型。

在本实施例中，系统可通过依次执行如下操作对初始神经网络模型进行模型训练：

第一操作，将N个历史代办业务的业务数据输入至初始神经网络模型中，得到初始神经网络模型输出的预测结果，预测结果用于表征每个历史代办业务对应的业务排队通道。

第二操作，依据每个历史代办业务对应的业务排队通道以及每个历史代办业务对应的实际业务排队通道确定初始神经网络模型输出的预测结果的误差值。

第三操作，判断误差值是否小于预设阈值，并在误差值大于或等于预设阈值的情况下，基于误差值调整初始神经网络模型的模型参数。

进一步地，系统可通过依次执行多次第一操作、多次第二操作以及多次第三操作对初始神经网络模型进行迭代训练，直至调整后的初始神经网络模型输出的预测结果的误差值小于预设阈值，确定调整后的初始神经网络模型为目标神经网络模型。

需要说明的是，通过对初始神经网络模型依次执行多次第一操作、多次第二操作以及多次第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于预设阈值，确定调整后的初始神经网络模型为目标神经网络模型，能够使目标神经网络模型的预测误差降到业务可接受的范围，从而提高了模型的预测精度。

可选地，在本申请实施例提供的批量代办业务的排队处理方法中，在基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理之后，方法还包括：系统可依据每个代办业务对应的业务排队通道确定每个代办业务对应的目标时长，其中，目标时长为处理每个代办业务的预估时长；然后将目标时长展示在每个代办业务对应的目标页面中。

为了提高用户的体验感，在本实施例中，系统可依据每个代办业务对应的业务排队通道确定处理每个代办业务的预估时长(即目标时长)，并将预估时长展示在每个代办业务对应的目标页面中。例如，在代办业务对应的业务排队通道为排队通道的情况下，系统可依据业务排队通道与目标时长之间的对应关系，确定处理该代办业务的预估时长为5-10min。然后系统可将该时长显示在处理该待办业务的页面中，以供用户查看。

由此可见，通过本申请提出的批量代办业务的排队处理方法，能够通过预先训练好的目标神经网络模型提取批量代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，然后基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理，无需修改复杂环境下的排队的规则即可确定每个代办业务对应的业务排队通道，减少了对批量代办业务进行排队处理的处理时间，从而实现了提高对批量代办业务进行排队处理的处理效率的技术效果，进而解决了现有技术在对批量代办业务进行排队处理的过程中，存在处理效率较低的技术问题。通过对影响代办业务的复杂网络因素进行多层次的复杂转换，实现银行代办业务的有序、快捷的编排处理，可极大提升银行后台系统资源利用率和服务体验。

实施例2

根据本申请实施例，提供了一种批量代办业务的排队处理装置的实施例，其中，图4是根据本申请实施例的一种可选的批量代办业务的排队处理装置的示意图，如图4所示，该装置包括：

获取模块401，用于获取待处理的批量代办业务的业务数据，其中，待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；

匹配模块402，用于将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，其中，输出结果用于表征每个代办业务对应的业务排队通道，目标神经网络模型用于提取每个代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，其中，每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；

处理模块403，用于基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理。

需要说明的是，上述获取模块401、匹配模块402以及确处理模块403对应于上述实施例1中的步骤S101至步骤S103，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。

可选地，匹配模块包括：第一提取单元，用于通过目标神经网络模型中的输入层对业务数据进行业务特征提取，得到每个代办业务对应的M个第一业务特征信息，其中，M为正整数；第一处理单元，用于将每个代办业务对应的M个第一业务特征信息输入至目标神经网络模型的隐藏层中，得到隐藏层输出的每个代办业务对应的K个第二业务特征信息，其中，每个代办业务对应的K个第二业务特征信息中的每个第二业务特征信息均为该代办业务对应的M个第一业务特征信息中重要等级高于预设等级的第一业务特征信息，K为小于或等于M的正整数；第一确定单元，用于通过目标神经网络模型中的输出层从每个代办业务对应的K个第二业务特征信息中确定该代办业务对应的目标特征信息；匹配单元，用于通过输出层依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，得到输出结果。

可选地，第一处理单元包括：数据处理单元，用于通过目标神经网络模型中的隐藏层对每个代办业务对应的M个第一业务特征信息进行数据处理，得到每个代办业务对应的K个第二业务特征信息，其中，数据处理至少包括数据筛选以及数据合并，数据筛选用于过滤每个代办业务对应的M个第一业务特征信息中的重要等级低于预设等级的业务特征信息，数据合并用于将每个代办业务对应的M个第一业务特征信息中的重要等级高于预设等级的业务特征信息进行整合。

可选地，批量代办业务的排队处理装置还包括：样本获取模块，用于获取样本数据集合，其中，样本数据集合中包括N个历史代办业务的业务数据，N为正整数；标签设置模块，用于对N个历史代办业务中的每个历史代办业务设置目标标签，得到每个历史代办业务对应的目标标签，其中，每个历史代办业务对应的目标标签用于表征该历史代办业务对应的实际业务排队通道；迭代训练模块，用于将N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对初始神经网络模型进行迭代训练，得到目标神经网络模型。

可选地，迭代训练模块包括：第一执行单元，用于依据N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签对初始神经网络模型执行依次第一操作、第二操作以及第三操作，其中，第一操作用于将N个历史代办业务的业务数据输入至初始神经网络模型中，得到初始神经网络模型输出的预测结果，预测结果用于表征每个历史代办业务对应的业务排队通道，第二操作用于依据每个历史代办业务对应的业务排队通道以及每个历史代办业务对应的实际业务排队通道确定初始神经网络模型输出的预测结果的误差值，第三操作用于判断误差值是否小于预设阈值，并在误差值大于或等于预设阈值的情况下，基于误差值调整初始神经网络模型的模型参数；第二执行单元，用于对初始神经网络模型依次执行多次第一操作、多次第二操作以及多次第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于预设阈值，确定调整后的初始神经网络模型为目标神经网络模型。

可选地，批量代办业务的排队处理装置还包括：第一确定模块，用于在基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理之后，依据每个代办业务对应的业务排队通道确定每个代办业务对应的目标时长，其中，目标时长为处理每个代办业务的预估时长；展示模块，用于将目标时长展示在每个代办业务对应的目标页面中。

可选地，业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道，其中，插队通道用于对紧急程度为第一等级的代办业务进行排队处理，排队通道用于对紧急程度为第二等级的代办业务进行排队处理，实时通道用于对紧急程度为第三等级的代办业务进行排队处理，预约通道用于对约定业务处理时间的代办业务进行排队处理，第一等级的紧急程度高于第二等级的紧急程度，第三等级的紧急程度高于第一等级的紧急程度。

实施例3

根据本申请实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的批量代办业务的排队处理方法。

实施例4

根据本申请实施例的另一方面，还提供了一种电子设备，其中，图5是根据本申请实施例的一种可选的电子设备的示意图，如图5所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的批量代办业务的排队处理方法。

如图5所示，本申请实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：

获取待处理的批量代办业务的业务数据，其中，待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；将业务数据输入至目标神经网络模型中，得到目标神经网络模型输出的输出结果，其中，输出结果用于表征每个代办业务对应的业务排队通道，目标神经网络模型用于提取每个代办业务的业务数据中的目标特征信息，并依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，其中，每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理。

可选地，处理器执行程序时还实现以下步骤：通过目标神经网络模型中的输入层对业务数据进行业务特征提取，得到每个代办业务对应的M个第一业务特征信息，其中，M为正整数；将每个代办业务对应的M个第一业务特征信息输入至目标神经网络模型的隐藏层中，得到隐藏层输出的每个代办业务对应的K个第二业务特征信息，其中，每个代办业务对应的K个第二业务特征信息中的每个第二业务特征信息均为该代办业务对应的M个第一业务特征信息中重要等级高于预设等级的第一业务特征信息，K为小于或等于M的正整数；通过目标神经网络模型中的输出层从每个代办业务对应的K个第二业务特征信息中确定该代办业务对应的目标特征信息；通过输出层依据每个代办业务对应的目标特征信息为每个代办业务匹配对应的业务排队通道，得到输出结果。

可选地，处理器执行程序时还实现以下步骤：通过目标神经网络模型中的隐藏层对每个代办业务对应的M个第一业务特征信息进行数据处理，得到每个代办业务对应的K个第二业务特征信息，其中，数据处理至少包括数据筛选以及数据合并，数据筛选用于过滤每个代办业务对应的M个第一业务特征信息中的重要等级低于预设等级的业务特征信息，数据合并用于将每个代办业务对应的M个第一业务特征信息中的重要等级高于预设等级的业务特征信息进行整合。

可选地，处理器执行程序时还实现以下步骤：获取样本数据集合，其中，样本数据集合中包括N个历史代办业务的业务数据，N为正整数；对N个历史代办业务中的每个历史代办业务设置目标标签，得到每个历史代办业务对应的目标标签，其中，每个历史代办业务对应的目标标签用于表征该历史代办业务对应的实际业务排队通道；将N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对初始神经网络模型进行迭代训练，得到目标神经网络模型。

可选地，处理器执行程序时还实现以下步骤：依据N个历史代办业务的业务数据以及每个历史代办业务对应的目标标签对初始神经网络模型执行依次第一操作、第二操作以及第三操作，其中，第一操作用于将N个历史代办业务的业务数据输入至初始神经网络模型中，得到初始神经网络模型输出的预测结果，预测结果用于表征每个历史代办业务对应的业务排队通道，第二操作用于依据每个历史代办业务对应的业务排队通道以及每个历史代办业务对应的实际业务排队通道确定初始神经网络模型输出的预测结果的误差值，第三操作用于判断误差值是否小于预设阈值，并在误差值大于或等于预设阈值的情况下，基于误差值调整初始神经网络模型的模型参数；对初始神经网络模型依次执行多次第一操作、多次第二操作以及多次第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于预设阈值，确定调整后的初始神经网络模型为目标神经网络模型。

可选地，处理器执行程序时还实现以下步骤：在基于每个代办业务对应的业务排队通道对批量代办业务进行排队处理之后，依据每个代办业务对应的业务排队通道确定每个代办业务对应的目标时长，其中，目标时长为处理每个代办业务的预估时长；将目标时长展示在每个代办业务对应的目标页面中。

可选地，业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道，其中，插队通道用于对紧急程度为第一等级的代办业务进行排队处理，排队通道用于对紧急程度为第二等级的代办业务进行排队处理，实时通道用于对紧急程度为第三等级的代办业务进行排队处理，预约通道用于对约定业务处理时间的代办业务进行排队处理，第一等级的紧急程度高于第二等级的紧急程度，第三等级的紧急程度高于第一等级的紧急程度。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

集成的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取存储介质中。基于这样的理解，本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种批量代办业务的排队处理方法，其特征在于，包括：

获取待处理的批量代办业务的业务数据，其中，所述待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；

将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果用于表征所述每个代办业务对应的业务排队通道，所述目标神经网络模型用于提取所述每个代办业务的业务数据中的目标特征信息，并依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，其中，所述每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；

基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理。

2.根据权利要求1所述的方法，其特征在于，将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，包括：

通过所述目标神经网络模型中的输入层对所述业务数据进行业务特征提取，得到所述每个代办业务对应的M个第一业务特征信息，其中，M为正整数；

将所述每个代办业务对应的M个第一业务特征信息输入至所述目标神经网络模型的隐藏层中，得到所述隐藏层输出的每个代办业务对应的K个第二业务特征信息，其中，所述每个代办业务对应的K个第二业务特征信息中的每个第二业务特征信息均为该代办业务对应的M个第一业务特征信息中重要等级高于预设等级的第一业务特征信息，K为小于或等于M的正整数；

通过所述目标神经网络模型中的输出层从所述每个代办业务对应的K个第二业务特征信息中确定该代办业务对应的目标特征信息；

通过所述输出层依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，得到所述输出结果。

3.根据权利要求2所述的方法，其特征在于，将所述每个代办业务对应的M个第一业务特征信息输入至所述目标神经网络模型的隐藏层中，得到所述隐藏层输出的每个代办业务对应的K个第二业务特征信息，包括：

通过所述目标神经网络模型中的隐藏层对所述每个代办业务对应的M个第一业务特征信息进行数据处理，得到所述每个代办业务对应的K个第二业务特征信息，其中，所述数据处理至少包括数据筛选以及数据合并，所述数据筛选用于过滤所述每个代办业务对应的M个第一业务特征信息中的重要等级低于所述预设等级的业务特征信息，所述数据合并用于将所述每个代办业务对应的M个第一业务特征信息中的重要等级高于所述预设等级的业务特征信息进行整合。

4.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型通过如下过程得到：

获取样本数据集合，其中，所述样本数据集合中包括N个历史代办业务的业务数据，N为正整数；

对所述N个历史代办业务中的每个历史代办业务设置目标标签，得到所述每个历史代办业务对应的目标标签，其中，所述每个历史代办业务对应的目标标签用于表征该历史代办业务对应的实际业务排队通道；

将所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对所述初始神经网络模型进行迭代训练，得到所述目标神经网络模型。

5.根据权利要求4所述的方法，其特征在于，将所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签输入至初始神经网络模型中，并对所述初始神经网络模型进行迭代训练，得到所述目标神经网络模型，包括：

依据所述N个历史代办业务的业务数据以及所述每个历史代办业务对应的目标标签对所述初始神经网络模型执行依次第一操作、第二操作以及第三操作，其中，所述第一操作用于将所述N个历史代办业务的业务数据输入至所述初始神经网络模型中，得到所述初始神经网络模型输出的预测结果，所述预测结果用于表征所述每个历史代办业务对应的业务排队通道，所述第二操作用于依据所述每个历史代办业务对应的业务排队通道以及所述每个历史代办业务对应的实际业务排队通道确定所述初始神经网络模型输出的预测结果的误差值，所述第三操作用于判断所述误差值是否小于预设阈值，并在所述误差值大于或等于所述预设阈值的情况下，基于所述误差值调整所述初始神经网络模型的模型参数；

对所述初始神经网络模型依次执行多次所述第一操作、多次所述第二操作以及多次所述第三操作，直至调整后的初始神经网络模型输出的预测结果的误差值小于所述预设阈值，确定所述调整后的初始神经网络模型为所述目标神经网络模型。

6.根据权利要求1所述的方法，其特征在于，在基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理之后，所述方法还包括：

依据所述每个代办业务对应的业务排队通道确定所述每个代办业务对应的目标时长，其中，所述目标时长为处理所述每个代办业务的预估时长；

将所述目标时长展示在所述每个代办业务对应的目标页面中。

7.根据权利要求1所述的方法，其特征在于，所述业务排队通道为如下之一：插队通道、排队通道、预约通道、实时通道，其中，所述插队通道用于对紧急程度为第一等级的代办业务进行所述排队处理，所述排队通道用于对紧急程度为第二等级的代办业务进行所述排队处理，所述实时通道用于对紧急程度为第三等级的代办业务进行所述排队处理，所述预约通道用于对约定业务处理时间的代办业务进行所述排队处理，所述第一等级的紧急程度高于所述第二等级的紧急程度，所述第三等级的紧急程度高于所述第一等级的紧急程度。

8.一种批量代办业务的排队处理装置，其特征在于，包括：

获取模块，用于获取待处理的批量代办业务的业务数据，其中，所述待处理的批量代办业务中的每个代办业务均为客户委托金融机构代为处理的资金交易业务；

匹配模块，用于将所述业务数据输入至目标神经网络模型中，得到所述目标神经网络模型输出的输出结果，其中，所述输出结果用于表征所述每个代办业务对应的业务排队通道，所述目标神经网络模型用于提取所述每个代办业务的业务数据中的目标特征信息，并依据所述每个代办业务对应的目标特征信息为所述每个代办业务匹配对应的业务排队通道，其中，所述每个代办业务对应的目标特征信息用于表征处理该代办业务的紧急程度；

处理模块，用于基于所述每个代办业务对应的业务排队通道对所述批量代办业务进行排队处理。

9.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的批量代办业务的排队处理方法。

10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，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权利要求1至7中任意一项所述的批量代办业务的排队处理方法。