催收任务分配方法、装置、设备、存储介质、程序产品制造方法及图纸

本发明专利技术提供了一种催收任务的分配方法，可用于金融系统领域，催收任务的分配方法包括如下步骤：获取各个催收公司的数据；对所述数据进行卷积运算，并计算出各个公司执行催收任务的能力；根据执行催收任务的能力分配催收任务。基于卷积神经网络的催收任务分配方法，可以根据针对公司的催收能力评价，将公司的规模、业务情况和以往的业务完成量作为特征值，输入需要被分配的任务，通过计算分析得出该公司与需要被分配的催收任务的匹配程度，从而得出适合被分配的任务种类和任务量。本发明专利技术还提供了一种催收任务分配装置、设备、存储介质、程序产品。序产品。序产品。

【技术实现步骤摘要】
催收任务分配方法、装置、设备、存储介质、程序产品


[0001]本专利技术涉及催收分配
，特别涉及一种催收任务分配方法、装置、设备、存储介质、程序产品。

技术介绍

[0002]在机器学习中，卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。
[0003]催收任务的分配目前主要分配手段有两种，第一种是在催收系统中，把所有的催收任务平均分配给各家催收公司，这样不仅可以提高完成任务的时效，也可以让各家催收公司形成对比，以筛选出优质的合作伙伴。
[0004]第二种方法就是考虑到第一种方法存在的不足，推出的新的催收任务分配模式，按照催收公司规模大小进行分配，公司规模大的，可以分配更多数量的催收任务，公司规模小的，可以相对较少的分配催收任务。
[0005]现有技术的第一种方法，根据催收任务的数量平均分配给各家公司，由于各家催收公司规模大小的不同，往往不能简单地用完成催收任务的时间去评估各家催收公司的催收能力。
[0006]第二种方法虽然更加有效，但是由于仅仅考虑到公司规模的因素，而未考虑到各家催收公司的专长，例如某家催收公司面对不同催收任务时也会有不同的催收效果，此种方法也存在较为明显的缺点。
[0007]平均分配的方法缺点非常明显，不能将公司的规模和擅长的催收业务种类考虑到分配任务中，一些小量级公司的催收时效下降明显，此时一定会影响到整体催收任务的完成效率。根据公司规模分配虽然可以在一定程度上缓解平均分配的不足，但是由于此种方法未考虑到每家催收公司以往的业务情况，业务量等因素，不能很好地发挥各公司的特长，就会导致催收任务分配的不合理，影响整体催收任务的完成时效。

技术实现思路

[0008]本专利技术的主要目的是提供一种催收任务分配方法、装置、设备、存储介质、程序产品，旨在改善现有技术中，催收任务分配不合理、不智能的技术问题。
[0009]为实现上述目的，本专利技术提供一种催收任务的分配方法，可应用于金融领域，所述催收任务的分配方法包括如下步骤：
[0010]获取各个催收公司的数据；
[0011]对所述数据进行卷积运算，并计算出各个公司执行催收任务的能力；
[0012]根据执行催收任务的能力分配催收任务。
[0013]可选地，所述获取各个催收公司的数据包括：
[0014]获取各个催收公司的评价文本；
[0015]获取所述评价文本中每个词语的词特征、位置特征、词性特征；
[0016]将所述词特征、所述位置特征以及所述词性特征拼接起来以形成由特征矩阵构成的所述数据。
[0017]可选地，所述评价文本包括公司规模、公司涉及业务种类、公司业务量以及公司完成催收任务时长。
[0018]可选地，在所述对数据进行卷积运算，并计算出各个公司执行催收任务的能力的步骤包括：
[0019]使用多种大小不同的卷积核对所述词特征、所述位置特征、所述词性特征进行卷积运算；
[0020]得到所述词特征、所述位置特征、所述词性特征之间的关联。
[0021]可选地，在所述得到所述词特征、所述位置特征、所述词性特征之间的关联的步骤之后包括：
[0022]对所述词特征、所述位置特征、所述词性特征之间的关联进行非线性映射；
[0023]根据所述非线性映射的结果确定传给后续神经元的刺激大小。
[0024]可选地，所述使用多种大小不同的卷积核对所述词特征、所述位置特征、所述词性特征进行卷积运算的步骤包括：
[0025]在每一个卷积核运算的特征中选择出最大值。
[0026]此外，为实现上述目的，本专利技术还提出一种催收任务分配装置，包括：
[0027]输入层模块，用于将评价文本转换成输入特征矩阵；
[0028]卷积层模块，用于进行卷积运算；
[0029]分类器，根据执行催收任务的能力分配催收任务。
[0030]可选地，所述催收任务分配装置还包括激励层模块，所述激励层模块用于将所述卷积层模块的输出结果进行非线性映射，以确定传给后续神经元的刺激大小。
[0031]可选地，所述催收任务分配装置还包括池化层模块，所述池化层模块用于压缩数据和参数的数量。
[0032]可选地，所述催收任务分配装置还包括全连接层模块，所述全连接层模块用于将获取到的特征关联映射到样本标记空间。
[0033]可选地，所述分类器为Sofamax分类器。
[0034]此外，为实现上述目的，本专利技术还提出一种电子设备，包括：
[0035]一个或多个处理器；
[0036]存储装置，用于存储一个或多个程序，
[0037]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执行上述任一项所述的方法。
[0038]此外，为实现上述目的，本专利技术还提出一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的文件系统管理方法的步骤。
[0039]在本专利技术提供的技术方案中，可应用于金融系统领域，催收任务的分配方法包括
如下步骤：获取各个催收公司的数据；对所述数据进行卷积运算，并计算出各个公司执行催收任务的能力；根据执行催收任务的能力分配催收任务。基于卷积神经网络的催收任务分配方法，可以根据针对公司的催收能力评价，将公司的规模、业务情况和以往的业务完成量作为特征值，输入需要被分配的任务，通过计算分析得出该公司与需要被分配的催收任务的匹配程度，从而得出适合被分配的任务种类和任务量。把公司规模、公司的业务量和业务种类等多种特征卷积计算得出某家公司的执行催收任务的能力，随后根据各家公司的催收能力进行催收任务分配，催收能力强的公司可以被分配更多的任务，而催收能力较弱的公司可以被多分配一些该公司擅长的业务，此时催收任务的整体完成情况和时效一定是高于现阶段通用的催收任务分配方法的。
附图说明
[0040]为了更清楚地说明本专利技术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专利技术的一些实施例，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，还可以根据这些附图示出的结构获得其他的附图。
[0041]图1是本专利技术实施例方案涉及的硬件运行环境的系统架构的结构示意图；
[0042]图2为图1中催收任务分配装置的结构示意图；
[0043]图3为电子设备结构示意图；
[0044]图4为本专利技术提供的催收任务分配方法的一实施例的流程示意图；
[0045]图5为本专利技术提供的催收本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种催收任务的分配方法，其特征在于，包括如下步骤：获取各个催收公司的数据；对所述数据进行卷积运算，并计算出各个公司执行催收任务的能力；根据执行催收任务的能力分配催收任务。2.如权利要求1所述的催收任务的分配方法，其特征在于，所述获取各个催收公司的数据包括：获取各个催收公司的评价文本；获取所述评价文本中每个词语的词特征、位置特征、词性特征；将所述词特征、所述位置特征以及所述词性特征拼接起来以形成由特征矩阵构成的所述数据。3.如权利要求2所述的催收任务的分配方法，其特征在于，所述评价文本包括公司规模、公司涉及业务种类、公司业务量以及公司完成催收任务时长。4.如权利要求2所述的催收任务的分配方法，其特征在于，在所述对数据进行卷积运算，并计算出各个公司执行催收任务的能力的步骤包括：使用多种大小不同的卷积核对所述词特征、所述位置特征、所述词性特征进行卷积运算；得到所述词特征、所述位置特征、所述词性特征之间的关联。5.如权利要求4所述的催收任务的分配方法，其特征在于，在所述得到所述词特征、所述位置特征、所述词性特征之间的关联的步骤之后包括：对所述词特征、所述位置特征、所述词性特征之间的关联进行非线性映射；根据所述非线性映射的结果确定传给后续神经元的刺激大小。6.如权利要求4所述的催收任务的分配方法，其特征在于，所述使用多种大小不同的卷积核对所述词特征、所述位置特征、所述词性特征进行卷积运算的步骤包括：在每一个卷积核运算的特征中选择...

【专利技术属性】
技术研发人员：何亚喆，陶韬，朱贇，刘炼，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：