【技术实现步骤摘要】
本申请涉及人工智能领域、金融科技或其他相关，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。
技术介绍
1、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。
2、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。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、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。
2、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
3、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。
4、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。
5、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。
6、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。
7、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。
8、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。
9、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，所述每个代办业务本文档来自技高网...
【技术保护点】
1.一种批量代办业务的排队处理方法，其特征在于，包括：
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：
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：
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：
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：
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：
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，
8.一种批量代办业务的排队处理装置，其特征在于，包括：
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。
...【技术特征摘要】
1.一种批量代办业务的排队处理方法，其特征在于，包括：
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：
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：
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：
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：
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：
7.根据权利要求1所述的方法，其特征在于，所述业务排...
【专利技术属性】
技术研发人员：王永隆，郁巍，程灿权，徐丽，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。