具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和 /或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/ 或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和 C、具有B和C、和/或具有A、B、C的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/ 或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件 (包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

需要说明，若本发明实施例中有涉及方向性指示，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义，包括三个并列的方案，以“A和/或B”为例，包括A 方案、或B方案、或A和B同时满足的方案。还有就是，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

在本发明的描述中，需要说明的是，术语““上”、“下”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，在本发明的描述中，除非另有说明，“多个”、“多根”、“多组”的含义是两个或两个以上。

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。

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。

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。

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。

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。

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。

鉴于此，本发明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。

如图1所示，根据该实施例的系统架构100可以包括催收任务分配装置101，网络102及服务器103。网络102用于在催收任务分配装置101 和服务器103之间提供通信链路。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

需要说明的是，本公开实施例所提供的催收任务分配方法可以由服务器103执行。相应地，本公开实施例所提供的催收任务分配装置101可以设置于服务器103中。或者，本公开实施例所提供的催收任务分配方法也可以由不同于服务器103且能够与催收任务分配装置101和/或服务器103 通信的服务器或服务器集群执行。相应地，本公开实施例所提供的催收任务分配装置101也可以设置于不同于服务器103且能够与服务器103通信的服务器或服务器集群中。或者，本公开实施例所提供的催收任务分配方法也可以部分由服务器103执行，催收任务分配装置101执行。相应的，本公开实施例所提供的催收任务分配装置101也可以部分设置于服务器 103中。

应该理解，图1中的催收任务分配装置101、网络102和服务器103 的数目仅仅是示意性的。根据实现需要，可以具有任意数目的催收任务分配装置101、网络102和服务器103。

图2示意出了根据本公开实施例的催收任务分配装置101包括：输入层模块104、卷积层模块105、激励层模块106、池化层模块107、全连接层模块108、分类器109。

需要说明的是，本公开的实施例中催收任务分配装置101的部分与本公开的实施例中催收任务的分配方法部分是相对应的，其具体实施细节及带来的技术效果也是相同的，在此不再赘述。图2示意性示出了根据本公开实施例的适于实现上文描述的方法的系统的框图。图2示出催收任务分配装置101仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图3所示，图3为本发明实施例方案涉及的硬件运行环境的电子设备1800的结构示意图。如图3所示，该电子设备1800可以包括：处理器 1801，其可以根据存储在只读存储器(ROM)1802中的程序或者从存储部分1808加载到随机访问存储器(RAM)1803中的程序而执行各种适当的动作和处理。处理器1801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路 (ASIC))，等等。处理器1801还可以包括用于缓存用途的板载存储器。处理器1801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1803中，文本转流程图方法的控制装置1800操作所需的各种程序和数据。处理器1801以及存储单元3，存储单元3包括ROM 1802 以及RAM1803通过总线1804彼此相连。处理器1801通过执行ROM 1802 和/或RAM1803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1802和RAM 1803以外的一个或多个存储器中。处理器1801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，文本转流程图方法的控制装置1800还可以包括输入/输出(I/O)接口1805，输入/输出(I/O)接口1805也连接至总线 1804。文本转流程图方法的控制装置1800还可以包括连接至I/O接口1805 的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分 1807；包括硬盘等的存储部分1808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1809。通信部分1809经由诸如因特网的网络执行通信处理。驱动器1810也根据需要连接至I/O接口1805。可拆卸介质1811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1810上，以便于从其上读出的计算机程序根据需要被安装入存储部分1808。其中，通信部分1809用于实现这些组件之间的连接通信，包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。输入/输出 (I/O)接口1805还可以包括标准的有线接口、无线接口，其中有线接口可以为USB接口。

在图3所示的电子设备1800还包括：网络接口主要用于连接后台服务器103，与所述后台服务器103进行数据通信；用户接口主要用于连接用户设备；电子设备1800通过处理器1801调用存储器中存储的催收任务分配方法的控制程序，并执行本发明实施例提供的催收任务分配方法的控制步骤。

本领域技术人员可以理解，图3中示出的结构并不构成对电子设备 1800的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

基于上述硬件结构，提出本发明催收任务的分配方法的实施例。

参见图4，图4为本发明催收任务的分配方法一实施例的流程示意图，在一实施例中，催收任务的分配方法包括如下步骤：

S10：获取各个催收公司的数据。

S20：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。

S30：根据执行催收任务的能力分配催收任务。

需要说明的是，主要是通过卷积神经网络根据针对某公司催收能力的评价，把公司规模、公司的业务量和业务种类、以及以往的业务完成量作为特征值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。

参见图5，图5为步骤S10包括的一实施例的流程示意图，在一实施例中，步骤S10包括如下步骤：

步骤S11：获取各个催收公司的评价文本。

步骤S12：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。

步骤S13：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。

需要说明的是，输入层模块104主要负责将针对一个公司的催收能力的评价或介绍作为训练数据输入到模型中，该评价主要包括公司规模、公司涉及业务种类、公司业务量和公司完成催收任务时长。

首先是进行数据处理，利用开源工具将中文文本进行分词，随后使用 word2vec将训练数据中的文本转换成词向量表示。将包含上述特征的样例数据转换成矩阵，随后将带有多种特征的单词向量拼接起来，通过输入层输入到模型中进行训练。输入原理如下：

Xi＝[S(w)；L(w)；A(w)] (1)

S＝[x₁，x₂，…，x_n]^T (2)

上式(1)(2)中，S(w)表示句子中每个词语的词特征，L(w)表示句子文本中每个词语的位置特征，A(w)表示每个词语的词性特征，将上述三种特征进行拼接，组成一个词语完整的特征向量，S即为整个句子的特征矩阵，将句子矩阵作为模型的输入，上述操作均在输入层模块104完成。

参见图6，图6为步骤S20包括的一实施例的流程示意图，在一实施例中，步骤S20包括如下步骤：

步骤S21：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。

步骤S22：得到所述词特征、所述位置特征、所述词性特征之间的关联。

参见图7，图7为步骤S22包括的一实施例的流程示意图，在一实施例中，步骤S22包括如下步骤：

步骤S221：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。

步骤S222：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。

进一步地，步骤S21包括：

步骤S211：在每一个卷积核运算的特征中选择出最大值。

需要说明的是，参见图8，在卷积运模块105运算时，会给定一个大小为F*F的方阵，称为过滤器，又叫做卷积核，该矩阵的大小又称为感受野。过滤器的深度d和输入层的深度d维持一致，因此可以得到大小为 F*F*d的过滤器。在实际的操作中，不同的模型会确定不同数量的过滤器，其个数记为K，每一个K包含d个F*F的矩阵，并且计算生成一个输出矩阵。一定大小的输入和一定大小的过滤器，再加上一些额外参数，会生成确定大小的输出矩阵。在本模型中，输入的文本矩阵为1维，故卷积核也是1维矩阵。

该层使用卷积窗口进行卷积运算，学习数据特征，每一个卷积窗口都有一个权重为W的卷积核。在本模型中卷积核使用多种大小不同的卷积核，这样可以保证学习到多种特征之间的更多关联，所有的步长都设置为 1，对于超过的边界的特征也会进行扩充，把所有的扩充值设置为0向量。卷积核的权重随机设置初始值和初始偏置矩阵，会随着训练调整到最佳。经过不同大小的滑动窗口的一系列卷积操作后，多种特征之间的关联及权重会被提取出来。

卷积层模块105的数学表达式：

上式中，f(x)表示激活函数；b为偏置；ω^n，m表示卷积核位置对应的权值；N，M是卷积核的长和宽；u表示上一层的输出。

激励层模块106的作用主要是将卷积层模块105的输出结果进行非线性映射，用来确定传给后续神经元的刺激大小。本模型中采用的激励函数是ReLU，他的特点是收敛快，求梯度较为简单。不同样本的同一个feature，在通过relu构成的神经网络时，流经的路径不一样(relu激活值为0，则堵塞；激活值为本身，则通过)，因此最终的输出空间其实是输入空间的非线性变换得来的。参见图9，ReLU函数数学表达式为：

f(x)＝max(0，x) (4)

池化层模块107在连续的卷积层模块105中间，用于压缩数据和参数的数量，减小过拟合，便于以后的优化。一般常见的方法都是最大池化策略，只取其中得分最大的那个值作为池化层保留值，其它特征值全部抛弃，值最大代表只保留这些特征中最强的，而抛弃其它弱的此类特征。可以将带有特征的一维数组转化为单一数值，对于后续的全连接层来讲，可以减少参数个数。可以将变长的输入转换为固定长度的输入，这时可以事先定好全连接层神经元的个数。

参见图10，使用最大池化策略即可在每一个卷积核学习的特征中选择出最大值，提取出最有效的特征，这是一种降维方法，缓解输出过多的情况，此方法下的丢弃数据也是学习源数据高阶表示的一种有效途径。如果原始输入在相似但有区别的输入样本中的位置发生轻微变化，则最大池化层仍然会输出类似的内容。

全连接层模108的每一个结点都与上一层模块的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层模块的参数也是最多的。全连接层模块在整个卷积神经网络负责将前层模块学习到的“分布式特征表示”映射到样本标记空间，本模型中设置随机权重和随机初始偏置向量，Sofamax分类器为公司分配适合的催收能力值。

模型使用不同大小的卷积核同时卷积计算多个特征值之间的关联与权重，预测公司与自身的催收任务完成时长计算时长误差，模型中的训练参数会随着误差的改变而调整，直到迭代次数达到设置的阈值，将此时模型中的训练参数作为最优参数。

最后一层将会把长度为50的向量降为长度为5的向量，因为我们有五个类别要进行预测(即“强”、“较强”、“一般”、“较弱”、“弱”)。这里的维度下降是通过另一个矩阵乘法来完成的。Softmax被用作分类函数，它强制神经网络的所有五个输出值的加和为一。因此，输出值将表示这五个类别中的每个类别出现的概率。

综上所述，在本发明提供的技术方案中，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。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的装置/系统中所包含的；也可以是单独存在，而未装配入该装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器 (EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM和/或RAM和/或ROM和RAM以外的一个或多个存储器。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被处理器执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。在该计算机程序被处理器 1801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1809被下载和安装，和/ 或从可拆卸介质1811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分1809从网络上被下载和安装，和/或从可拆卸介质1811被安装。在该计算机程序被处理器1801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。