[发明专利]催收任务分配方法、装置、设备、存储介质、程序产品

说明书

本发明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。本发明还提供了一种催收任务分配装置、设备、存储介质、程序产品。

技术领域

本发明涉及催收分配技术领域，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。

背景技术

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。

发明内容

本发明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。

为实现上述目的，本发明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：

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。

可选地，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。

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。

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：