一种自助服务事项智能排序方法、装置、设备及存储介质

技术领域

本发明属于信息处理技术领域，具体涉及一种自助服务事项智能排序方法、装置、设备及存储介质。

背景技术

随着银行金融业务的快速发展，在银行自助办理机具上的金融服务类目及事项越来越多，使得用户在使用这种自助办理机具办理金融业务时，经常很难快速找到其希望办理的金融服务事项。因此，通过某种方式对银行自助办理机具上的所有金融服务事项进行智能排序，提前将用户感兴趣的金融服务事项排在前面，将有利于提升用户群众办事效率和满意度。

目前，大多数自助办理机具上的服务事项排序方式较为简单，例如基于用户历史点击频率和服务事项上线时长等静态特征设定相关规则系统进行排序。虽然基于这种规则系统的排序方式具有实现简单有效、能快速进行迭代和能在一定程度上提升用户的体验的优点，但也存在以下问题：(1)当规则过多时，容易出现规则间的冲突；(2)基于规则系统的排序算法存在特征与特征之间无法进行融合决策的问题；(3)从特征种类上看，当前基于规则系统的排序算法大多基于服务事项自身特征，例如用户历史点击频率和服务事项上线时长等，而没有把握机具自身特征以及机具环境特征，使得特征数量较少且多为静态特征。因此，现有自助服务事项排序方式还无法形成一个支持动态和多角度综合决策的智能排序方案，使得排序结果与服务群体的使用需求存在失配可能，有待提高匹配性。

发明内容

本发明的目的是提供一种自助服务事项智能排序方法、装置、计算机设备及计算机可读存储介质，用以解决现有自助服务事项排序方式还无法形成一个支持动态和多角度综合决策的智能排序方案，使得排序结果与服务群体的使用需求存在失配可能的问题。

为了实现上述目的，本发明采用以下技术方案：

第一方面，提供了一种自助服务事项智能排序方法，包括：

获取自助服务事项办理机具的且在最近连续M个历史单位时期的至少一个机具自身特征信息和至少一个机具环境特征信息，其中，M表示大于等于20的正整数；

针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的至少一个服务事项特征信息，其中，所述至少一个服务事项特征信息包含有在对应历史单位时期的点击次数；

针对在所述最近连续M个历史单位时期中的各个历史单位时期，对所述自助服务事项办理机具的且在对应时期的所述至少一个机具自身特征信息和所述至少一个机具环境特征信息进行向量化及归一化处理，得到对应的至少一个机具自身特征值和至少一个机具环境特征值，以及还对所述各个自助服务事项的且在对应时期的所述至少一个服务事项特征信息进行向量化及归一化处理，得到对应的且所述各个自助服务事项的至少一个服务事项特征值，其中，所述至少一个机具自身特征值与所述至少一个机具自身特征信息一一对应，所述至少一个机具环境特征值与所述至少一个机具环境特征信息一一对应，所述至少一个服务事项特征值与所述至少一个服务事项特征信息一一对应并包含有点击次数特征值；

针对所述各个自助服务事项，将各个在前历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述各个在前历史单位时期的且对应事项的所述至少一个服务事项特征值作为输入项，以及将各个在后历史单位时期的且对应事项的所述点击次数特征值作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到对应的在后单位时期点击次数特征值预测模型，其中，所述在前历史单位时期是指在所述最近连续M个历史单位时期中的连续N个非末尾单位时期，所述在后历史单位时期是指在所述最近连续M个历史单位时期中的且位于所述在前历史单位时期之后的下一个非首位单位时期，所述各个在前历史单位时期与所述各个在后历史单位时期一一对应，N表示小于等于M/5的正整数；

针对所述各个自助服务事项，将在所述最近连续M个历史单位时期中的最近连续N个历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述最近连续N个历史单位时期的且对应事项的所述至少一个服务事项特征值输入对应的所述在后单位时期点击次数特征值预测模型，输出得到对应的且在当前单位时期的点击次数特征预测值；

按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，得到自助服务事项排序结果；

将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示。

基于上述发明内容，提供了一种基于多维特征数据和人工智能模型对自助服务事项办理机具上所有自助服务事项进行动态排序的新方案，即先分别获取自助服务事项办理机具的且在最近连续M个历史单位时期的机具自身特征信息和机具环境特征信息，以及针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的服务事项特征信息，然后基于这些特征信息依次通过向量化及归一化处理、人工智能模型训练和预测模型应用，可得到所述各个自助服务事项在当前单位时期的点击次数特征预测值，然后按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，即可得到与服务群体当前服务需求匹配的自助服务事项排序结果并进行输出展示，如此可形成一个支持动态和多角度综合决策的智能排序方案，有效提高排序结果与服务群体的使用需求的匹配性，便于实际应用和推广。

在一个可能的设计中，所述至少一个机具自身特征信息包含有基于label编码方式所得的机具设备类型、基于one-hot编码方式所得的机具设备接入分行、归一标准化的行员走访次数和/或基于label编码方式所得的机具设备所属分支行类型。

在一个可能的设计中，所述至少一个机具环境特征信息包含有标准化的且基于one-hot编码方式所得的机具设备所属地区人均GDP、采用glove词嵌入编码技术进行编码的机具设备所属地区信息和/或基于one-hot编码方式所得的机具设备所属地区天气类型。

在一个可能的设计中，所述至少一个服务事项特征信息还包含有在对应历史单位时期的服务事项上线天数、整体业务增长率和/或基于label编码方式所得的服务事项所属业务类型。

在一个可能的设计中，所述机器学习算法采用基于支持向量机、K最邻近法、随机梯度下降法、多层感知机、决策树、反向传播神经网络或径向基函数网络的机器学习算法。

在一个可能的设计中，将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示，包括：

将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行预览输出展示；

响应在所述自助服务事项办理机具的人机交互界面上的人工操作，调整所述自助服务事项排序结果，得到自助服务事项排序新结果；

将所述自助服务事项排序新结果传送至所述自助服务事项办理机具进行最终输出展示，直到当前单位时期结束。

在一个可能的设计中，将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示，包括：

获取在所述自助服务事项办理机具的各个展示页面上的服务事项许可展示数目；

根据所述自助服务事项排序结果和所述各个展示页面的服务事项许可展示数目，依次确定所述各个展示页面的至少一个待展示自助服务事项；

针对所述各个展示页面，根据C位与点击次数特征预测值正相关原则，确定在对应的所述至少一个待展示自助服务事项中的各个待展示自助服务事项在对应展示页面的具体位置，并根据位置确定结果在对应展示页面呈现时展示所述各个待展示自助服务事项。

第二方面，提供了一种自助服务事项智能排序装置，包括有机具特征获取模块、事项特征获取模块、特征预处理模块、预测模型训练模块、预测模型应用模块、服务事项排序模块和排序结果展示模块；

所述机具特征获取模块，用于获取自助服务事项办理机具的且在最近连续M个历史单位时期的至少一个机具自身特征信息和至少一个机具环境特征信息，其中，M表示大于等于20的正整数；

所述事项特征获取模块，用于针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的至少一个服务事项特征信息，其中，所述至少一个服务事项特征信息包含有在对应历史单位时期的点击次数；

所述特征预处理模块，分别通信连接所述机具特征获取模块和所述事项特征获取模块，用于针对在所述最近连续M个历史单位时期中的各个历史单位时期，对所述自助服务事项办理机具的且在对应时期的所述至少一个机具自身特征信息和所述至少一个机具环境特征信息进行向量化及归一化处理，得到对应的至少一个机具自身特征值和至少一个机具环境特征值，以及还对所述各个自助服务事项的且在对应时期的所述至少一个服务事项特征信息进行向量化及归一化处理，得到对应的且所述各个自助服务事项的至少一个服务事项特征值，其中，所述至少一个机具自身特征值与所述至少一个机具自身特征信息一一对应，所述至少一个机具环境特征值与所述至少一个机具环境特征信息一一对应，所述至少一个服务事项特征值与所述至少一个服务事项特征信息一一对应并包含有点击次数特征值；

所述预测模型训练模块，通信连接所述特征预处理模块，用于针对所述各个自助服务事项，将各个在前历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述各个在前历史单位时期的且对应事项的所述至少一个服务事项特征值作为输入项，以及将各个在后历史单位时期的且对应事项的所述点击次数特征值作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到对应的在后单位时期点击次数特征值预测模型，其中，所述在前历史单位时期是指在所述最近连续M个历史单位时期中的连续N个非末尾单位时期，所述在后历史单位时期是指在所述最近连续M个历史单位时期中的且位于所述在前历史单位时期之后的下一个非首位单位时期，所述各个在前历史单位时期与所述各个在后历史单位时期一一对应，N表示小于等于M/5的正整数；

所述预测模型应用模块，分别通信连接所述特征预处理模块和所述预测模型训练模块，用于针对所述各个自助服务事项，将在所述最近连续M个历史单位时期中的最近连续N个历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述最近连续N个历史单位时期的且对应事项的所述至少一个服务事项特征值输入对应的所述在后单位时期点击次数特征值预测模型，输出得到对应的且在当前单位时期的点击次数特征预测值；

所述服务事项排序模块，通信连接所述预测模型应用模块，用于按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，得到自助服务事项排序结果；

所述排序结果展示模块，通信连接所述服务事项排序模块，用于将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示。

第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的自助服务事项智能排序方法。

第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的自助服务事项智能排序方法。

第五方面，本发明提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任意可能设计所述的自助服务事项智能排序方法。

上述方案的有益效果：

(1)本发明创造性提供了一种基于多维特征数据和人工智能模型对自助服务事项办理机具上所有自助服务事项进行动态排序的新方案，即先分别获取自助服务事项办理机具的且在最近连续M个历史单位时期的机具自身特征信息和机具环境特征信息，以及针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的服务事项特征信息，然后基于这些特征信息依次通过向量化及归一化处理、人工智能模型训练和预测模型应用，可得到所述各个自助服务事项在当前单位时期的点击次数特征预测值，然后按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，即可得到与服务群体当前服务需求匹配的自助服务事项排序结果并进行输出展示，如此可形成一个支持动态和多角度综合决策的智能排序方案，有效提高排序结果与服务群体的使用需求的匹配性，便于实际应用和推广；

(2)可具有自动特征抽取特点，并达成对多种特征进行有机融合的效果；

(3)可以智能结合地方实际业务发展水平、地方特色和人群特点等，实现不同机具展现不同金融服务事项排序结果，达到“一机一策”的效果，减少用户搜索相关金融服务事务的次数，提升用户群众办事效率和满意度；

(4)还可允许人工对所得智能排序结果进行规则重排调整，以适应多变的业务场景。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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获得其他的附图。

图1为本申请实施例提供的自助服务事项智能排序方法的流程示意图。

图2为本申请实施例提供的自助服务事项智能排序装置的结构示意图。

图3为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A或者同时存在A和B等两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

实施例：

如图1所示，本实施例第一方面提供的所述自助服务事项智能排序方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由平台服务器、自助服务事项办理机具、个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant，PDA)或可穿戴设备等电子设备执行。如图1所示，所述自助服务事项智能排序方法，可以但不限于包括有如下步骤S1～S7。

S1.获取自助服务事项办理机具的且在最近连续M个历史单位时期的至少一个机具自身特征信息和至少一个机具环境特征信息，其中，M表示大于等于20的正整数。

在所述步骤S1中，所述自助服务事项办理机具可以但不限于为用于提供金融服务事项自助办理功能的银行自助办理机具。所述单位时期可以但不限于具体是日、周、月、季度或年度等，例如获取在最近365天的所述至少一个机具自身特征信息和所述至少一个机具环境特征信息。具体的，当所述自助服务事项办理机具为所述银行自助办理机具时，所述至少一个机具自身特征信息包含但不限于有基于label编码方式(一种现有编码方式)所得的机具设备类型、基于one-hot编码方式(另一种现有编码方式)所得的机具设备接入分行、归一标准化的行员走访次数和/或基于label编码方式所得的机具设备所属分支行类型等；所述至少一个机具环境特征信息包含但不限于有标准化的且基于one-hot编码方式所得的机具设备所属地区人均GDP(Gross Domestic Product，国内生产总值)、采用glove词嵌入编码技术(一种现有编码技术)进行编码的机具设备所属地区信息和/或基于one-hot编码方式所得的机具设备所属地区天气类型等。此外，前述特征信息的具体获取方式为现有常规方式，例如从数据库中直接拉取通过银行内部信息填报系统上报的所述行员走访次数(因行员每次走访时都会填报)。

S2.针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的至少一个服务事项特征信息，其中，所述至少一个服务事项特征信息包含但不限于有在对应历史单位时期的点击次数等。

在所述步骤S2中，所述所有自助服务事项即为所述自助服务事项办理机具当前提供给服务群体的自助服务功能，其一般有数十甚至上百个。具体的，所述至少一个服务事项特征信息还包含但不限于有在对应历史单位时期的服务事项上线天数、整体业务增长率和/或基于label编码方式所得的服务事项所属业务类型等。此外，前述特征信息的具体获取方式同样为现有常规方式。

S3.针对在所述最近连续M个历史单位时期中的各个历史单位时期，对所述自助服务事项办理机具的且在对应时期的所述至少一个机具自身特征信息和所述至少一个机具环境特征信息进行向量化及归一化处理，得到对应的至少一个机具自身特征值和至少一个机具环境特征值，以及还对所述各个自助服务事项的且在对应时期的所述至少一个服务事项特征信息进行向量化及归一化处理，得到对应的且所述各个自助服务事项的至少一个服务事项特征值，其中，所述至少一个机具自身特征值与所述至少一个机具自身特征信息一一对应，所述至少一个机具环境特征值与所述至少一个机具环境特征信息一一对应，所述至少一个服务事项特征值与所述至少一个服务事项特征信息一一对应并包含有点击次数特征值。

在所述步骤S3中，前述进行向量化及归一化处理的目的是使处理后所得的特征值适合输入后续的人工智能模型，具体处理方式为现有常规方式。

S4.针对所述各个自助服务事项，将各个在前历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述各个在前历史单位时期的且对应事项的所述至少一个服务事项特征值作为输入项，以及将各个在后历史单位时期的且对应事项的所述点击次数特征值作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到对应的在后单位时期点击次数特征值预测模型，其中，所述在前历史单位时期是指在所述最近连续M个历史单位时期中的连续N个非末尾单位时期，所述在后历史单位时期是指在所述最近连续M个历史单位时期中的且位于所述在前历史单位时期之后的下一个非首位单位时期，所述各个在前历史单位时期与所述各个在后历史单位时期一一对应，N表示小于等于M/5的正整数。

在所述步骤S4中，举例的，若M＝365，单位时期为日，N＝7，当前单位时期为2023年9月22日，则可取2023年9月14日～20日为所述在前历史单位时期，取2023年9月21日为对应的所述在后历史单位时期；取2023年9月13日～19日为所述在前历史单位时期，取2023年9月20日为对应的所述在后历史单位时期；取2023年9月12日～18日为所述在前历史单位时期，取2023年9月19日为对应的所述在后历史单位时期，依次类推。所述机器学习算法是一种专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的人工智能核心算法，是使计算机具有智能的根本途径；具体的，所述机器学习算法优选采用基于支持向量机、K最邻近法、随机梯度下降法、多层感知机、决策树、反向传播神经网络或径向基函数网络等的机器学习算法，以便快速并准确地找出数据中的规律。所述率定验证建模的具体过程包括有模型的率定过程和校核过程，即是先通过对比模型模拟结果与实测数据，然后根据对比结果调整模型参数，使得模拟结果与实际吻合的过程，因此可以通过常规的率定验证建模方式，得到所述在后单位时期点击次数特征值预测模型。优选的，在所述人工智能模型的率定验证建模过程中，采用基于树结构的贝叶斯优化算法对模型参数进行调优。

S5.针对所述各个自助服务事项，将在所述最近连续M个历史单位时期中的最近连续N个历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述最近连续N个历史单位时期的且对应事项的所述至少一个服务事项特征值输入对应的所述在后单位时期点击次数特征值预测模型，输出得到对应的且在当前单位时期的点击次数特征预测值。

在所述步骤S5中，举例的，同样若M＝365，单位时期为日，N＝7，当前单位时期为2023年9月22日，则可取2023年9月15日～21日为所述最近连续N个历史单位时期(即作为一个与当前单位日期对应的所述在前历史单位时期)，以便预测得到在当前单位时期的点击次数特征预测值。

S6.按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，得到自助服务事项排序结果。

在所述步骤S6中，由于所述点击次数特征预测值可直接反映服务群体在所述当前单位日期对相应服务事项的预期服务需求，因此通过按照点击次数特征预测值从大到小顺序来依次排列所述所有自助服务事项，可得到与服务群体当前服务需求匹配的所述自助服务事项排序结果。

S7.将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示。

在所述步骤S7中，为了实现在所述自助服务事项办理机具的各个展示页面上突出展示当前具有更大服务需求的自助服务事项，优选的，将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示，包括但不限于有如下步骤S711～S713。

S711.获取在所述自助服务事项办理机具的各个展示页面上的服务事项许可展示数目。

在所述步骤S711中，在所述各个展示页面上的服务事项许可展示数目可具体根据对应页面的事项展示区面积大小而提前设定，例如首个展示页面许可展示9个服务事项，其余展示页面许可展示10个服务事项。

S712.根据所述自助服务事项排序结果和所述各个展示页面的服务事项许可展示数目，依次确定所述各个展示页面的至少一个待展示自助服务事项。

在所述步骤S712中，举例的，若所述自助服务事项排序结果依次排有自助服务事项1～56，则可以确定首个展示页面的所述至少一个待展示自助服务事项为自助服务事项1～9；第二个展示页面的所述至少一个待展示自助服务事项为自助服务事项10～19；第三个展示页面的所述至少一个待展示自助服务事项为自助服务事项20～29；第四个展示页面的所述至少一个待展示自助服务事项为自助服务事项30～39；第五个展示页面的所述至少一个待展示自助服务事项为自助服务事项40～49；第六个展示页面的所述至少一个待展示自助服务事项为自助服务事项50～56。

S713.针对所述各个展示页面，根据C位(即最中心位置)与点击次数特征预测值正相关原则，确定在对应的所述至少一个待展示自助服务事项中的各个待展示自助服务事项在对应展示页面的具体位置，并根据位置确定结果在对应展示页面呈现时展示所述各个待展示自助服务事项。

由此基于前述步骤S1～S7所描述的自助服务事项智能排序方法，提供了一种基于多维特征数据和人工智能模型对自助服务事项办理机具上所有自助服务事项进行动态排序的新方案，即先分别获取自助服务事项办理机具的且在最近连续M个历史单位时期的机具自身特征信息和机具环境特征信息，以及针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的服务事项特征信息，然后基于这些特征信息依次通过向量化及归一化处理、人工智能模型训练和预测模型应用，可得到所述各个自助服务事项在当前单位时期的点击次数特征预测值，然后按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，即可得到与服务群体当前服务需求匹配的自助服务事项排序结果并进行输出展示，如此可形成一个支持动态和多角度综合决策的智能排序方案，有效提高排序结果与服务群体的使用需求的匹配性，便于实际应用和推广。

本实施例在前述第一方面的技术方案基础上，还提供了一种如何响应人工操作来重排服务事项的可能设计一，即将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示，包括但不限于有如下步骤S721～S723。

S721.将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行预览输出展示。

S722.响应在所述自助服务事项办理机具的人机交互界面上的人工操作，调整所述自助服务事项排序结果，得到自助服务事项排序新结果。

S723.将所述自助服务事项排序新结果传送至所述自助服务事项办理机具进行最终输出展示，直到当前单位时期结束。

由此基于前述的可能设计一，还可允许人工对所得智能排序结果进行规则重排调整，以适应多变的业务场景。

如图2所示，本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法的虚拟装置，包括有机具特征获取模块、事项特征获取模块、特征预处理模块、预测模型训练模块、预测模型应用模块、服务事项排序模块和排序结果展示模块；

所述机具特征获取模块，用于获取自助服务事项办理机具的且在最近连续M个历史单位时期的至少一个机具自身特征信息和至少一个机具环境特征信息，其中，M表示大于等于20的正整数；

所述事项特征获取模块，用于针对在当前在线于所述自助服务事项办理机具的所有自助服务事项中的各个自助服务事项，获取对应的且在所述最近连续M个历史单位时期的至少一个服务事项特征信息，其中，所述至少一个服务事项特征信息包含有在对应历史单位时期的点击次数；

所述特征预处理模块，分别通信连接所述机具特征获取模块和所述事项特征获取模块，用于针对在所述最近连续M个历史单位时期中的各个历史单位时期，对所述自助服务事项办理机具的且在对应时期的所述至少一个机具自身特征信息和所述至少一个机具环境特征信息进行向量化及归一化处理，得到对应的至少一个机具自身特征值和至少一个机具环境特征值，以及还对所述各个自助服务事项的且在对应时期的所述至少一个服务事项特征信息进行向量化及归一化处理，得到对应的且所述各个自助服务事项的至少一个服务事项特征值，其中，所述至少一个机具自身特征值与所述至少一个机具自身特征信息一一对应，所述至少一个机具环境特征值与所述至少一个机具环境特征信息一一对应，所述至少一个服务事项特征值与所述至少一个服务事项特征信息一一对应并包含有点击次数特征值；

所述预测模型训练模块，通信连接所述特征预处理模块，用于针对所述各个自助服务事项，将各个在前历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述各个在前历史单位时期的且对应事项的所述至少一个服务事项特征值作为输入项，以及将各个在后历史单位时期的且对应事项的所述点击次数特征值作为输出项，对基于机器学习算法的人工智能模型进行率定验证建模，得到对应的在后单位时期点击次数特征值预测模型，其中，所述在前历史单位时期是指在所述最近连续M个历史单位时期中的连续N个非末尾单位时期，所述在后历史单位时期是指在所述最近连续M个历史单位时期中的且位于所述在前历史单位时期之后的下一个非首位单位时期，所述各个在前历史单位时期与所述各个在后历史单位时期一一对应，N表示小于等于M/5的正整数；

所述预测模型应用模块，分别通信连接所述特征预处理模块和所述预测模型训练模块，用于针对所述各个自助服务事项，将在所述最近连续M个历史单位时期中的最近连续N个历史单位时期的所述至少一个机具自身特征值和所述至少一个机具环境特征值以及所述最近连续N个历史单位时期的且对应事项的所述至少一个服务事项特征值输入对应的所述在后单位时期点击次数特征值预测模型，输出得到对应的且在当前单位时期的点击次数特征预测值；

所述服务事项排序模块，通信连接所述预测模型应用模块，用于按照点击次数特征预测值从大到小顺序依次排列所述所有自助服务事项，得到自助服务事项排序结果；

所述排序结果展示模块，通信连接所述服务事项排序模块，用于将所述自助服务事项排序结果传送至所述自助服务事项办理机具进行输出展示。

本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法，于此不再赘述。

如图3所示，本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法。具体举例的，所述存储器可以但不限于包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(FlashMemory)、先进先出存储器(First Input First Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。

本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法，于此不再赘述。

本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法，于此不再赘述。

本实施例第五方面提供了一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行如第一方面或第一方面中任一可能设计所述的自助服务事项智能排序方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。