资源分配方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能技术领域，具体涉及一种资源分配方法、装置、计算机设备及存储介质。

背景技术

随着企业信息化建设的加快，企业越来越意识到资源的重要性，对于一些表现较差的营业单位分配较少的资源，能够节约企业资源，从而将多余的资源分配给一些表现优秀的营业单位，为这些表现优秀的营业单位提供更多的机会。

现有资源分配系统，通过训练机器学习模型，使用机器学习模型基于营业单位的业绩数据来分配资源。如此，会导致一些综合服务能力强，但业绩数据低的营业单位，分配了较少的资源，因此，资源的分配的准确度较低；此外，仅基于业绩数据，还会产生资源分配不均衡的问题。

发明内容

鉴于以上内容，有必要提出一种资源分配方法、装置、计算机设备及存储介质，能够批量的对多个目标对象进行资源分配，资源分配效率高；且通过聚类为同一个目标对象簇中的目标对象分配相同的资源，解决了资源分配不均衡的问题。

本发明的第一方面提供一种资源分配方法，所述方法包括：

使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别；

根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵；

使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测，得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率；

根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵；

根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇；

根据所述多个目标对象簇为每个目标对象分配资源。

在一个可选的实施例中，所述根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵包括：

对于每个目标对象，获取同一个特征类别对应的多个数据；

将同一个特征类别对应的多个数据进行拼接得到特征类别数据向量；

根据多个特征类别对应的特征类别数据向量构建第一特征类别数据矩阵；

对所述第一特征类别数据矩阵分别进行横向归一化处理和纵向归一化处理得到第二特征类别数据矩阵。

在一个可选的实施例中，在得到所述第二特征类别数据矩阵之后，所述方法还包括：

计算所述第二特征类别数据矩阵中每个特征类别数据向量中的每个数据指标的权重；

根据所述权重更新对应的特征类别数据向量，得到第一特征类别数据向量；

基于所述第一特征类别数据向量中的数据提取多个交叉特征数据；

计算每个交叉特征数据与对应的第一特征类别数据向量中的每个数据指标的数据之间的相关性；

根据所述相关性筛选出多个目标交叉特征数据；

基于所述多个目标交叉特征数据更新对应的第一特征类别数据向量，得到第二特征类别数据向量；

基于每个目标对象的多个第二特征类别数据向量生成目标特征类别数据矩阵。

在一个可选的实施例中，所述根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵包括：

对于每个特征类别，获取对应的多个评价概率中的最大评价概率；

将所述多个评价概率中除所述最大评价概率外的评价概率设置为预设值；

根据每个特征类别对应的所述最大评价概率及多个所述预设值生成特征评价概率矩阵。

在一个可选的实施例中，所述根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇包括：

对多个所述特征评价概率矩阵进行聚类，得到多个特征评价概率矩阵簇；

确定每个特征评价概率矩阵簇中的特征评价概率矩阵对应的目标对象，得到目标对象簇。

在一个可选的实施例中，所述根据所述多个目标对象簇为每个目标对象分配资源包括：

计算每个目标对象簇对应的评价概率矩阵簇的平均评价概率矩阵；

根据所述平均评价概率矩阵计算评价分值；

根据所述评价分值对所述多个目标对象簇进行倒序排序；

为倒序排序后的多个目标对象簇中的目标对象分配对应的资源，其中，同一个目标对象簇中的目标对象分配相同的资源。

在一个可选的实施例中，所述根据所述平均评价概率矩阵计算评价分值包括：

计算每个目标对象簇的平均评价概率与对应的特征类别的特征类别权重之间的加权平均和，得到每个目标对象簇的评价分值。

本发明的第二方面提供一种资源分配装置，所述装置包括：

分类模块，用于使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别；

构建模块，用于根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵；

预测模块，用于使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测，得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率；

生成模块，用于根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵；

聚类模块，用于根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇；

分配模块，用于根据所述多个目标对象簇为每个目标对象分配资源。

本发明的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述资源分配方法。

本发明的第四方面提供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计算机程序，所述计算机程序被处理器执行时实现所述资源分配方法。

综上所述，本发明所述的资源分配方法、装置、计算机设备及存储介质，通过使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别，实现了多目标对象的数据表中的数据的特征类别的精确细分，从而根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵，构建出的特征类别数据矩阵，考虑目标企业的多个特征类别的数据之间的关联关系，则使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测时，能够得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率，由于数据表中的数据包括多个特征维度的数据，即综合衡量了多个特征维度的数据来计算目标对象的评价概率，因此，目标对象的评价概率准确度高，根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵，从而根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，即实现了对多个目标对象的聚类，最后根据所述多个目标对象簇为每个目标对象分配资源。本发明能够批量的对多个目标对象进行资源分配，资源分配效率高；且由于综合衡量了多个特征类别的数据，并基于每个特征类别的数据计算评价概率，对目标对象的评价更为全面，最后基于所有特征类别的评价概率为对象目标分配资源，资源分配的准确度更高；通过聚类为同一个目标对象簇中的目标对象分配相同的资源，解决了资源分配不均衡的问题。

附图说明

图1是本发明实施例一提供的资源分配方法的流程图。

图2是本发明实施例二提供的资源分配装置的结构图。

图3是本发明实施例三提供的计算机设备的结构示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

本发明实施例提供的资源分配方法由计算机设备执行，相应地，资源分配装置运行于计算机设备中。

图1是本发明实施例一提供的资源分配方法的流程图。所述资源分配方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别。

其中，所述目标对象可以是企业，也可以是企业中的营业单位，还可以是营业单位中的团队。示例性的，当目标对象为企业时，则根据多个企业在当前周期内的数据表预测出这多个企业在下个周期的评价等级。当目标对象为营业单位时，则根据多个营业单位在当前周期内的数据表预测出这多个企业在下个周期的评价等级。

其中，所述数据表中包括当前周期内的多个数据。可以以月为周期，季度为周期，还可以年为周期。

其中，所述特征分类模型为预先训练的用于对目标对象的多个数据进行特征分类的模型。计算机设备可以针对每一个特征类别获取多个历史数据，然后使用标注工具将每个历史数据标注上对应的特征类别，基于每个历史数据及对应的特征类别构建历史数据对，将多个所述历史数据对作为训练数据训练深度神经网络，得到特征分类模型。所述特征类别可以包括但不限于：业绩类别、行为类别及质量类别。

计算机设备调用所述特征分类模型对每个目标对象的数据表中的每个数据进行特征分类，得到每个数据的特征类别，进而得到每个目标对象对应的多个特征类别。示例性的，假设目标对象的数据表包括：客户满意度数据、增员量数据、到会次数数据、邀约人数数据、增长率数据及续保率数据，使用特征分类模型进行特征分类后，客户满意度数据和增员量数据分为质量类别，到会次数数据和邀约人数数据分为行为数据，增长率数据及续保率数据分为业绩类别。

S12，根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵。

每个目标对象对应一个数据表，每个数据表对应多个特征类别，每个特征类别对应多个数据，基于目标对象对应的多个特征类别及每个特征类别对应的多个数据构建多个特征类别数据向量，便于后续基于每个目标对象的多个特征类别数据向量进行评价类别预测。

在一个可选的实施例中，所述根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵包括：

对于每个目标对象，获取同一个特征类别对应的多个数据；

将同一个特征类别对应的多个数据进行拼接得到特征类别数据向量；

根据多个特征类别对应的特征类别数据向量构建第一特征类别数据矩阵；

对所述第一特征类别数据矩阵分别进行横向归一化处理和纵向归一化处理得到第二特征类别数据矩阵。

由于不同的特征类别的特征类别数据向量差异较大，为了便于后续使用多任务多输出预测模型进行快速预测时，在横向方向上对所述特征类别数据矩阵中的每一行进行归一化处理。而不同数据之间的差异也较大，为了进一步加快多任务多输出预测模型的预测，在纵向方向上对所述特征类别数据矩阵中的每一列进行归一化处理。

该可选的实施例中，对所述第一特征类别数据矩阵分别进行横向归一化处理和纵向归一化处理，得到第二特征类别数据矩阵，无论是在横向上，还是在纵向上，均具有统一的量纲，能够加快多任务多输出预测模型的预测效率。

在一个可选的实施例中，在得到所述第二特征类别数据矩阵之后，所述方法还包括：

计算所述第二特征类别数据矩阵中每个特征类别数据向量中的每个数据指标的权重；

根据所述权重更新对应的特征类别数据向量，得到第一特征类别数据向量；

基于所述第一特征类别数据向量中的数据提取多个交叉特征数据；

计算每个交叉特征数据与对应的第一特征类别数据向量中的每个数据指标的数据之间的相关性；

根据所述相关性筛选出多个目标交叉特征数据；

基于所述多个目标交叉特征数据更新对应的第一特征类别数据向量，得到第二特征类别数据向量；

基于每个目标对象的多个第二特征类别数据向量生成目标特征类别数据矩阵。

可以使用XGBOOST模型来计算特征类别数据向量中的每个数据指标的权重。每个特征类别数据向量中包括多个数据指标的数据，将每个数据指标的数据构建为一个指标数据向量，输入每个特征类别数据向量对应的多个指标数据向量输入XGBOOST模型中进行训练，通过XGBOOST模型即可计算出多个指标数据向量的权重，从而得到多个数据指标的权重。数据指标的权重越大，表明对应的数据对模型越起到正向作用，能够提升模型的预测准确度。数据指标的权重越小，表明对应的数据对模型越起到负向作用，降低模型的预测准确度。

可以获取每个特征类别数据向量中权重大于预设权重阈值的数据指标对应的数据，或者将权重进行倒序排序，获取倒序排序后的权重中前预设K个权重对应的数据指标的数据，从而剔除每个特征类别数据向量中权重小于或者等于预设权重阈值的数据指标对应的数据，实现了对每个特征类别数据向量中的更新。

可以使用注意因子分解机(Attentional Factorization Machine，AFM)或者多层感知机从所述第一特征类别数据向量中的数据中提取多个交叉特征数据，由于提取出的交叉特征数据即包括了低阶特征之间的交叉组合，又包括了高阶特征，因此，基于提取出的交叉特征数据具有更全面的特征表示，避免了特征的损失，因而基于交叉特征数据进行评价类别预测时，能够提高评价类别预测准确度，从而提高集成预测模型的预测准确率。

由于多个交叉特征数据中不一定全都是有利于模型预测的数据，因此，通过计算每两个交叉特征数据之间的相关性系数，来计算每两个交叉特征数据之间的相关性。保留相关性高的交叉特征数据，去掉相关性低的交叉特征数据，从而实现了对第一特征类别数据向量的更新。由于更新得到的第二特征类别数据向量中的交叉特征数据均是有利于提升模型预测准确度的数据，因而，根据每个目标对象的多个第二特征类别数据向量生成目标特征类别数据矩阵，并基于目标特征类别数据矩阵进行评价类别预测，能够进一步提高评价类别预测的准确度。

S13，使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测，得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率。

其中，所述多任务多输出预测模型为预先训练的用于输出每个目标对象的多个评价类别及每个评价类别对应的评价概率。

可以使用Bi-LSTM神经网络框架来训练多任务多输出预测模型，例如，获取每个任务对应的历史数据，将每个任务对应的历史数据分别输入Bi-LSTM神经网络框架中进行迭代训练，获取每次迭代训练输出的多个任务的预测任务标识，计算多个任务的预测任务标识与多个任务的实际任务标识之间的残差，通过不断减小迭代训练产生的残差来达到训练的目标的。其中，所述任务可以是质量任务，业绩任务，行为任务，质量任务可以对应良好中差四个任务标识，业绩任务可以对应良好中差四个任务标识，行为任务可以对应良好中差四个任务标识。

将每个目标对象的多个特征类别数据向量输入所述多任务多输出预测模型中进行预测，得到每个目标对象的每个特征类别对应的多个评价类别及每个评价类别对应的评价概率。示例性的，输入目标对象的质量特征类别数据向量、业绩特征类别数据向量及行为特征类别数据向量至所述多任务多输出预测模型中，通过所述多任务多输出预测模型输出：质量特征类别对应的良好中差评价类别及良好中差评价类别的评价概率、业绩特征类别对应的良好中差评价类别及良好中差评价类别的评价概率、行为特征类别对应的良好中差评价类别及良好中差评价类别的评价概率。

S14，根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵。

将目标对象的多个特征类别及对应的特征类别评价概率构建为特征评价概率矩阵。

特征评价概率矩阵中的每一行对应一个特征类别，每一行元素值对应该特征类别下的评价类别概率，特征评价概率矩阵中的每一列对应一个评价类别，每一列元素值对应该评价类别下的不同特征类别的评价类别概率。

在一个可选的实施例中，所述根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵包括：

对于每个特征类别，获取对应的多个评价概率中的最大评价概率；

将所述多个评价概率中除所述最大评价概率外的评价概率设置为预设值；

根据每个特征类别对应的所述最大评价概率及多个所述预设值生成特征评价概率矩阵。

其中，所述预设值可以为0。

示例性的，如下表所示：

其中，Ti表示为第i个特征类别，Pi表示第i个评价类别；X1表示第1个特征类别的最大评价概率，最大评价概率对应评价类别P1；X2表示第2个特征类别的最大评价概率，最大评价概率对应评价类别P2；X3表示第3个特征类别的最大评价概率，最大评价概率对应评价类别P4。

该可选的实施例中，通过保留每个特征类别下的最大评价概率，并将对应的其他评价概率设置为0，能够简化每个目标对象的特征评价概率矩阵，从而有助于根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类时，能够快速的得到多个目标对象簇，进而提高计算目标对象的评价等级的效率。

S15，根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇。

如对评价概率矩阵进行简化处理后，可根据多个特征评价概率矩阵对所述多个目标对象进行聚类。

在一个可选的实施例中，所述根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇包括：

对多个所述特征评价概率矩阵进行聚类，得到多个特征评价概率矩阵簇；

确定每个特征评价概率矩阵簇中的特征评价概率矩阵对应的目标对象，得到目标对象簇。

可以使用K-means聚类算法对多个特征评价概率矩阵进行聚类分析，得到多个特征评价概率矩阵簇，每个特征评价概率矩阵簇中包括若干个特征评价概率矩阵。

每个特征评价概率矩阵对应一个目标对象，根据特征评价概率矩阵簇中的特征评价概率矩阵确定对应的目标对象，实现了对目标对象的聚类，从而根据聚类后的目标对象簇确定出每个目标对象的评价等级。

该可选的实施例中，通过对所述多个特征评价概率矩阵进行聚类，实现了对多个目标对象的精准聚类，将具有相同评价等级的目标对象聚为同一类，将具有不同评价等级的用户聚为不同的类。

S16，根据所述多个目标对象簇为每个目标对象分配资源。

计算每个目标对象簇的评价等级，将目标对象簇的评价等级确定为该目标对象簇中所有目标对象的评价等级。

在一个可选的实施例中，所述根据所述多个目标对象簇为每个目标对象分配资源包括：

计算每个目标对象簇对应的评价概率矩阵簇的平均评价概率矩阵；

根据所述平均评价概率矩阵计算评价分值；

根据所述评价分值对所述多个目标对象簇进行倒序排序；

为倒序排序后的多个目标对象簇中的目标对象分配对应的资源。

每个目标对象簇对应一个评价概率矩阵簇，每个评价概率矩阵簇包括若干个评价概率矩阵，所述若干个评价概率矩阵的大小相同，将若干个评价概率矩阵中具有相同位置处的元素值进行累加，再除以评价概率矩阵的个数，即可得到对应位置处的平均评价概率，从而得到平均评价概率矩阵。

在计算每个目标对象簇的平均评价概率矩阵之后，根据预设特征类别权重，计算平均评价概率与对应的特征类别的特征类别权重之间的加权平均和，得到每个目标对象簇的评价分值。

评价分值越高，表明对应的目标对象簇的综合服务能力越强，评价分值越低，表明对应的目标对象簇的综合服务能力越差。对评价分值进行倒序排序，从而实现了将多个目标对象簇进行倒序排序。倒序排序后，排在前面的目标对象簇的综合服务能力越强，则分配较多的资源，排在后面的目标对象簇的综合服务能力越差，则分配较少的资源。同一个目标对象簇中的目标对象分配相同的资源。

综上所述，通过使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别，实现了多目标对象的数据表中的数据的特征类别的精确细分，从而根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵，构建出的特征类别数据矩阵，考虑目标企业的多个特征类别的数据之间的关联关系，则使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测时，能够得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率，由于数据表中的数据包括多个特征维度的数据，即综合衡量了多个特征维度的数据来计算目标对象的评价概率，因此，目标对象的评价概率准确度高，根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵，从而根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，即实现了对多个目标对象的聚类，最后根据所述多个目标对象簇为每个目标对象分配资源。

本发明能够批量的对多个目标对象进行资源分配，资源分配效率高；且由于综合衡量了多个特征类别的数据，并基于每个特征类别的数据计算评价概率，对目标对象的评价更为全面，最后基于所有特征类别的评价概率为对象目标分配资源，资源分配的准确度更高；通过聚类为同一个目标对象簇中的目标对象分配相同的资源，解决了资源分配不均衡的问题。

需要强调的是，为进一步保证上述多个数据表的私密性和安全性，上述多个数据表可存储于区块链的节点中。

图2是本发明实施例二提供的资源分配装置的结构图。

在一些实施例中，所述资源分配装置20可以包括多个由计算机程序段所组成的功能模块。所述资源分配装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)资源分配的功能。

本实施例中，所述资源分配装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：分类模块201、构建模块202、预测模块203、生成模块204、聚类模块205及分配模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述分类模块201，用于使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别。

其中，所述目标对象可以是企业，也可以是企业中的营业单位，还可以是营业单位中的团队。示例性的，当目标对象为企业时，则根据多个企业在当前周期内的数据表预测出这多个企业在下个周期的评价等级。当目标对象为营业单位时，则根据多个营业单位在当前周期内的数据表预测出这多个企业在下个周期的评价等级。

其中，所述数据表中包括当前周期内的多个数据。可以以月为周期，季度为周期，还可以年为周期。

其中，所述特征分类模型为预先训练的用于对目标对象的多个数据进行特征分类的模型。计算机设备可以针对每一个特征类别获取多个历史数据，然后使用标注工具将每个历史数据标注上对应的特征类别，基于每个历史数据及对应的特征类别构建历史数据对，将多个所述历史数据对作为训练数据训练深度神经网络，得到特征分类模型。所述特征类别可以包括但不限于：业绩类别、行为类别及质量类别。

计算机设备调用所述特征分类模型对每个目标对象的数据表中的每个数据进行特征分类，得到每个数据的特征类别，进而得到每个目标对象对应的多个特征类别。示例性的，假设目标对象的数据表包括：客户满意度数据、增员量数据、到会次数数据、邀约人数数据、增长率数据及续保率数据，使用特征分类模型进行特征分类后，客户满意度数据和增员量数据分为质量类别，到会次数数据和邀约人数数据分为行为数据，增长率数据及续保率数据分为业绩类别。

所述构建模块202，用于根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵。

每个目标对象对应一个数据表，每个数据表对应多个特征类别，每个特征类别对应多个数据，基于目标对象对应的多个特征类别及每个特征类别对应的多个数据构建多个特征类别数据向量，便于后续基于每个目标对象的多个特征类别数据向量进行评价类别预测。

在一个可选的实施例中，所述构建模块202根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵包括：

对于每个目标对象，获取同一个特征类别对应的多个数据；

将同一个特征类别对应的多个数据进行拼接得到特征类别数据向量；

根据多个特征类别对应的特征类别数据向量构建第一特征类别数据矩阵；

对所述第一特征类别数据矩阵分别进行横向归一化处理和纵向归一化处理得到第二特征类别数据矩阵。

由于不同的特征类别的特征类别数据向量差异较大，为了便于后续使用多任务多输出预测模型进行快速预测时，在横向方向上对所述特征类别数据矩阵中的每一行进行归一化处理。而不同数据之间的差异也较大，为了进一步加快多任务多输出预测模型的预测，在纵向方向上对所述特征类别数据矩阵中的每一列进行归一化处理。

该可选的实施例中，对所述第一特征类别数据矩阵分别进行横向归一化处理和纵向归一化处理，得到第二特征类别数据矩阵，无论是在横向上，还是在纵向上，均具有统一的量纲，能够加快多任务多输出预测模型的预测效率。

在一个可选的实施例中，在得到所述第二特征类别数据矩阵之后，所述方法还包括：

计算所述第二特征类别数据矩阵中每个特征类别数据向量中的每个数据指标的权重；

根据所述权重更新对应的特征类别数据向量，得到第一特征类别数据向量；

基于所述第一特征类别数据向量中的数据提取多个交叉特征数据；

计算每个交叉特征数据与对应的第一特征类别数据向量中的每个数据指标的数据之间的相关性；

根据所述相关性筛选出多个目标交叉特征数据；

基于所述多个目标交叉特征数据更新对应的第一特征类别数据向量，得到第二特征类别数据向量；

基于每个目标对象的多个第二特征类别数据向量生成目标特征类别数据矩阵。

可以使用XGBOOST模型来计算特征类别数据向量中的每个数据指标的权重。每个特征类别数据向量中包括多个数据指标的数据，将每个数据指标的数据构建为一个指标数据向量，输入每个特征类别数据向量对应的多个指标数据向量输入XGBOOST模型中进行训练，通过XGBOOST模型即可计算出多个指标数据向量的权重，从而得到多个数据指标的权重。数据指标的权重越大，表明对应的数据对模型越起到正向作用，能够提升模型的预测准确度。数据指标的权重越小，表明对应的数据对模型越起到负向作用，降低模型的预测准确度。

可以获取每个特征类别数据向量中权重大于预设权重阈值的数据指标对应的数据，或者将权重进行倒序排序，获取倒序排序后的权重中前预设K个权重对应的数据指标的数据，从而剔除每个特征类别数据向量中权重小于或者等于预设权重阈值的数据指标对应的数据，实现了对每个特征类别数据向量中的更新。

可以使用注意因子分解机(Attentional Factorization Machine，AFM)或者多层感知机从所述第一特征类别数据向量中的数据中提取多个交叉特征数据，由于提取出的交叉特征数据即包括了低阶特征之间的交叉组合，又包括了高阶特征，因此，基于提取出的交叉特征数据具有更全面的特征表示，避免了特征的损失，因而基于交叉特征数据进行评价类别预测时，能够提高评价类别预测准确度，从而提高集成预测模型的预测准确率。

由于多个交叉特征数据中不一定全都是有利于模型预测的数据，因此，通过计算每两个交叉特征数据之间的相关性系数，来计算每两个交叉特征数据之间的相关性。保留相关性高的交叉特征数据，去掉相关性低的交叉特征数据，从而实现了对第一特征类别数据向量的更新。由于更新得到的第二特征类别数据向量中的交叉特征数据均是有利于提升模型预测准确度的数据，因而，根据每个目标对象的多个第二特征类别数据向量生成目标特征类别数据矩阵，并基于目标特征类别数据矩阵进行评价类别预测，能够进一步提高评价类别预测的准确度。

所述预测模块203，用于使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测，得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率。

其中，所述多任务多输出预测模型为预先训练的用于输出每个目标对象的多个评价类别及每个评价类别对应的评价概率。

可以使用Bi-LSTM神经网络框架来训练多任务多输出预测模型，例如，获取每个任务对应的历史数据，将每个任务对应的历史数据分别输入Bi-LSTM神经网络框架中进行迭代训练，获取每次迭代训练输出的多个任务的预测任务标识，计算多个任务的预测任务标识与多个任务的实际任务标识之间的残差，通过不断减小迭代训练产生的残差来达到训练的目标的。其中，所述任务可以是质量任务，业绩任务，行为任务，质量任务可以对应良好中差四个任务标识，业绩任务可以对应良好中差四个任务标识，行为任务可以对应良好中差四个任务标识。

将每个目标对象的多个特征类别数据向量输入所述多任务多输出预测模型中进行预测，得到每个目标对象的每个特征类别对应的多个评价类别及每个评价类别对应的评价概率。示例性的，输入目标对象的质量特征类别数据向量、业绩特征类别数据向量及行为特征类别数据向量至所述多任务多输出预测模型中，通过所述多任务多输出预测模型输出：质量特征类别对应的良好中差评价类别及良好中差评价类别的评价概率、业绩特征类别对应的良好中差评价类别及良好中差评价类别的评价概率、行为特征类别对应的良好中差评价类别及良好中差评价类别的评价概率。

所述生成模块204，用于根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵。

将目标对象的多个特征类别及对应的特征类别评价概率构建为特征评价概率矩阵。

特征评价概率矩阵中的每一行对应一个特征类别，每一行元素值对应该特征类别下的评价类别概率，特征评价概率矩阵中的每一列对应一个评价类别，每一列元素值对应该评价类别下的不同特征类别的评价类别概率。

在一个可选的实施例中，所述生成模块204根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵包括：

对于每个特征类别，获取对应的多个评价概率中的最大评价概率；

将所述多个评价概率中除所述最大评价概率外的评价概率设置为预设值；

根据每个特征类别对应的所述最大评价概率及多个所述预设值生成特征评价概率矩阵。

其中，所述预设值可以为0。示例性的，如下表所示：

其中，Ti表示为第i个特征类别，Pi表示第i个评价类别；X1表示第1个特征类别的最大评价概率，最大评价概率对应评价类别P1；X2表示第2个特征类别的最大评价概率，最大评价概率对应评价类别P2；X3表示第3个特征类别的最大评价概率，最大评价概率对应评价类别P4。

该可选的实施例中，通过保留每个特征类别下的最大评价概率，并将对应的其他评价概率设置为0，能够简化每个目标对象的特征评价概率矩阵，从而有助于根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类时，能够快速的得到多个目标对象簇，进而提高计算目标对象的评价等级的效率。

所述聚类模块205，用于根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇。

如对评价概率矩阵进行简化处理后，可根据多个特征评价概率矩阵对所述多个目标对象进行聚类。

在一个可选的实施例中，所述聚类模块205根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，得到多个目标对象簇包括：

对多个所述特征评价概率矩阵进行聚类，得到多个特征评价概率矩阵簇；

确定每个特征评价概率矩阵簇中的特征评价概率矩阵对应的目标对象，得到目标对象簇。

可以使用K-means聚类算法对多个特征评价概率矩阵进行聚类分析，得到多个特征评价概率矩阵簇，每个特征评价概率矩阵簇中包括若干个特征评价概率矩阵。

每个特征评价概率矩阵对应一个目标对象，根据特征评价概率矩阵簇中的特征评价概率矩阵确定对应的目标对象，实现了对目标对象的聚类，从而根据聚类后的目标对象簇确定出每个目标对象的评价等级。

该可选的实施例中，通过对所述多个特征评价概率矩阵进行聚类，实现了对多个目标对象的精准聚类，将具有相同评价等级的目标对象聚为同一类，将具有不同评价等级的用户聚为不同的类。

所述分配模块206，用于根据所述多个目标对象簇为每个目标对象分配资源。

计算每个目标对象簇的评价等级，将目标对象簇的评价等级确定为该目标对象簇中所有目标对象的评价等级。

在一个可选的实施例中，所述分配模块206根据所述多个目标对象簇为每个目标对象分配资源包括：

计算每个目标对象簇对应的评价概率矩阵簇的平均评价概率矩阵；

根据所述平均评价概率矩阵计算评价分值；

根据所述评价分值对所述多个目标对象簇进行倒序排序；

为倒序排序后的多个目标对象簇中的目标对象分配对应的资源。

每个目标对象簇对应一个评价概率矩阵簇，每个评价概率矩阵簇包括若干个评价概率矩阵，所述若干个评价概率矩阵的大小相同，将若干个评价概率矩阵中具有相同位置处的元素值进行累加，再除以评价概率矩阵的个数，即可得到对应位置处的平均评价概率，从而得到平均评价概率矩阵。

在计算每个目标对象簇的平均评价概率矩阵之后，根据预设特征类别权重，计算平均评价概率与对应的特征类别的特征类别权重之间的加权平均和，得到每个目标对象簇的评价分值。

评价分值越高，表明对应的目标对象簇的综合服务能力越强，评价分值越低，表明对应的目标对象簇的综合服务能力越差。对评价分值进行倒序排序，从而实现了将多个目标对象簇进行倒序排序。倒序排序后，排在前面的目标对象簇的综合服务能力越强，则分配较多的资源，排在后面的目标对象簇的综合服务能力越差，则分配较少的资源。同一个目标对象簇中的目标对象分配相同的资源。

综上所述，通过使用特征分类模型对多个目标对象的数据表中的数据进行特征分类，得到每个数据表对应的多个特征类别，实现了多目标对象的数据表中的数据的特征类别的精确细分，从而根据每个数据表对应的多个特征类别为对应的目标对象构建特征类别数据矩阵，构建出的特征类别数据矩阵，考虑目标企业的多个特征类别的数据之间的关联关系，则使用多任务多输出预测模型基于每个目标对象的特征类别数据矩阵进行预测时，能够得到每个目标对象对应的多个评价类别及每个评价类别对应的评价概率，由于数据表中的数据包括多个特征维度的数据，即综合衡量了多个特征维度的数据来计算目标对象的评价概率，因此，目标对象的评价概率准确度高，根据每个目标对象的多个特征类别及每个评价类别对应的评价概率生成特征评价概率矩阵，从而根据多个所述特征评价概率矩阵对所述多个目标对象进行聚类，即实现了对多个目标对象的聚类，最后根据所述多个目标对象簇为每个目标对象分配资源。

本发明能够批量的对多个目标对象进行资源分配，资源分配效率高；且由于综合衡量了多个特征类别的数据，并基于每个特征类别的数据计算评价概率，对目标对象的评价更为全面，最后基于所有特征类别的评价概率为对象目标分配资源，资源分配的准确度更高；通过聚类为同一个目标对象簇中的目标对象分配相同的资源，解决了资源分配不均衡的问题。

需要强调的是，为进一步保证上述多个数据表的私密性和安全性，上述多个数据表可存储于区块链的节点中。

参阅图3所示，为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的资源分配方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的资源分配方法的全部或者部分步骤；或者实现资源分配装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。