网点业务分配方法、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，具体涉及一种网点业务分配方法、装置、计算机设备及存储介质。

背景技术

随着经济和科技的发展，银行业务从人工柜台逐渐转换为网点柜台，通过互联网技术实现业务的办理，但现有技术中，网点设备和人员单纯基于人群的密度进行规划配置，由于不同网点的业务量不同，使得网点业务和设备以及人员的配置并不匹配，部分网点设备和人员超负荷运营，另一部分设备闲置，银行每年都要花费大量的人力和物力对银行网点的设备和人员进行管理，无法实现精准的网点管理。

现有技术中，虽然根据网点的天气对网点的业务进行预测，但是仅仅通过天气这一单一数据，导致网点的业务预准确率较差。而由于无法准确的预测网点的业务量，则导致业务量的分配精度也较低。

发明内容

鉴于以上内容，有必要提出一种网点业务分配方法、装置、计算机设备及存储介质，能够准确的预测网点的业务量，提高业务量的分配精度。

本发明的第一方面提供一种网点业务分配方法，所述方法包括：

对各个网点的新闻文本进行业务需求事件抽取；

基于所述业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型；

获取所述业务需求分类模型的输出，得到各个网点的业务需求概率；

获取各个网点的环境信息，并调用预先训练的环境出行预测模型基于所述环境信息进行预测，得到各个网点的用户出行概率；

根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量；

根据各个网点的目标业务需求量进行网点业务分配。

在一个可选的实施例中，所述基于所述业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型包括：

对所述新闻文本进行分词并转化为词向量；

对所述词向量与对应的所述业务需求事件进行拼接得到文本描述；

输入所述文本描述至所述全连接神经网络中进行迭代训练；

获取当前层全连接层的多个神经元的输出，并根据所述当前层全连接层的多个神经元的输出确定所述当前层全连接层的神经元输出分布；

确定所述当前层全连接层的神经元输出分布中的极小值点；

以所述极小值点为分割点分割所述当前层全连接层的多个神经元为多个神经元组；

获取神经元输出分布服从高斯分布的神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述当前层的下一层全连接层的输入；

重复上述过程，直至迭代训练结束，得到业务需求分类模型。

在一个可选的实施例中，所述获取神经元输出分布服从高斯分布的神经元组包括：

以每个神经元组中的极大值点为分割点分割所述神经元组，得到左神经元子组和右神经元子组；

确定每个神经元组中的左神经元子组中的神经元的第一数量和右神经元子组的神经元的第二数量；

计算所述第一数量与对应的第二数量之间的数量差值；

判断所述差值是否小于预设差值阈值；

将小于所述预设差值阈值的目标差值对应的神经元组确定为服从高斯分布的神经元组。

在一个可选的实施例中，所述根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务量包括：

对各个网点的用户出行概率与预设的多个出行概率阈值范围进行比较；

当网点的用户出行概率对应预设的第一出行概率阈值范围时，采用第一校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率；

当网点的用户出行概率对应预设的第二出行概率阈值范围时，采用第二校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率，所述第一校正因子大于所述第二校正因子；

基于所述网点的目标业务需求概率及基础业务量计算所述网点的目标业务量。

在一个可选的实施例中，所述各个网点的新闻文本采用如下方式获取：

针对任意一个网点，爬取多个新闻文本；

针对每个新闻文本，采用命名实体识别技术识别所述新闻文本中的多个网点命名实体；

计算每一个新闻文本中的每一个网点命名实体的数量；

将数量最大的网点命名实体作为所述新闻文本描述的目标网点；

选取所述目标网点为所述网点对应的新闻文本。

在一个可选的实施例中，所述对各个网点的新闻文本进行业务需求事件抽取包括：

抽取所述新闻文本中的事件关键词；

判断所述事件关键词所依存的主体是否为所述网点；

当所述事件关键词所依存的主体为所述网点，则确定所述事件关键词为所述网点的业务需求事件。

在一个可选的实施例中，所述方法还包括：

获取各个网点的员工数量及每个员工的工作时长；

根据各个网点的目标业务需求量及员工数量和每个员工的工作时长生成排班调度表。

本发明的第二方面提供一种网点业务分配装置，所述装置包括：

抽取模块，用于对各个网点的新闻文本进行业务需求事件抽取；

训练模块，用于基于所述业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型；

输出模块，用于获取所述业务需求分类模型的输出，得到各个网点的业务需求概率；

预测模块，用于获取各个网点的环境信息，并调用预先训练的环境出行预测模型基于所述环境信息进行预测，得到各个网点的用户出行概率；

校正模块，用于根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量；

分配模块，用于根据各个网点的目标业务需求量进行网点业务分配。

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网点业务分配方法。

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网点业务分配方法。

综上所述，本发明所述的网点业务分配方法、装置、计算机设备及存储介质，首先对各个网点的新闻文本进行业务需求事件抽取，从而基于业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中对全连接神经网络进行分割并对分割后的全连接神经网络进行精简，由于对全连接神经网络进行了精简，使得全连接神经网络的神经元的数量减少了，神经元的数量的减少，能够提高全连接神经网络的计算速度，从而提高业务需求分类模型的训练效率，进而提高了各个网点的业务需求概率的分类效率；接着，调用环境出行预测模型基于各个网点的环境信息进行预测，得到各个网点的用户出行概率；根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量，结合了环境信息对各个网点的目标业务需求量进行了校正，使得各个网点的目标业务需求量更加准确，且符合实际应用；最后，根据各个网点的目标业务需求量进行网点业务分配，提高了业务量的分配精度和分配速度。

附图说明

图1是本发明实施例一提供的网点业务分配方法的流程图。

图2是本发明实施例二提供的网点业务分配装置的结构图。

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网点业务分配方法由计算机设备执行，相应地，网点业务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网点业务分配方法的流程图。所述网点业务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，对各个网点的新闻文本进行业务需求事件抽取。

计算机设备可以通过python爬虫技术从各个搜索网站爬取新闻文本。具体实施时，以每个网点的网点名称为搜索关键词进行新闻文本的爬取。

计算机设备在爬取了多个新闻文本之后，基于所述多个新闻文本对对应的网点的业务需求进行预测。

在一个可选的实施例中，所述各个网点的新闻文本采用如下方式获取：

针对任意一个网点，爬取多个新闻文本；

针对每个新闻文本，采用命名实体识别技术识别所述新闻文本中的多个网点命名实体；

计算每一个新闻文本中的每一个网点命名实体的数量；

将数量最大的网点命名实体作为所述新闻文本描述的目标网点；

选取所述目标网点为所述网点对应的新闻文本。

对爬取的任意一个新闻文本，采用命名实体识别技术识别所述任意一个新闻文本中的多个网点命名实体，计算每一个网点命名实体出现的数量；将数量最大的网点命名实体作为所述任意一篇新闻文本描述的网点名称。

计算机设备确定各个网点的标准化的网点名称及简化式的网点名称，并将标准化的网点名称及简化式的网点名称作为网点命名实体。

在一个可选的实施例中，所述对各个网点的新闻文本进行业务需求事件抽取包括：

抽取所述新闻文本中的事件关键词；

判断所述事件关键词所依存的主体是否为所述网点；

当所述事件关键词所依存的主体为所述网点，则确定所述事件关键词为所述网点的业务需求事件。

其中，事件关键词为预先设定的，例如，开户、转账、销户、理财等。基于这些事件关键词结合依存句法分析，判断该事件关键词所依存的主体是否为对应的网点名称，依存句法分析工具可以采用现有技术中的工具。如果该事件关键词所依存的主体为所述网点，则确定网点的业务需求事件就是所述事件关键词描述的网点事件；如果该事件关键词所依存的主体不为所述网点，则说明事件关键词不是在描述该网点的。

S12，基于所述业务需求对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型。

本实施例中可以选取全连接神经网络作为训练业务需求分类模型的网络框架。

所述全连接神经网络包括多层全连接层，上一层全连接层的输出作为下一层全连接的输入，下一层全连接层的输出作为下下层全连接层的输入。

为了提高对全连接神经网络的训练效率和训练效果，在每轮迭代训练的过程中，先判断所述全连接神经网络是否能够进行分割，确定任意一层全连接层能够进行分割时，对该任意一层全连接层进行分割，再判断分割后的全连接层是否能够精简，确定任意一层分割后的全连接层能够精简时，对该任意一层分割后的全连接层进行精简处理。

在一个可选的实施例中，所述基于所述业务需求对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型包括：

对所述新闻文本进行分词并转化为词向量；

对所述词向量与对应的所述业务需求事件进行拼接得到文本描述；

输入所述文本描述至所述全连接神经网络中进行迭代训练；

获取当前层全连接层的多个神经元的输出，并根据所述当前层全连接层的多个神经元的输出确定所述当前层全连接层的神经元输出分布；

确定所述当前层全连接层的神经元输出分布中的极小值点；

以所述极小值点为分割点分割所述当前层全连接层的多个神经元为多个神经元组；

获取神经元输出分布服从高斯分布的神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述当前层的下一层全连接层的输入；

重复上述过程，直至迭代训练结束，得到业务需求分类模型。

计算机设备可以采用结巴分词器对所述新闻文本进行分词，得到多个分词；可以采用word2vec将所述多个分词转化为词向量。

每一次在网点接收到某个业务需求事件之后的预设时间段内，如果该网点的业务需求发生变化，则将该业务需求事件定位为‘触发事件’并标注为第一标签，例如，1；如果该网点的业务需求未发生变化，则将该业务需求事件定位为‘非触发事件’并标注为第二标签，例如，0。将文本描述作为入模操作，根据所述第一标签或者第二标签对所述全连接神经网络中进行有监督的迭代训练。

示例性的，在第一轮迭代训练的过程中，输入所述文本描述至所述全连接神经网络中，获取第一层全连接层的多个神经元的输出，并根据所述第一层全连接层的多个神经元的输出确定所述第一层全连接层的神经元输出分布；确定所述第一层全连接层的神经元输出分布中的极小值点；以所述极小值点为分割点分割所述第一层全连接层的多个神经元为多个神经元组，获取神经元输出分布服从高斯分布的目标神经元组，获取目标神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述第二层全连接层的输入；获取所述第二层全连接层的多个神经元的输出，并根据所述第二层全连接层的多个神经元的输出确定所述第二层全连接层的神经元输出分布；确定所述第二层全连接层的神经元输出分布中的极小值点；以所述极小值点为分割点分割所述第二层全连接层的多个神经元为多个神经元组；获取目标神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述第三层全连接层的输入；以此类推；知道重复上述过程，直至所述全连接神经网络的最后一层，结束第一轮的迭代训练；按照第一轮的迭代训练的过程，开始第二轮的迭代训练过程；直到迭代训练的伦次大于预设次数阈值时，停止迭代训练，得到业务需求分类模型。

有多少个极小值点则有多少个分割点，得到的神经元组的数量比极小值点的数量多1。其中，所述神经元输出分布是指按照神经元的位置对多个神经元进行排序，并将排序后的多个神经元作为横轴，以排序后的多个神经元的输出作为纵轴所绘制的输出曲线图。

该可选的实施例中，根据极小值点为分割点对每一层全连接层进行分割，得到多个神经元组，使得每个神经元组中的神经元的输出类似于高斯分布，尤其是某一层全连接层的神经元输出分布中有多个极小值点时，进行分割后，得到的多个神经元组中必然存在至少一个神经元组的输出分布最接近或者服从高斯分布。接着，将服从于高斯分布的神经元组中的神经元进行精简处理，可减少该神经元组中神经元的数量，神经元的数量的减少，能够减少计算数量，从而提高全连接神经网络的训练效率。

在一个可选的实施例中，所述获取神经元输出分布服从高斯分布的神经元组包括：

以每个神经元组中的极大值点为分割点分割所述神经元组，得到左神经元子组和右神经元子组；

确定每个神经元组中的左神经元子组中的神经元的第一数量和右神经元子组的神经元的第二数量；

计算所述第一数量与对应的第二数量之间的数量差值；

判断所述差值是否小于预设差值阈值；

将小于所述预设差值阈值的目标差值对应的神经元组确定为服从高斯分布的神经元组。

该可选的实施例中，以极大值点为分割点分割神经元组，便于确定每个神经元组中的左神经元子组中的神经元的第一数量和右神经元子组的神经元的第二数量。当某神经元组中的所述第一数量与对应的第二数量之间的数量差值小于预设差值阈值时，表明该神经元组中的左神经元子组与右神经元子组的分布较为对称；当某神经元组中的所述第一数量与对应的第二数量之间的数量差值大于或者等于预设差值阈值时，表明该神经元组中的左神经元子组与右神经元子组的分布较为不对称。

通过极大值点分割神经元组并根据分割后的神经元子组的数量确定神经元组是否服从高斯分布，能够快速的确定出服从高斯分布的神经元组，从而能够快速的对服从高斯分布的神经元组进行精简处理。

S13，获取所述业务需求分类模型的输出，得到各个网点的业务需求概率。

在确定网点的业务需求事件后，将新闻文本及业务需求事件进行拼接，并将拼接后的文本作为训练数据输入到全连接神经网络中进行迭代训练，并在迭代训练结束之后，得到业务需求分类模型，同时业务需求分类模型输出一个结果。所述结果包括各个业务需求事件对应的概率。

S14，获取各个网点的环境信息，并调用预先训练的环境出行预测模型基于所述环境信息进行预测，得到各个网点的用户出行概率。

其中，所述环境信息包括天气。

计算机设备可以获取各个网点的历史环境信息，对应历史环境信息的各个网点的用户出行率，达到网点的用户与网点之间的距离。将各个网点的历史环境信息、用户与网点之间的距离作为训练数据，以用户出行率作为标签训练深度学习网络，得到环境出行预测模型。

其中，用户出行率的计算过程包括：获取实际到达网点的用户的第一数量；获取网点的预约用户的第二数量；计算所述第一数量与所述第二数量的比值，得到用户出行率。

实际应用时，获取各个网点的预约用户与网点之间的距离，将各个网点的环境信息及距离作为环境出行预测模型的输入数据，即可通过环境出行预测模型预测出各个网点的用户出行率。

S15，根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量。

由于业务需求概率是通过网点的业务需求预测得到的，是一个动态的不确定的过程，仅代表各个网点的业务需求趋势，而根据各个网络的环境信息预测得到的用户出行率能够在一定程度上表示各个网点当前的真实的业务量。因此，计算机设备可以根据各个网点的用户出行率对各个网点的业务需求概率进行校正。

在一个可选的实施例中，所述根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量包括：

对各个网点的用户出行概率与预设的多个出行概率阈值范围进行比较；

当网点的用户出行概率对应预设的第一出行概率阈值范围时，采用第一校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率；

当网点的用户出行概率对应预设的第二出行概率阈值范围时，采用第二校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率；

基于所述网点的目标业务需求概率及基础业务量计算所述网点的目标业务量。

其中，预设的多个出行概率阈值范围可以包括预设的第一出行概率阈值范围和预设的第二出行概率阈值范围，所述预设的第一出行概率阈值范围大于所述预设的第二出行概率阈值范围。

其中，第一校正因子大于第二校正因子。

当某个网点的用户出行概率对应预设的第一出行概率阈值范围时，表明该网点的预约用户将会较大的概率到达，那么以第一校正因子对网点的业务需求概率进行校正，得到的目标业务需求概率将会大于校正前的业务需求概率。

当某个网点的用户出行概率对应预设的第二出行概率阈值范围时，表明该网点的预约用户将会较小的概率到达，那么以第二校正因子对网点的业务需求概率进行校正，得到的目标业务需求概率将会小于校正前的业务需求概率。

该可选的实施例，根据各个网点的用户出行概率对各个网点的业务需求概率进行校正，能够对各个网点的目标业务量进行动态的调整，即结合机器学习模型及深度学习模型能够更加准确的预测出各个网点的业务需求量，便于对各个网点的网点业务进行精准分配。

S16，根据各个网点的目标业务需求量进行网点业务分配。

计算机设备根据各个网点的目标业务需求量为各个网点分配网点业务。

进一步的，所述方法还包括：

获取各个网点的员工数量及每个员工的工作时长；

根据各个网点的目标业务需求了及员工数量和每个员工的工作时长生成排班计划表。

计算机设备生成排班计划表，有助于各个网点提前排配好各个员工的工作时段，优化员工配置，提高员工的工作效率，进而提高业务处理效率。

本发明所述的网点业务分配方法，首先对各个网点的新闻文本进行业务需求事件抽取，从而基于业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中对全连接神经网络进行分割并对分割后的全连接神经网络进行精简，由于对全连接神经网络进行了精简，使得全连接神经网络的神经元的数量减少了，神经元的数量的减少，能够提高全连接神经网络的计算速度，从而提高业务需求分类模型的训练效率，进而提高了各个网点的业务需求概率的分类效率；接着，调用环境出行预测模型基于各个网点的环境信息进行预测，得到各个网点的用户出行概率；根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量，结合了环境信息对各个网点的目标业务需求量进行了校正，使得各个网点的目标业务需求量更加准确，且符合实际应用；最后，根据各个网点的目标业务需求量进行网点业务分配，提高了业务量的分配精度和分配速度。

需要强调的是，为进一步保证上述业务需求分类模型的私密性和安全性，上述业务需求分类模型可存储于区块链的节点中。

图2是本发明实施例二提供的网点业务分配装置的结构图。

在一些实施例中，所述网点业务分配装置20可以包括多个由计算机程序段所组成的功能模块。所述网点业务分配装置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)网点业务分配的功能。

本实施例中，所述网点业务分配装置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：抽取模块201、训练模块202、输出模块203、预测模块204、校正模块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。

所述抽取模块201，用于对各个网点的新闻文本进行业务需求事件抽取。

计算机设备可以通过python爬虫技术从各个搜索网站爬取新闻文本。具体实施时，以每个网点的网点名称为搜索关键词进行新闻文本的爬取。

计算机设备在爬取了多个新闻文本之后，基于所述多个新闻文本对对应的网点的业务需求进行预测。

在一个可选的实施例中，所述抽取模块201各个网点的新闻文本采用如下方式获取：

针对任意一个网点，爬取多个新闻文本；

针对每个新闻文本，采用命名实体识别技术识别所述新闻文本中的多个网点命名实体；

计算每一个新闻文本中的每一个网点命名实体的数量；

将数量最大的网点命名实体作为所述新闻文本描述的目标网点；

选取所述目标网点为所述网点对应的新闻文本。

对爬取的任意一个新闻文本，采用命名实体识别技术识别所述任意一个新闻文本中的多个网点命名实体，计算每一个网点命名实体出现的数量；将数量最大的网点命名实体作为所述任意一篇新闻文本描述的网点名称。

计算机设备确定各个网点的标准化的网点名称及简化式的网点名称，并将标准化的网点名称及简化式的网点名称作为网点命名实体。

在一个可选的实施例中，所述对各个网点的新闻文本进行业务需求事件抽取包括：

抽取所述新闻文本中的事件关键词；

判断所述事件关键词所依存的主体是否为所述网点；

当所述事件关键词所依存的主体为所述网点，则确定所述事件关键词为所述网点的业务需求事件。

其中，事件关键词为预先设定的，例如，开户、转账、销户、理财等。基于这些事件关键词结合依存句法分析，判断该事件关键词所依存的主体是否为对应的网点名称，依存句法分析工具可以采用现有技术中的工具。如果该事件关键词所依存的主体为所述网点，则确定网点的业务需求事件就是所述事件关键词描述的网点事件；如果该事件关键词所依存的主体不为所述网点，则说明事件关键词不是在描述该网点的。

所述训练模块202，用于基于所述业务需求对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型。

本实施例中可以选取全连接神经网络作为训练业务需求分类模型的网络框架。

所述全连接神经网络包括多层全连接层，上一层全连接层的输出作为下一层全连接的输入，下一层全连接层的输出作为下下层全连接层的输入。

为了提高对全连接神经网络的训练效率和训练效果，在每轮迭代训练的过程中，先判断所述全连接神经网络是否能够进行分割，确定任意一层全连接层能够进行分割时，对该任意一层全连接层进行分割，再判断分割后的全连接层是否能够精简，确定任意一层分割后的全连接层能够精简时，对该任意一层分割后的全连接层进行精简处理。

在一个可选的实施例中，所述训练模块202基于所述业务需求对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中，对所述全连接神经网络进行分割并对分割后的全连接神经网络进行精简，在迭代训练结束时，得到业务需求分类模型包括：

对所述新闻文本进行分词并转化为词向量；

对所述词向量与对应的所述业务需求事件进行拼接得到文本描述；

输入所述文本描述至所述全连接神经网络中进行迭代训练；

获取当前层全连接层的多个神经元的输出，并根据所述当前层全连接层的多个神经元的输出确定所述当前层全连接层的神经元输出分布；

确定所述当前层全连接层的神经元输出分布中的极小值点；

以所述极小值点为分割点分割所述当前层全连接层的多个神经元为多个神经元组；

获取神经元输出分布服从高斯分布的神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述当前层的下一层全连接层的输入；

重复上述过程，直至迭代训练结束，得到业务需求分类模型。

计算机设备可以采用结巴分词器对所述新闻文本进行分词，得到多个分词；可以采用word2vec将所述多个分词转化为词向量。

每一次在网点接收到某个业务需求事件之后的预设时间段内，如果该网点的业务需求发生变化，则将该业务需求事件定位为‘触发事件’并标注为第一标签，例如，1；如果该网点的业务需求未发生变化，则将该业务需求事件定位为‘非触发事件’并标注为第二标签，例如，0。将文本描述作为入模操作，根据所述第一标签或者第二标签对所述全连接神经网络中进行有监督的迭代训练。

示例性的，在第一轮迭代训练的过程中，输入所述文本描述至所述全连接神经网络中，获取第一层全连接层的多个神经元的输出，并根据所述第一层全连接层的多个神经元的输出确定所述第一层全连接层的神经元输出分布；确定所述第一层全连接层的神经元输出分布中的极小值点；以所述极小值点为分割点分割所述第一层全连接层的多个神经元为多个神经元组，获取神经元输出分布服从高斯分布的目标神经元组，获取目标神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述第二层全连接层的输入；获取所述第二层全连接层的多个神经元的输出，并根据所述第二层全连接层的多个神经元的输出确定所述第二层全连接层的神经元输出分布；确定所述第二层全连接层的神经元输出分布中的极小值点；以所述极小值点为分割点分割所述第二层全连接层的多个神经元为多个神经元组；获取目标神经元组中的相同输出，并将相同输出对应的两个神经元中的一个神经元进行删除，另一个神经元进行保留，将删除神经元后的输出作为所述第三层全连接层的输入；以此类推；知道重复上述过程，直至所述全连接神经网络的最后一层，结束第一轮的迭代训练；按照第一轮的迭代训练的过程，开始第二轮的迭代训练过程；直到迭代训练的伦次大于预设次数阈值时，停止迭代训练，得到业务需求分类模型。

有多少个极小值点则有多少个分割点，得到的神经元组的数量比极小值点的数量多1。其中，所述神经元输出分布是指按照神经元的位置对多个神经元进行排序，并将排序后的多个神经元作为横轴，以排序后的多个神经元的输出作为纵轴所绘制的输出曲线图。

该可选的实施例中，根据极小值点为分割点对每一层全连接层进行分割，得到多个神经元组，使得每个神经元组中的神经元的输出类似于高斯分布，尤其是某一层全连接层的神经元输出分布中有多个极小值点时，进行分割后，得到的多个神经元组中必然存在至少一个神经元组的输出分布最接近或者服从高斯分布。接着，将服从于高斯分布的神经元组中的神经元进行精简处理，可减少该神经元组中神经元的数量，神经元的数量的减少，能够减少计算数量，从而提高全连接神经网络的训练效率。

在一个可选的实施例中，所述获取神经元输出分布服从高斯分布的神经元组包括：

以每个神经元组中的极大值点为分割点分割所述神经元组，得到左神经元子组和右神经元子组；

确定每个神经元组中的左神经元子组中的神经元的第一数量和右神经元子组的神经元的第二数量；

计算所述第一数量与对应的第二数量之间的数量差值；

判断所述差值是否小于预设差值阈值；

将小于所述预设差值阈值的目标差值对应的神经元组确定为服从高斯分布的神经元组。

该可选的实施例中，以极大值点为分割点分割神经元组，便于确定每个神经元组中的左神经元子组中的神经元的第一数量和右神经元子组的神经元的第二数量。当某神经元组中的所述第一数量与对应的第二数量之间的数量差值小于预设差值阈值时，表明该神经元组中的左神经元子组与右神经元子组的分布较为对称；当某神经元组中的所述第一数量与对应的第二数量之间的数量差值大于或者等于预设差值阈值时，表明该神经元组中的左神经元子组与右神经元子组的分布较为不对称。

通过极大值点分割神经元组并根据分割后的神经元子组的数量确定神经元组是否服从高斯分布，能够快速的确定出服从高斯分布的神经元组，从而能够快速的对服从高斯分布的神经元组进行精简处理。

所述输出模块203，用于获取所述业务需求分类模型的输出，得到各个网点的业务需求概率。

在确定网点的业务需求事件后，将新闻文本及业务需求事件进行拼接，并将拼接后的文本作为训练数据输入到全连接神经网络中进行迭代训练，并在迭代训练结束之后，得到业务需求分类模型，同时业务需求分类模型输出一个结果。所述结果包括各个业务需求事件对应的概率。

所述预测模块204，用于获取各个网点的环境信息，并调用预先训练的环境出行预测模型基于所述环境信息进行预测，得到各个网点的用户出行概率。

其中，所述环境信息包括天气。

计算机设备可以获取各个网点的历史环境信息，对应历史环境信息的各个网点的用户出行率，达到网点的用户与网点之间的距离。将各个网点的历史环境信息、用户与网点之间的距离作为训练数据，以用户出行率作为标签训练深度学习网络，得到环境出行预测模型。

其中，用户出行率的计算过程包括：获取实际到达网点的用户的第一数量；获取网点的预约用户的第二数量；计算所述第一数量与所述第二数量的比值，得到用户出行率。

实际应用时，获取各个网点的预约用户与网点之间的距离，将各个网点的环境信息及距离作为环境出行预测模型的输入数据，即可通过环境出行预测模型预测出各个网点的用户出行率。

所述校正模块205，用于根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量。

由于业务需求概率是通过网点的业务需求预测得到的，是一个动态的不确定的过程，仅代表各个网点的业务需求趋势，而根据各个网络的环境信息预测得到的用户出行率能够在一定程度上表示各个网点当前的真实的业务量。因此，计算机设备可以根据各个网点的用户出行率对各个网点的业务需求概率进行校正。

在一个可选的实施例中，所述校正模块205根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量包括：

对各个网点的用户出行概率与预设的多个出行概率阈值范围进行比较；

当网点的用户出行概率对应预设的第一出行概率阈值范围时，采用第一校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率；

当网点的用户出行概率对应预设的第二出行概率阈值范围时，采用第二校正因子对所述网点的业务需求概率进行校正，得到所述网点的目标业务需求概率；

基于所述网点的目标业务需求概率及基础业务量计算所述网点的目标业务量。

其中，预设的多个出行概率阈值范围可以包括预设的第一出行概率阈值范围和预设的第二出行概率阈值范围，所述预设的第一出行概率阈值范围大于所述预设的第二出行概率阈值范围。

其中，第一校正因子大于第二校正因子。

当某个网点的用户出行概率对应预设的第一出行概率阈值范围时，表明该网点的预约用户将会较大的概率到达，那么以第一校正因子对网点的业务需求概率进行校正，得到的目标业务需求概率将会大于校正前的业务需求概率。

当某个网点的用户出行概率对应预设的第二出行概率阈值范围时，表明该网点的预约用户将会较小的概率到达，那么以第二校正因子对网点的业务需求概率进行校正，得到的目标业务需求概率将会小于校正前的业务需求概率。

该可选的实施例，根据各个网点的用户出行概率对各个网点的业务需求概率进行校正，能够对各个网点的目标业务量进行动态的调整，即结合机器学习模型及深度学习模型能够更加准确的预测出各个网点的业务需求量，便于对各个网点的网点业务进行精准分配。

所述分配模块206，用于根据各个网点的目标业务需求量进行网点业务分配。

计算机设备根据各个网点的目标业务需求量为各个网点分配网点业务。

进一步的，所述计算机设备还可以获取各个网点的员工数量及每个员工的工作时长；根据各个网点的目标业务需求了及员工数量和每个员工的工作时长生成排班计划表。

计算机设备生成排班计划表，有助于各个网点提前排配好各个员工的工作时段，优化员工配置，提高员工的工作效率，进而提高业务处理效率。

本发明所述的网点业务分配装置，首先对各个网点的新闻文本进行业务需求事件抽取，从而基于业务需求事件对全连接神经网络进行迭代训练，并在每轮迭代训练的过程中对全连接神经网络进行分割并对分割后的全连接神经网络进行精简，由于对全连接神经网络进行了精简，使得全连接神经网络的神经元的数量减少了，神经元的数量的减少，能够提高全连接神经网络的计算速度，从而提高业务需求分类模型的训练效率，进而提高了各个网点的业务需求概率的分类效率；接着，调用环境出行预测模型基于各个网点的环境信息进行预测，得到各个网点的用户出行概率；根据各个网点的用户出行概率校正对应网点的业务需求概率，得到各个网点的目标业务需求量，结合了环境信息对各个网点的目标业务需求量进行了校正，使得各个网点的目标业务需求量更加准确，且符合实际应用；最后，根据各个网点的目标业务需求量进行网点业务分配，提高了业务量的分配精度和分配速度。

需要强调的是，为进一步保证上述业务需求分类模型的私密性和安全性，上述业务需求分类模型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网点业务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-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，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网点业务分配方法的全部或者部分步骤；或者实现网点业务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。说明书中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。