面签方式分配方法、装置、设备及存储介质与流程

1.本技术属于数据处理领域，尤其涉及一种面签方式分配方法、装置、设备及存储介质。


背景技术：

2.随着互联网技术和金融科技技术的发展，传统的线下业务办理已经难以满足客户的服务需求，因此线上业务办理成为了一大发展趋势。
3.一些金融业务的办理需要进行面签，面签可分为线上面签和线下面签。线上面签可为利用音视频通话技术实现的远程面签。线下面签为需要用户亲自前往金融机构进行的面签。现阶段，用户需要通过人工客户引导或页面引导选择等方式选择线上面签或线下面签，使得用户申请面签花费的时间较长，使得面签申请的效率较低。


技术实现要素：

4.本技术实施例提供一种面签方式分配方法、装置、设备及存储介质，能够提高面签申请的效率。
5.第一方面，本技术实施例提供一种面签方式分配方法，包括：响应于接收的面签申请消息，根据获取的面签申请用户的用户基本数据和业务相关数据，得到模型输入数据，面签申请消息是服务提供方设备响应于面签申请用户的用户终端的面签申请发送的；将模型输入数据输入预先训练得到的面签决策模型，得到与面签申请用户对应的输出结果，输出结果用于表征面签申请用户适用的面签方式，面签方式包括线上面签或线下面签，面签决策模型根据多个样本用户的第一样本数据利用多维度分类算法训练得到，第一样本数据包括样本用户基本数据、样本业务相关数据和期望面签方式；根据输出结果，为面签申请用户分配与输出结果对应的面签方式。
6.第二方面，本技术实施例提供一种面签方式分配装置，包括：数据获取模块，用于响应于接收的面签申请消息，根据获取的面签申请用户的用户基本数据和业务相关数据，得到模型输入数据，面签申请消息是服务提供方设备响应于面签申请用户的用户终端的面签申请发送的；数据处理模块，用于将模型输入数据输入预先训练得到的面签决策模型，得到与面签申请用户对应的输出结果，输出结果用于表征面签申请用户适用的面签方式，面签方式包括线上面签或线下面签，面签决策模型根据多个样本用户的第一样本数据利用多维度分类算法训练得到，第一样本数据包括样本用户基本数据、样本业务相关数据和期望面签方式；面签方式分配模块，用于根据输出结果，为面签申请用户分配与输出结果对应的面签方式。
7.第三方面，本技术实施例提供一种面签方式分配设备，包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面的面签方式分配方法。
8.第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质上
存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面的面签方式分配方法。
9.本技术实施例提供一种面签方式分配方法、装置、设备及存储介质，可利用面签申请用户的用户基本数据、业务相关数据以及面签决策模型，使面签决策模型输出可用于表征面签申请用户适用的面签方式的输出结果。根据该输出结果为面签申请用户分配线上面签或线下面签。面签决策模型是根据多个样本用户的第一样本数据利用多维度分类算法训练得到的，因此能够利用面签决策模式实现为面签申请用户分配面签方式的自动化，缩短了用户申请面签所花费的时间，从而提高面签申请的效率。
附图说明
10.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
11.图1为本技术实施例提供的面签方式分配方法的应用场景的一示例的示意图；
12.图2为本技术提供的面签方式分配方法的一实施例的流程图；
13.图3为本技术提供的面签方式分配方法的另一实施例的流程图；
14.图4为本技术提供的面签方式分配方法的又一实施例的流程图；
15.图5为本技术提供的面签方式分配方法的再一实施例的流程图；
16.图6为本技术提供的面签方式分配装置的一实施例的流程图；
17.图7为本技术提供的面签方式分配装置的另一实施例的结构示意图；
18.图8为本技术提供的面签方式分配装置的又一实施例的结构示意图；
19.图9为本技术提供的面签方式分配装置的再一实施例的结构示意图；
20.图10为本技术提供的面签方式分配设备的一实施例的结构示意图。
具体实施方式
21.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
22.随着互联网技术和金融科技技术的发展，传统的线下业务办理已经难以满足客户的服务需求，因此线上业务办理成为了一大发展趋势。一些金融业务的办理需要进行面签，面签可分为线上面签和线下面签。线上面签可为利用音视频通话技术实现的远程面签。线下面签为需要用户亲自前往金融机构进行的面签。用户在进行面签申请的过程中，需要根据人工的客户引导或者页面引导选择等方式选择线上面签或线下面签。但上述过程用户操作较为繁琐，花费时间较长，使得面签申请的效率较低。
23.本技术实施例提供一种面签方式分配方法、装置、设备及存储介质，可在用户申请面签的情况下，获取该用户的用户基本数据和业务相关数据，利用该用户的用户基本数据和业务相关数据，以及预先训练得到的面签决策模型，自动得到该用户的面签方式判定分
数。根据面签方式判定分数即可自动为该用户分配具体的面签方式，减少了用户的操作，也缩短了面签申请流程所需要的时间，进而提高了面签申请的效率。
24.本技术实施例中的面签方式分配方法涉及用户终端、服务提供方设备和面签方式分配设备。图1为本技术实施例提供的面签方式分配方法的应用场景的一示例的示意图。如图1所示，用户终端11可向服务提供方设备12发起面签申请，服务提供方设备12可向面签方式分配设备13提供数据。
25.用户终端11可作为渠道方，为用户提供服务入口。用户终端11可用于向用户输出数据及展示页面，管理用户操作流程，进行用户指引等，在此并不限定。用户终端11可向服务提供方设备12发起面签申请的请求。用户的用户终端可包括手机、计算机、平板电脑等，在此并不限定。在一些示例中，用户也可通过其他方式，如电话或前往服务提供方的所在地提出面签申请等，在此并不限定。
26.服务提供方具体可为银行等可为用户11提供业务服务的业务机构。服务提供方设备12为服务提供方的设备，可接收、处理用户终端11的申请，进行资质审核以及其他信息处理的操作。服务提供方设备12可向面签方式分配设备13提供数据。服务提供方设备具体可为服务器或其他设备，在此并不限定。
27.面签方式分配设备13可承担业务的信息转接及综合核验的职责。可接收服务提供方发起的面签申请消息，根据服务提供方设备12提供的数据、自身预先存储的数据以及预先训练得到的面签决策模型为用户分配面签方式，完成面签申请用户意愿确认、身份验证、面签授权等流程。
28.下面依次介绍面签方式分配方法、装置、设备及存储介质的具体内容。
29.本技术第一方面提供一种面签方式分配方法，可应用于面签方式分配装置或面签方式分配设备，即该面签方式分配方法可由面签方式分配装置或面签方式分配设备执行。图2为本技术提供的面签方式分配方法的一实施例的流程图。如图2所示，该面签方式分配方法可包括步骤s201至步骤s203。
30.在步骤s201中，响应于接收的面签申请消息，根据获取的面签申请用户的用户基本数据和业务相关数据，得到模型输入数据。
31.面签申请消息是服务提供方设备响应于面签申请用户的用户终端的面签申请发送的。服务提供方、服务提供方设备、用户终端等的相关内容可参见上述相关说明，在此不再赘述。
32.面签申请用户为提出面签申请的用户。用户基本数据为用户的基本个人信息数据。业务相关数据为用户的与业务相关的信息数据。在一些示例中，用户基本数据和业务相关数据可以由服务提供方设备和面签方式分配设备共同提供，但并并不限于此，还可由其他方面的设备提供，如征信机构的设备等。
33.在获取到面签申请用户的用户基本数据和业务相关数据后，可对用户基本数据和业务相关数据进行清洗，可筛除其中的失效数据，以提高用户基本数据和业务相关数据的准确性和可靠性。
34.服务提供方设备以及其他方面的设备可将用户基本数据和业务相关数据生成批量文件，通过批量文件的方式传输至面签方式分配设备，以使面签方式分配设备获取到用户基本数据和业务相关数据。在一些示例中，服务提供方设备以及其他方面的设备可对用
户基本数据和业务相关数据进行加密、脱敏的处理，将加密、脱敏等处理后的用户基本数据和业务相关数据通过文件传输协议(file transfer protocol，ftp)加密的专线传输至面签方式分配设备，以保证用户基本数据和业务相关数据的安全性。
35.在一些示例中，可直接将用户基本数据和业务相关数据作为模型输入数据输入面签决策模型。
36.在另一些示例中，可将清洗后的用户基本数据和业务相关数据作为模型输入数据输入面签决策模型。
37.在又一些示例中，可按照预设的分类规则集合，对用户基本数据和业务相关数据分类，根据分类后的用户基本数据和业务相关数据所在的类别，生成模型输入数据，并输入面签决策模型。分类规则集合包括多个分类规则，分类规则用于对用户基本数据和业务相关数据分类。分类规则的类型在此并不限定。一些分类规则为普通规则，可由如果、那么、否则三个部分构成；一些分类规则为循环规则，循环规则可包括具有循环迭代关系的若干个如果、那么、否则构成的普通规则。例如，普通规则包括如果用户的用户年龄小于30岁，那么用户分为第一类，否则用户分为第二类。又例如，循环规则包括如果用户的用户年龄小于30岁，那么用户分为第一类，否则判断用户的用户征信信息指示的信用等级是否为高等级，如果用户的用户征信信息指示的信用等级为高等级，那么用户分为第二类，否则用户分为第三类。
38.在一些情况下，分类规则指示的类别具有属性标签。面签方式分配设备还可根据用户基本数据和业务相关数据所在的类别的属性标签，得到面签申请用户的用户画像。面签申请用户的用户画像可包括该面签申请用户的用户基本数据和业务相关数据所在的类别的属性标签。面签分配设备可根据用户画像，在预设的问卷题库中获取与用户画像匹配的问题，生成与面签申请用户匹配的业务问卷。与面签申请用户匹配的业务问卷包括与用户画像匹配的问题。该业务问卷可在面签过程中提供给面签申请用户。
39.例如，用户基本数据包括用户年龄、用户性别，业务相关数据包括用户征信信息。分类规则将用户年龄小于40岁分为一类，对应的属性标签为中青年；分类规则将用户年龄大于等于40岁分为一类，对应的属性标签为中老年。分类规则将用户性别为女分为一类，对应的属性标签为女性；分类规则将用户性别为男分为一类，对应的属性标签为男性。分类规则将用户征信信息指示的信用等级为高信用等级分为一类，对应的属性标签为信用达标；分类规则将用户征信信息指示的信用等级为低信用等级分为一类，对应的属性标签为信用未达标。用户a的用户年龄为41岁，用户性别为女，用户征信信息指示的信用等级为高信用等级，则该用户a的用户画像为信用达标的中老年女性。可为用户a生成与信用达标的中老年女性相匹配的业务问卷。
40.在一些示例中，上述用户基本数据可包括但不限于以下一项或两项以上：用户卡号、用户姓名、用户性别、用户年龄、用户证件号、用户出生日期、用户职业信息、用户住宅信息。
41.在一些示例中，上述业务相关数据包括但不限于以下一项或两项以上：用户卡所属机构、用户卡消费时间、用户卡消费地址、用户卡消费渠道、用户业务类型、用户征信信息。
42.例如，在用户使用的卡为银行卡的情况下，用户卡所属机构可为用户的银行卡所
属的银行，用户卡消费时间可为用户的银行卡参与的消费的时间，用户卡消费地址可为用户的银行卡参与消费的地址，用户卡消费渠道可为用户的银行卡参与消费所采用的渠道，用户业务类型为用户进行面签申请所属的业务的类型，用户征信信息为用户的征信信息。
43.在步骤s202中，将模型输入数据输入预先训练得到的面签决策模型，得到与面签申请用户对应的输出结果。
44.面签决策模型根据多个样本用户的第一样本数据利用多维度分类算法训练得到。
45.第一样本数据包括样本用户基本数据、样本业务相关数据和期望面签方式。第一样本数据为用于训练面签决策模型所使用的样本数据。样本用户基本数据为作为样本的用户基本数据即样本用户的用户基本数据。样本业务相关数据为作为样本的业务相关数据即样本用户的业务相关数据。期望面签方式为样本用户选择的面签方式即符合样本用户意愿的面签方式。
46.在一些示例中，可直接利用第一样本数据训练得到面签决策模型。
47.在另一些示例中，可按照分类规则集合，对第一样本数据中的样本用户基本数据和样本业务相关数据分类，根据分类后的样本用户基本数据和样本业务相关数据分类所在的类别，生成样本数据主体，利用样本数据主体训练得到面签决策模型。这里的分类规则集合可与上述实施例中用于对用户基本数据和业务相关数据分类的分类规则集合一致，在此不再赘述。
48.在一些示例中，样本用户基本数据可包括但不限于以下一项或两项以上：样本用户卡号、样本用户姓名、样本用户性别、样本用户年龄、样本用户证件号、样本用户出生日期、样本用户职业信息、样本用户住宅信息。
49.样本用户卡号为作为样本的用户卡号即样本用户的卡号，样本用户姓名为作为样本的用户姓名即样本用户的姓名，样本用户性别为作为样本的用户性别即样本用户的性别，样本用户年龄为作为样本的用户年龄即样本用户的年龄，样本用户证件号为作为样本的用户证件号即样本用户的证件号，样本用户出生日期为作为样本的用户出生日期即样本用户的出生日期，样样本用户职业信息为作为样本的用户职业信息即样本用户的职业信息，样本用户住宅信息为作为样本的用户住宅信息即样本用户的住宅信息。
50.在一些示例中，样本业务相关数据可包括但不限于以下一项或两项以上：样本用户卡所属机构、样本用户卡消费时间、样本用户卡消费地址、样本用户卡消费渠道、样本用户业务类型、样本用户征信信息。
51.样本用户卡所属机构为作为样本的用户卡所属机构即样本用户的卡的所属机构，样本用户卡消费时间为作为样本的用户卡消费时间即样本用户的卡参与消费的时间，样本用户卡消费地址为作为样本的用户卡消费地址即样本用户的卡参与消费的地址，样本用户卡消费渠道为作为样本的用户卡消费渠道即样本用户的卡参与消费的渠道，卡样本用户业务类型为作为样本的用户业务类型即样本用户进行面签申请所属的业务的类型，样本用户征信信息为作为样本的用户征信信息即样本用户的征信信息。
52.每种用户基本数据可视为一个维度的数据，每种业务相关数据可视为一个维度的数据。多维度分类算法为利用不同维度数据进行分类的算法，在此并不限定。例如，多维度分类算法可包括贝叶斯决策算法、xgboost算法、决策树算法、随机森林算法等，在此并不限定。
53.模型输入数据输入面签决策模型，面签决策模型输出与该模型输入数据对应的输出结果。输出结果用于表征面签申请用户使用的面签方式。面签方式包括线上面签或线下面签。
54.在一些示例中，输出结果可包括面签方式或表征面签方式的标识。例如，输出结果为0，表示线上面签；输出结果为1，表示线下面签。
55.在另一些示例中，输出结果可包括面签方式判定分数，面签方式判定分数可表征线上面签或线下面签对面签申请用户的适用度，在一定程度上也可表征面签用户对线上面签或线下面签的倾向。
56.在步骤s203中，根据所述输出结果，为面签申请用户分配与输出结果对应的面签方式。
57.输出结果表征面签申请用户更适用于线上面签，则为面签申请用户分配线上面签。输出结果表征面签申请用户更适用于线下面签，则为面签申请用户分配线下面签。
58.在本技术实施例中，可利用面签申请用户的用户基本数据、业务相关数据以及面签决策模型，使面签决策模型输出可用于表征面签申请用户适用的面签方式的输出结果。根据该输出结果为面签申请用户分配线上面签或线下面签。面签决策模型是根据多个样本用户的第一样本数据利用多维度分类算法训练得到的，因此能够利用面签决策模式实现为面签申请用户分配面签方式的自动化，缩短了用户申请面签所花费的时间，从而提高面签申请的效率。而且，本技术实施例中不需用户通过人工客户引导或页面选择等方式选择线上面签或线下面签，简化了用户操作，提高了用户体验。
59.在一些实施例中，输出结果可包括面签方式判定分数。图3为本技术提供的面签方式分配方法的另一实施例的流程图。图3与图2的不同之处在于，图2中的步骤s203可具体细化为图3中的步骤s2031和步骤s2032。
60.在步骤s2031中，在面签方式判定分数位于第一阈值范围内的情况下，为面签申请用户分配线上面签。
61.在步骤s2032中，在面签方式判定分数位于第二阈值范围内的情况下，为面签申请用户分配线下面签。
62.第一阈值范围与第二阈值范围的交集为空集。在本技术实施例中并不限定第一阈值范围与第二阈值范围的大小位置关系。
63.在一些示例中，第一阈值范围的上限值可小于第二阈值范围的下限值，即位于第一阈值范围内的面签方式判定分数小于位于第二阈值范围内的面签方式判定分数。例如，可设置目标阈值，第一阈值范围为小于目标阈值的范围，第二阈值范围为大于等于目标阈值的范围，即若面签方式判定分数小于目标阈值，为该面签申请用户分配线上面签，若面签方式判定分数大于等于目标阈值，为该面签申请用户分配线下面签。
64.在另一些示例中，第一阈值范围的下限值可大于第二阈值范围的上限值，即位于第一阈值范围内的面签方式判定分数大于位于第二阈值范围内的面签方式判定分数。例如，可设置目标阈值，第一阈值范围为大于等于目标阈值的范围，第二阈值范围为小于目标阈值的范围，即若面签方式判定分数小于目标阈值，为该面签申请用户分配线下面签，若面签方式判定分数大于等于目标阈值，为该面签申请用户分配线上面签。
65.为了便于理解，这里以面签决策模型是利用决策树算法训练得到，且第一阈值范
围的下限值可大于第二阈值范围的上限值为例对为面签申请用户分配线上面签或线下面签为例进行说明。决策树的生成算法可包括id3算法、c4.5算法和c5.0算法等，在此并不限定。
66.决策树的每个节点标识一种数据的分类，每一个分支可表示一个分类判断的输出，分支的叶节点表示分类结果。在本技术实施例中，利用决策树可得到的决策结果为线上面签或线下面签两类。例如，决策树的第一层节点可以使用用户基本信息中的用户年龄作为分类的依据，决策树的第二层节点可以使用用户基本信息中的用户职业信息作为分类的依据，决策树的第三层节点可以使用业务相关数据中的用户征信信息作为分类的依据；划分至用户年龄在30至50岁之间的第一层节点，用户职业信息表征为企业家、股东等经济活动丰富的职业的第二层节点且用户征信信息表征信用较高的第三层节点的面签申请用户对应的面签方式判定分数位于第一阈值范围，为该面签申请用户分配线上面签；划分至用户年龄在20岁以下的第一层节点，用户执业信息表征为刚入职的应届生、教师、公务员等社会经济关系相对稳定、简单的职业的第二层节点且用户征信信息表征信用中等的第三层节点的面签申请用户对应的面签方式判定分数位于第二阈值范围，为该面签申请用户分配线下面签。又例如，决策树的第一层节点可使用业务相关数据中的用户业务类型作为分类的依据，用户业务类型为i类账户开户业务的面签申请用户，为该面签申请用户分配线下面签。
67.在上述实施例利用面签决策模型为面签申请用户分配面签方式之前，需要先训练得到该面签决策模型。图4为本技术提供的面签方式分配方法的又一实施例的流程图。图4与图2的不同之处在于，图4所示的面签方式分配方法还可包括步骤s204和步骤s205。
68.在步骤s204中，获取多个样本用户的第一样本数据。
69.第一样本数据为用于训练面签决策模型的样本数据。第一样本数据可从数据提供方获取。具体地，数据提供方的设备可向面签方式分配设备上传数据以作为第一样本数据。数据提供方可包括服务提供方、其他机构等，在此并不限定。
70.在步骤s205中，基于第一样本数据，利用多维度分类算法，训练得到面签决策模型。
71.训练得到的面签决策模型的模型参数使第一事件出现的概率最大。第一事件包括第一样本数据输入面签决策模型，面签决策模型输出的面签方式判定分数对应的面签方式与期望面签方式一致。第一样本数据包括多维度的各项数据，能够使训练得到的面签决策模型在多维度上因素的作用下，输出与输入对应的面签方式。
72.在一些示例中，多个样本用户的第一样本数据可以从单一的数据提供方获取得到。
73.在另一些示例中，多个样本用户的第一样本数据也可从n个数据提供方获取得到，n为大于1的整数。
74.具体地，可先从每个数据提供方提供的多个样本用户的第一样本数据中筛选出目标样本用户的第一目标样本数据；针对每个数据提供方提供的目标样本用户的第一目标样本数据，利用多维度分类算法，训练得到中间模型；对每个数据提供方对应的中间模型的模型参数进行聚合，得到整合模型参数；利用整合模型参数更新中间模型，得到面签决策模型。
75.为了能够得到通用且准确度高的面签决策模型，可利用多个数据提供方提供的样本用户的第一样本数据来得到面签决策模型。为了便于学习，可在第一样本数据中筛选出至少部分用户的至少部分数据来进行模型训练，但不排除第一样本数据筛选后并未筛除数据的情况。目标样本用户为样本用户中筛选出的用户。第一目标样本数据为第一样本数据中筛选出的第一样本数据。如何筛选可根据不同数据提供方提供的样本用户的关系以及第一样本数据的关系确定，在此并不确定。
76.在一些示例中，在n个数据提供方提供的样本用户的重合率低于或等于第一重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率高于或等于第二重合率阈值的情况下，目标样本用户包括第一类样本用户和第二类目标样本用户，第一目标样本数据包括第一类样本数据。
77.第一类样本用户包括n个数据提供方提供的相同的样本用户。第二类样本用户包括n个数据提供方提供的不同的样本用户。例如，n＝2，第1个数据提供方提供样本用户a的第一样本数据和样本用户b的第一样本数据，第2个数据提供方提供样本用户a的第一样本数据和样本用户c的第一样本数据，则样本用户a为第一类样本用户，样本用户b和样本用户c为第二类样本用户。
78.第一类样本数据包括n个数据提供方提供的种类相同的第一样本数据。第二类样本数据包括n个数据提供方提供的种类不同的第一样本数据。例如，n＝2，第1个数据提供方提供样本用户的样本用户年龄和样本用户职业信息，第2个数据提供方提供样本用户的样本用户年龄和样本用户卡所属机构，则样本用户年龄为第一类样本数据，样本用户职业信息和样本用户卡所属机构为第二类样本数据。
79.第一重合率阈值为用于判定n个数据提供方提供的样本用户的重合度是否低的阈值，可根据场景、需求、经验等确定，在此并不限定。第二重合率阈值为用于判定n个数据提供方提供的第一样本数据的重合度是否高的阈值，可根据场景、需求、经验等确定，在此并不限定。n个数据提供方提供的样本用户的重合率低于或等于第一重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率高于或等于第二重合率阈值，表示n个数据提供方提供的样本用户的重合度低且n个数据提供方提供的第一样本数据的种类的重合度高。例如，不同地区的相同银行的样本用户群体的业务特征相似即第一样本数据的种类相似，但样本用户不同。在这种情况下，可按照用户维度对第一样本数据进行筛选，选取第一样本数据的种类相同而样本用户不完全相同的第一样本数据参与面签决策模型的训练。
80.具体地，可针对每个数据提供方提供的目标样本用户的第一目标样本数据，利用多维度分类算法，可训练得到每个数据提供方各自对应的中间模型。不同的中间模型的模型参数可能不同。可获取各数据提供方对应的中间模型的模型参数，并对各数据提供方对应的中间模型的模型参数进行聚合，得到聚合模型参数。利用聚合模型参数更新各数据提供方对应的中间模型，更新后的中间模型可作为面签决策模型。
81.在一些情况下，各数据提供方可从面签方式分配设备下载共有模型，由各数据提供方根据自身提供的目标样本用户的第一目标样本数据，利用多维度分类算法，得到自身对应的中间模型的模型参数。各数据提供方将各自对应的中间模型的模型参数加密梯度上传至面签方式分配设备，由面签方式分配设备对各数据提供方对应的中间模型的模型参数进行聚合，得到聚合模型参数，并将聚合模型参数下发给各数据提供方，以使数据提供方对
中间模型更新得到面签决策模型。
82.在另一些情况下，面签方式分配设备可根据各数据提供方提供的目标样本用户的第一目标样本数据，利用多维度分类算法，训练得到各数据提供方对应的中间模型，再对各数据提供方对应的中间模型的模型参数进行聚合，得到聚合模型参数，以利用聚合模型参数更新中间模型，得到面签决策模型。
83.在另一些示例中，在n个数据提供方提供的样本用户的重合率高于第三重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率低于第四重合率阈值的情况下，目标样本用户包括第一类样本用户，第一目标样本数据包括第一类样本数据和第二类样本数据。
84.第一类样本用户、第一类样本数据和第二类样本数据的具体内容可参见上述示例中的相关说明，在此不再赘述。
85.第三重合率阈值为用于判定n个数据提供方提供的样本用户的重合度是否高的阈值，可根据场景、需求、经验等确定，在此并不限定。第三重合率阈值与第一重合率阈值可相同，也可不同，在此并不限定。第四重合率阈值为用于判定n个数据提供方提供的第一样本数据的重合度是否低的阈值，可根据场景、需求、经验等确定，在此并不限定。第四重合率阈值与第二重合率阈值可相同，也可不同，在此并不限定。n个数据提供方提供的样本用户的重合率高于第三重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率低于第四重合率阈值，表示n个数据提供方提供的样本用户的重合度高且n个数据提供方提供的第一样本数据的种类的重合度低。例如，同一样本用户持有多家银行信用卡，不同银行的信用卡的业务特征不同即第一样本数据的种类不同，但样本用户相同。在这种情况下，可按照第一样本数据的种类的维度对第一样本数据进行筛选，选取样本用户相同而第一样本数据的种类不完全相同的第一样本数据参与面签决策模型的训练。
86.可将各数据提供方提供的第一类样本用户的第一类样本数据和第二类样本数据聚合，利用多维度算法，训练得到面签决策模型。
87.在一些实施例中，在为面签申请用户分配线上面签的情况下，还可对该面签申请用户进行风险评估，以进一步为面签申请用户分配合适的面签服务模式。图5为本技术提供的面签方式分配方法的再一实施例的流程图。图5与图2的不同之处在于，图5所示的面签方式分配方法还可包括步骤s206和步骤s207。
88.在步骤s206中，在为面签申请用户分配线上面签的情况下，将用户基本数据和业务相关数据输入风险评级模型，得到面签申请用户的风险等级。
89.面签申请用户的风险等级用于指示面签申请用户的风险高低。风险评级模型可根据多个样本用户的第二样本数据训练得到。第二样本数据包括样本用户基本数据、样本业务相关数据和已知风险等级。样本用户基本数据和样本业务相关数据的具体内容可参见上述实施例中的相关说明，在此不再赘述。已知风险等级为样本用户已确定的风险等级。将面签申请用户的用户基本数据和业务相关数据输入利用样本用户的第二样本数据训练得到的风险评估模型，该风险评估模型可输出该面签申请用户对应的风险等级。风险评级模型的训练方法可参考上述实施例中的面签决策模型的训练方法，在此不再赘述。
90.在步骤s207中，根据面签申请用户的风险等级，为面签申请用户分配面签服务模式。
91.面签服务模式指示由自助机器客服和/或人工客服进行面签服务。其中，人工客服的安全性和可靠性要高于自助机器客服的安全性和可靠性。面签申请用户的风险等级指示的风险越高，需要为该面签申请用户分配安全性和可靠性越高的面签服务模式。
92.在一些示例中，风险等级包括第一风险等级、第二风险等级和第三风险等级。第一风险等级表征的风险高于第二风险等级表征的风险，第二风险等级表征的风险高于第三风险等级表征的风险。
93.第一风险等级对应的面签服务模式指示由人工客服进行面签服务。第二风险等级对应的面签服务模式指示由自助机器客服和人工客服进行面签服务。第三风险等级对应的面签服务模式指示由自助机器客服进行面签服务。
94.例如，面签申请用户进行信用卡申卡及开卡业务，通过面签决策模型，为该面签申请用户分配线上面签，以及，通过风险评级模型，为该面签申请用户分配自助机器客服和人工客服共同进行面签服务，由人工客服审核，自助机器客服辅助询问。自助机器客服和面签申请用户进行对话，问询面签申请用户问题并自动反馈；人工客服参与自助机器客服的问询过程，实时观测视频通话窗口的面签申请用户的在线状态，在必要环节切换人工客服进行问询；在视频通话窗口进行电子协议签约，录制面签申请用户的签字轨迹，人工客服在视频通话窗口审核确认结果。该信用卡申卡及开卡业务全流程无断点，面签申请用户的面签效率提高，从而提高了整个业务流程的效率。
95.又例如，面签申请用户进行贷款业务，通过面签决策模型，为该面签申请用户分配线上面签，以及，通过风险评级模型，为该面签申请用户分配自助机器客服和人工客服共同进行面签服务。面签申请用户在面签前，银行审批贷款已经通过，面签申请用户可利用用户终端扫描动态二维码进入面签小程序进行面签。由自助机器客服审核，人工客服辅助确认。自助机器客服和面签申请用户进行基本业务问询和反馈，成功通过问询后，进行电子协议签约；在电子签约过程中人工客服介入辅助审核结果。
96.还例如，面签申请用户进行理财购买业务，通过面签决策模型，为该面签申请用户分配线上面签，以及，通过风险评级模型，为该面签申请用户分配自助机器客服服务，由自助机器客服审核。自助机器客服和面签申请用户进行本人身份核实和风险测评问询。如果在视频交互阶段自助机器客服和面签申请用户的沟通失败次数超出沟通失败阈值，则转为人工客服接入。
97.高风险的面签申请用户的业务由人工客服进行面签，能够避免风险，提高面签的安全性和可靠性。中风险的面签申请用户的业务由自助机器客服与人工客服共同进行面签，人工客服可在发现风险时及时中止面签流程，以提高面签的安全性和可靠性。低风险的面签申请用户的业务由自助机器客服进行面签，能够释放人力资源，加快面签流程。
98.本技术第二方面提供了一种面签方式分配装置。图6为本技术提供的面签方式分配装置的一实施例的流程图。如图6所示，该面签方式分配装置300可包括数据获取模块301、数据处理模块302和面签方式分配模块303。
99.数据获取模块301可用于响应于接收的面签申请消息，根据获取的面签申请用户的用户基本数据和业务相关数据，得到模型输入数据。
100.面签申请消息是服务提供方设备响应于面签申请用户的用户终端的面签申请发送的。
101.在一些示例中，用户基本数据包括以下一项或两项以上：用户卡号、用户姓名、用户性别、用户年龄、用户证件号、用户出生日期、用户职业信息、用户住宅信息。
102.在一些示例中，业务相关数据包括以下一项或两项以上：用户卡所属机构、用户卡消费时间、用户卡消费地址、用户卡消费渠道、用户业务类型、用户征信信息。
103.数据处理模块302可用于将模型输入数据输入预先训练得到的面签决策模型，得到与面签申请用户对应的输出结果。
104.输出结果用于表征面签申请用户适用的面签方式。面签方式包括线上面签或线下面签。面签决策模型根据多个样本用户的第一样本数据利用多维度分类算法训练得到。第一样本数据包括样本用户基本数据、样本业务相关数据和期望面签方式。
105.在一些示例中，样本用户基本数据包括以下一项或两项以上：样本用户卡号、样本用户姓名、样本用户性别、样本用户年龄、样本用户证件号、样本用户出生日期、样本用户职业信息、样本用户住宅信息。
106.在一些示例中，样本业务相关数据包括以下一项或两项以上：样本用户卡所属机构、样本用户卡消费时间、样本用户卡消费地址、样本用户卡消费渠道、样本用户业务类型、样本用户征信信息。
107.面签方式分配模块303可用于根据输出结果，为面签申请用户分配与输出结果对应的面签方式。
108.在本技术实施例中，可利用面签申请用户的用户基本数据、业务相关数据以及面签决策模型，使面签决策模型输出可用于表征面签申请用户适用的面签方式的输出结果。根据该输出结果为面签申请用户分配线上面签或线下面签。面签决策模型是根据多个样本用户的第一样本数据利用多维度分类算法训练得到的，因此能够利用面签决策模式实现为面签申请用户分配面签方式的自动化，缩短了用户申请面签所花费的时间，从而提高面签申请的效率。而且，本技术实施例中不需用户通过人工客户引导或页面选择等方式选择线上面签或线下面签，简化了用户操作，提高了用户体验。
109.在一些示例中，输出结果包括面签方式判定分数。
110.上述面签方式分配模块303可用于：在面签方式判定分数位于第一阈值范围内的情况下，为面签申请用户分配线上面签；在面签方式判定分数位于第二阈值范围内的情况下，为面签申请用户分配线下面签。
111.第一阈值范围与第二阈值范围的交集为空集。
112.在一些示例中，上述数据获取模块301可用于：按照预设的分类规则集合，对用户基本数据和业务相关数据分类，分类规则集合包括多个分类规则，分类规则用于对用户基本数据和业务相关数据分类；根据分类后的用户基本数据和业务相关数据所在的类别，生成模型输入数据。
113.在一些实施例中，分类规则指示的类别具有属性标签。图7为本技术提供的面签方式分配装置的另一实施例的结构示意图。图7与图6的不同之处在于，图7所示的面签分配装置300还可包括画像模块304和问卷生成305。
114.画像模块304可用于根据用户基本数据和业务相关数据所在的类别的属性标签，得到面签申请用户的用户画像。
115.问卷生成305可用于根据用户画像，在预设的问卷题库中获取与用户画像匹配的
问题，生成与面签申请用户匹配的业务问卷。
116.与面签申请用户匹配的业务问卷包括与用户画像匹配的问题。
117.图8为本技术提供的面签方式分配装置的又一实施例的结构示意图。图8与图6的不同之处在于，图8所示的面签方式分配装置300还可包括样本获取模块306和训练模块307。
118.样本获取模块306可用于获取多个样本用户的第一样本数据。
119.训练模块307可用于基于第一样本数据，利用多维度分类算法，训练得到面签决策模型。
120.训练得到的面签决策模型的模型参数使第一事件出现的概率最大。第一事件包括第一样本数据输入面签决策模型，面签决策模型输出的输出结果对应的面签方式与期望面签方式一致。
121.在一些示例中，多个样本用户的第一样本数据从n个数据提供方获取得到，n为大于1的整数。
122.上述训练模块307可用于从每个数据提供方提供的多个样本用户的第一样本数据中筛选出目标样本用户的第一目标样本数据；针对每个数据提供方提供的目标样本用户的第一目标样本数据，利用多维度分类算法，训练得到中间模型；对每个数据提供方对应的中间模型的模型参数进行聚合，得到整合模型参数；利用整合模型参数更新中间模型，得到面签决策模型。
123.在一些示例中，在n个数据提供方提供的样本用户的重合率低于或等于第一重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率高于或等于第二重合率阈值的情况下，目标样本用户包括第一类样本用户和第二类目标样本用户，第一目标样本数据包括第一类样本数据。
124.在另一些示例中，在n个数据提供方提供的样本用户的重合率高于第三重合率阈值，且n个数据提供方提供的第一样本数据的种类的重合率低于第四重合率阈值的情况下，目标样本用户包括第一类样本用户，第一目标样本数据包括第一类样本数据和第二类样本数据。
125.其中，第一类样本用户包括n个数据提供方提供的相同的样本用户。第二类样本用户包括n个数据提供方提供的不同的样本用户。第一类样本数据包括n个数据提供方提供的种类相同的第一样本数据。第二类样本数据包括n个数据提供方提供的种类不同的第一样本数据。
126.图9为本技术提供的面签方式分配装置的再一实施例的结构示意图。图9与图6的不同之处在于，图9所示的面签方式分配装置300还可包括风险评级模块308和服务模式分配模块309。
127.风险评级模块308可用于在为面签申请用户分配线上面签的情况下，将用户基本数据和业务相关数据输入风险评级模型，得到面签申请用户的风险等级。
128.风险等级用于指示面签申请用户的风险高低。风险评级模型根据多个样本用户的第二样本数据训练得到。第二样本数据包括样本用户基本数据、样本业务相关数据和已知风险等级。
129.模式分配模块309可用于根据面签申请用户的风险等级，为面签申请用户分配面
签服务模式。
130.面签服务模式指示由自助机器客服和/或人工客服进行面签服务。
131.在一些示例中，风险等级包括第一风险等级、第二风险等级和第三风险等级。第一风险等级表征的风险高于第二风险等级表征的风险，第二风险等级表征的风险高于第三风险等级表征的风险。
132.第一风险等级对应的面签服务模式指示由人工客服进行面签服务。第二风险等级对应的面签服务模式指示由自助机器客服和人工客服进行面签服务。第三风险等级对应的面签服务模式指示由自助机器客服进行面签服务。
133.本技术第三方面提供一种面签方式分配设备。图10为本技术提供的面签方式分配设备的一实施例的结构示意图。如图10所示，面签方式分配设备400包括存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
134.在一个示例中，上述处理器402可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
135.存储器401可包括只读存储器(read
‑
only memory，rom)，随机存取存储器(random access memory，ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本技术实施例中面签方式分配方法所描述的操作。
136.处理器402通过读取存储器401中存储的可执行程序代码来运行与可执行程序代码对应的计算机程序，以用于实现上述实施例中的面签方式分配方法。
137.在一个示例中，面签方式分配设备400还可包括通信接口403和总线404。其中，如图10所示，存储器401、处理器402、通信接口403通过总线404连接并完成相互间的通信。
138.通信接口403，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。也可通过通信接口403接入输入设备和/或输出设备。
139.总线404包括硬件、软件或两者，将面签方式分配设备400的部件彼此耦接在一起。举例来说而非限制，总线404可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(enhanced industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industrial standard architecture，isa)总线、无限带宽互连、低引脚数(low pin count，lpc)总线、存储器总线、微信道架构(micro channel architecture，mca)总线、外围组件互连(peripheral component interconnect，pci)总线、pci
‑
express(pci
‑
x)总线、串行高级技术附件(serial advanced technology attachment，sata)总线、视频电子标准协会局部(video electronics standards association local bus，vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线404可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
140.本技术第四方面还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令，该计算机程序指令被处理器执行时可实现上述实施例中的面签方式分
配方法，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，上述计算机可读存储介质可包括非暂态计算机可读存储介质，如只读存储器(read
‑
only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等，在此并不限定。
141.需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例、设备实施例、计算机可读存储介质实施例而言，相关之处可以参见方法实施例的说明部分。本技术并不局限于上文所描述并在图中示出的特定步骤和结构。本领域的技术人员可以在领会本技术的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。并且，为了简明起见，这里省略对已知方法技术的详细描述。
142.上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
143.本领域技术人员应能理解，上述实施例均是示例性而非限制性的。在不同实施例中出现的不同技术特征可以进行组合，以取得有益效果。本领域技术人员在研究附图、说明书及权利要求书的基础上，应能理解并实现所揭示的实施例的其他变化的实施例。在权利要求书中，术语“包括”并不排除其他装置或步骤；数量词“一个”不排除多个；术语“第一”、“第二”用于标示名称而非用于表示任何特定的顺序。权利要求中的任何附图标记均不应被理解为对保护范围的限制。权利要求中出现的多个部分的功能可以由一个单独的硬件或软件模块来实现。某些技术特征出现在不同的从属权利要求中并不意味着不能将这些技术特征进行组合以取得有益效果。