CN111815169A

CN111815169A - 业务审批参数配置方法及装置

Info

Publication number: CN111815169A
Application number: CN202010659624.XA
Authority: CN
Inventors: 赵若愚; 沈巍毅; 钱铖; 瞿伟
Original assignee: Industrial and Commercial Bank of China Ltd ICBC
Current assignee: Industrial and Commercial Bank of China Ltd ICBC
Priority date: 2020-07-09
Filing date: 2020-07-09
Publication date: 2020-10-23
Anticipated expiration: 2040-07-09
Also published as: CN111815169B

Abstract

本申请提供了一种业务审批参数配置方法及装置，该方法包括：获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系；应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景。本申请能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而提高业务审批的准确性和效率。

Description

业务审批参数配置方法及装置

技术领域

本申请涉及数据处理技术领域，尤其涉及一种业务审批参数配置方法及装置。

背景技术

针对不同用户在不同阶段的审批要求，需要定制化开发不同的审批流程，其中，参数配置为定制化开发审批流程过程中的核心环节，动态的控制着流程的走向。因此，参数配置的完整性和正确性直接影响到审批流程运作的准确性。在现有技术中，参数配置过程存在以下问题：

(1)业务流程复杂，配置难：当前很多业务审批，不仅需要本级机构的有权人进行审批，还需要上级甚至更上级的机构有权人进行审批，这使得审批流程相关参数的配置是基于动态化的，是在一定的区间范围内，很难用一套固定的配置方法去兼容。因此容易出现参数漏配导致的环境失败。

(2)机构复杂，参数类别多：大型的公司往往在总部、省一级分部、市一级分部都有权对特定业务设置符合自身特色，且不违背上级机构的参数表。有些业务场景甚至允许子机构设置特色参数，这样复杂的机构、参数类别导致在配置时往往产生效率低、漏配和错配的问题，使得实际业务功能受到影响，进而影响生产效能。

(3)参数配置流程繁杂，费时费力：在配置参数时，往往采用参数查找、参数输入和参数校验这样的过程完成参数的配置，效率低且有可能遗漏参数，影响生产效能。

发明内容

针对现有技术中的问题，本申请提出了一种业务审批参数配置方法及装置，能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而能够提高业务审批的准确性和效率。

为了解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种业务审批参数配置方法，包括：

获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系；

应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景。

进一步地，在所述应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景之前，还包括：获取各组所述审批参数组各自对应的历史用户信息组，该历史用户信息组包括：历史用户的角色信息和机构信息；相对应的，所述在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景，包括：接收目标审核人员的参数配置请求，该参数配置请求包括：目标审核人员的角色信息和机构信息；确定与所述目标审核人员的角色信息和机构信息匹配的历史用户信息组；基于所述匹配的历史用户信息组对应的审批参数组，确定所述目标审核人员对应的目标审批子场景，并将该目标审批子场景对应的各个审批参数组输出显示。

进一步地，所述获取目标业务场景对应的多组审批参数组，包括：获取目标业务场景对应的多组历史参数组以及各组所述历史参数组各自对应的历史参数向量组；分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算，并将该相似度计算结果大于最佳相似度阈值的历史参数向量组作为目标参数向量组；将所述目标参数向量组对应的历史参数组作为所述审批参数组。

进一步地，在所述分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算之前，还包括：执行迭代步骤：应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，该相似度优化模型为预先训练得到的基于L-BFGS算法的机器学习模型；获取所述相似度计算结果大于更新后的初始相似度阈值的历史参数向量组作为中间参数向量组，判断该中间参数向量组的个数占所述历史参数向量组总个数的比值是否小于或等于比例阈值，若是，则应用所述更新后的初始相似度阈值再次执行迭代步骤，若否，则中止执行所述迭代步骤并将当前的初始相似度阈值作为所述最佳相似度阈值。

进一步地，所述预设的谱聚类模型为预先训练得到的基于谱聚类算法的机器学习模型，用于对所述审批参数组进行分类。

进一步地，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；相对应的，在所述确定所述目标业务场景对应的多个目标审批子场景之前，还包括：应用模拟退火算法优化所述高斯核函数和分隔簇数目。

第二方面，本申请提供一种业务审批参数配置装置，包括：

第一获取模块，用于获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系；

确定模块，用于应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景。

进一步地，所述的业务审批参数配置装置，还包括：第二获取模块，用于获取各组所述审批参数组各自对应的历史用户信息组，该历史用户信息组包括：历史用户的角色信息和机构信息；相对应的，所述确定模块用于执行下述内容：接收目标审核人员的参数配置请求，该参数配置请求包括：目标审核人员的角色信息和机构信息；确定与所述目标审核人员的角色信息和机构信息匹配的历史用户信息组；基于所述匹配的历史用户信息组对应的审批参数组，确定所述目标审核人员对应的目标审批子场景，并将该目标审批子场景对应的各个审批参数组输出显示。

进一步地，所述第一获取模块用于执行下述内容：获取目标业务场景对应的多组历史参数组以及各组所述历史参数组各自对应的历史参数向量组；分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算，并将该相似度计算结果大于最佳相似度阈值的历史参数向量组作为目标参数向量组；将所述目标参数向量组对应的历史参数组作为所述审批参数组。

进一步地，所述的业务审批参数配置装置，还包括：迭代模块，用于执行迭代步骤：应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，该相似度优化模型为预先训练得到的基于L-BFGS算法的机器学习模型；确定最佳相似度阈值模块，用于获取所述相似度计算结果大于更新后的初始相似度阈值的历史参数向量组作为中间参数向量组，判断该中间参数向量组的个数占所述历史参数向量组总个数的比值是否小于或等于比例阈值，若是，则应用所述更新后的初始相似度阈值再次执行迭代步骤，若否，则中止执行所述迭代步骤并将当前的初始相似度阈值作为所述最佳相似度阈值。

进一步地，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；相对应的，在所述业务审批参数配置装置还包括：优化模块，用于应用模拟退火算法优化所述高斯核函数和分隔簇数目。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的业务审批参数配置方法。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述的业务审批参数配置方法。

由上述技术方案可知，本申请提供一种业务审批参数配置方法及装置。其中，该方法包括：获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系；应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景，能够提高参数配置的准确性和效率，进而能够提高业务审批的准确性，具体地，能够提高参数配置的智能化和可视化程度，降低参数漏配的可能性；基于业务场景与角色的关联关系，能够实现参数的个性化配置；能够解决配置参数过程中的复杂性和多变性的问题，降低人力和时间成本，同时能够提高参数配置的易用性和可维护性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例中业务审批参数配置方法的流程示意图；

图2是本申请另一实施例中业务审批参数配置方法的流程示意图；

图3是本申请实施例中业务审批参数配置方法中步骤S301至步骤S303的流程示意图；

图4是本申请实施例中业务审批参数配置方法中步骤S401和步骤S402的流程示意图；

图5是本申请应用实例中基于业务场景的参数配置方法的流程示意图；

图6是本申请应用实例中基于业务场景的参数配置方法中步骤10至步骤12的流程示意图；

图7是本申请应用实例中最小闭环、理论最大闭环和合理闭环之间的逻辑关系比较示意图；

图8是本申请应用实例中基于业务场景的参数配置方法中步骤20至步骤22的流程示意图；

图9是本申请应用实例中基于业务场景的参数配置方法中步骤30至步骤32的流程示意图；

图10是本申请应用实例中可视化参数配置过程的流程示意图；

图11是本申请应用实例中参数配置界面的效果图；

图12是本申请实施例中业务审批参数配置装置的结构示意图；

图13为一个举例中应用现有参数设置模式和本申请业务审批参数配置方法的配置时间的比较示意图；

图14为一个举例中应用现有参数设置模式和本申请业务审批参数配置方法的单次审批通过率的比较示意图；

图15为本申请实施例的电子设备9600的系统构成示意框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

基于此，为了提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而提高业务审批的准确性和效率，本申请实施例提供一种业务审批参数配置装置，该装置可以是一服务器或客户端设备，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。

在实际应用中，进行业务审批参数配置的部分可以在如上述内容所述的服务器侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

具体通过下述各个实施例进行说明。

为了提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而提高业务审批的准确性和效率，本实施例提供一种执行主体是业务审批参数配置装置的业务审批参数配置方法，如图1所示，该方法具体包含有如下内容：

步骤S101：获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系。

其中，所述目标业务场景可以是在实际生产中使用的、具备完整流程的、存在多种子场景的一个生产场景，例如，出差审批和业务招待费审批场景等。

所述审批参数包含有审核角色信息和各个审核角色信息各自对应的审核权限信息。所述审核参数之间的关联关系表示审核角色信息之间的关联关系。所述审批角色信息可以是：部门负责人、财务审批员和财务部负责人信息；所述审批角色信息之间的关联关系可以是部门负责人、财务审批员和财务部负责人依次关联。

步骤S102：应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景。

其中，所述预设的谱聚类模型为预先训练得到的基于谱聚类算法的机器学习模型，用于对所述审批参数组进行分类。谱聚类模型适用于处理稀疏数据以及复杂数据。

由上述描述可知，在本实施例中，通过应用谱聚类模型，能够高效且准确地对目标业务场景进行划分，得到多个目标审批子场景，进而能够配置各个审批人员对应的目标审批子场景，每个目标子场景包含有至少一组所述审批参数组；综上，能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而提高业务审批的准确性和效率。

在本申请一个应用实例中，步骤S102包含有：基于各个所述审批参数组构建对应的有向图；生成所述有向图对应的加权邻接矩阵和度矩阵；基于所述度矩阵和度矩阵，得到拉普拉斯矩阵；求取拉普拉斯矩阵预设个数的最小特征值对应的特征向量，构建特征向量空间；应用多路谱聚类算法对特征向量空间中的特征向量进行聚类，得到多个簇划分即所述目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组。所述预设个数可根据实际需要进行设置。

为了进一步提高参数配置的准确性，参见图2，在本申请一个实施例中，在步骤S102之前，还包含有：

步骤S201：获取各组所述审批参数组各自对应的历史用户信息组，该历史用户信息组包括：历史用户的角色信息和机构信息。

相对应的，步骤S102，包括：

步骤S202：应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组。

步骤S203：接收目标审核人员的参数配置请求，该参数配置请求包括：目标审核人员的角色信息和机构信息。

步骤S204：确定与所述目标审核人员的角色信息和机构信息匹配的历史用户信息组。

步骤S205：基于所述匹配的历史用户信息组对应的审批参数组，确定所述目标审核人员对应的目标审批子场景，并将该目标审批子场景对应的各个审批参数组输出显示。

具体地，在将各个审批参数组输出显示之后，还可以包含有：接收所述目标审核人员的选定参数组请求，根据该选定参数组请求确定所述目标审核人员对应的目标审批参数组，以进行该目标审批参数组中各个参数的参数值的配置。

由上述描述可知，在本实施例中，通过将审批子场景与角色信息关联，通过推演两者间的关系，使得审核人员可以直观的看到自己对应的角色和所在机构下的参数配置场景，可以实现从角色到业务场景，从业务场景到子场景、再到具体参数的贯通，提高参数配置的可靠性。

举例来说，当所述目标业务场景为招待费审批场景时，业务审批参数配置方法包含有：

S211：获取多个历史用户各自对应的招待费审批参数组，其中，每个审批参数组包含有：多个业务招待费审批角色，各个招待费审批角色的权限信息以及审批角色之间的关联关系。

所述业务招待费审批角色可以包含有：部门负责人、财务审批员和财务部负责人；所述审批角色之间的关联关系可以是，部门负责人、财务审批员和财务部负责人依次关联。

S212：应用预设的谱聚类模型，对所述招待费审批参数组进行分组，得到多个目标招待费审批子场景，每个目标招待费审批子场景包含有：至少一组所述招待费审批参数组。

S213：接收所述目标审核人员的参数配置请求，根据该参数配置请求确定所述目标审核人员对应的目标审批子场景，并将该目标审批子场景中的各个招待费审批参数组输出显示。

S214：接收所述目标审核人员的选定参数组请求，根据该选定参数组请求确定所述目标审核人员对应的招待费审批参数组，以进行该招待费审批参数组中各个参数的参数值的配置。

S215：若接收到目标用户的招待费审批请求，则确定该招待费审批请求对应的招待费审批参数组和该招待费审批参数组中各个参数的参数值，以完成对所述目标用户的招待费的审批过程。

由上述描述可知，在本举例中，能够实现不同目标审批子场景的参数配置，确定不同审核人员对应的目标审批子场景，参数配置过程高效且准确，进而提高审批过程的效率和准确性。

为了获取可靠的审批参数组，进而应用该可靠的审批参数组确定不同的目标审批子场景，参见图3，在本申请一个实施例中，步骤S101包含有：

步骤S301：获取目标业务场景对应的多组历史参数组以及各组所述历史参数组各自对应的历史参数向量组。

具体地，每个所述历史参数组包括：唯一的历史用户完成一次参数配置过程中应用到的审批参数以及审批参数之间的关联关系。判断预设的最大审批参数闭环中的各个审批参数是否存在于所述历史参数组中，若是，则在历史参数向量组中对应位置设为1，若否，则在历史参数向量组中对应位置设为0，以生成所述历史参数向量组，所述预设的最大审批参数闭环长度和所述历史参数向量组长度相同。

步骤S302：分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算，并将该相似度计算结果大于最佳相似度阈值的历史参数向量组作为目标参数向量组。

具体地，所述场景参数映射矩阵为参数与场景映射矩阵(Parameter MappingMatrix on Scene，简称PMMS)，简称A，该矩阵是一个Z×J的矩阵，其中列维度代表了目标业务场景下的预设的业务子场景，根据最大闭环参数的长度确定行维度，在该长度下映射各个子场景的参数，即所述行维度代表各个预设的业务子场景中的预设的最大闭环参数，可根据实际需要进行设置。该矩阵用以表征在不同的子场景下使用参数的具体情况。由于该矩阵是一个0-1矩阵，因此0代表在该子场景下未使用该参数，1表示在该子场景下使用了该参数，一个标准的PMMS矩阵如下：

步骤S303：将所述目标参数向量组对应的历史参数组作为所述审批参数组。

由上述描述可知，在本实施例中，通过应用场景参数映射矩阵以及相似度算法，能够实现对所述历史参数组进行过滤，去除冗余数据，获取可靠的审批参数组，进而能够提高参数配置的可靠性和效率。

为了获取可靠的相似度阈值，进而应用该可靠的相似度阈值提高获取目标参数向量组的可靠性，参见图4，在本申请一个实施例中，在步骤S302之前，还包含有：

步骤S401：执行迭代步骤：应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，该相似度优化模型为预先训练得到的基于L-BFGS算法的机器学习模型。

步骤S402：获取所述相似度计算结果大于更新后的初始相似度阈值的历史参数向量组作为中间参数向量组，判断该中间参数向量组的个数占所述历史参数向量组总个数的比值是否小于或等于比例阈值，若是，则应用所述更新后的初始相似度阈值再次执行迭代步骤，若否，则中止执行所述迭代步骤并将当前的初始相似度阈值作为所述最佳相似度阈值。

其中，应用所述更新后的初始相似度阈值再次执行迭代步骤，将该更新后的初始相似度阈值作为迭代步骤中的初始相似度阈值；所述应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，可以包含有：根据所述各个所述历史参数组，得到所述初始相似度阈值对应的梯度和自共轭矩阵；根据所述梯度和自共轭矩阵，得到更新后的初始相似度阈值。

具体地，设初始相似度阈值为γ，目标为预测为正且结果为正的参数个数占总数的百分比数TPR>预设值θ，采用的迭代方法为L-BFGS算法，具体迭代过程如下：

S41：输入初始相似度阈值γ，以及样本集m，该样本集为历史参数集合，输出结果是阈值。

S42：当TPR≤θ,执行步骤S43至步骤S47，否则执行S48。

S43：计算γ梯度：

S44：计算Hessian矩阵：

S45：计算Hessian矩阵的逆矩阵H^-1。

S46：计算更新：Δγ←-H^-1g。

S47：应用更新：γ←γ+Δγ。

S48：输出结果：γ。

由上述描述可知，在本实施例中，通过高效且准确地获取最佳相似度阈值，能够应用最佳相似度阈值实现对历史参数向量组的过滤，进而得到可靠的目标参数向量组。

为了获取高效且可靠的谱聚类模型，进而应用该谱聚类模型对审批参数组进行分组，得到多个目标审批子场景，以及各个目标审批子场景中的审批参数组；在本申请一个实施例中，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；相对应的，在步骤S102之前，还包含有：应用模拟退火算法优化所述高斯核函数和分隔簇数目。

由上述描述可知，在本实施例中，通过优化所述高斯核函数和分隔簇数目，能够提高谱聚类模型的可靠性和效率，进而提高获得目标审批子场景的准确性和效率，以确定不同审核人员对应的目标审批子场景，无需审核人员在逐项进行手工配置参数。

为了进一步提高参数配置效率和质量，保证参数的健壮性，本申请应用实例提出了一种基于业务场景的参数配置方法。本应用实例在理论侧包括实现参数可视化配置的理论方法及数据基础，但不包括相关方法的实施具体细节及数据提供。本应用实例在应用侧包括从功能角度以及架构角度的模块拆解及样例展示，但不包括应用侧的详细设计、表结构设计等具体的实施细节。

对于应用侧：本申请的理论侧可应用于各类不同终端、不同平台的开发中。从终端的角度来说，本领域技术人员可以根据本申请的相关理论方法，为智能手机、平板电子设备、便携式计算机、台式电脑开发相关的可视化展示、配置模块。本申请的应用侧则是基于B/S架构，基于浏览器作为媒介的web应用。

以下基于图例对详细开展步骤进行阐述：

图5是一种基于业务场景的参数配置方法整体实施的流程图，主体分为四个部分，如图5所示，该方法包含有如下内容：

步骤100：基于业务场景，结合该业务场景具体的参数配置流程形成“一对多”关系，实现基于业务场景与最小闭环参数集、理论最大闭环配置参数集的映射关系。

其中，该步骤为步骤200建立参数与场景映射矩阵以及全流程基本数据校验提供基础。业务场景均指代一个实际的、完整的业务流程场景：如招待费审批和出差审批等。对于这样一个业务场景来说，存在能满足该场景流程的最小必要流程，以及最大流程，称之为最小闭环和理论最大闭环。

对于业务场景，以下以业务招待费审批为背景进行阐述。基于不同情况，共有以下几个必要步骤和可选步骤：

必要步骤：

(1)部门负责人审批，需要确定人员审批角色；

(2)财务审核员，需要确定财会部、审核员审核范围；

(3)财会部负责人，需要确定人员审批角色、部门负责人控制参数表。

可选步骤：

在必要步骤(1)和(2)间，可增加可选步骤有：

1)归口部门审批，需要确定归口部门、人员审批角色；

2)归口部门负责人，需要确定归口部门、人员审批角色、归口部门负责人。

在必要步骤(3)之后，可增加可选步骤有：

3)行长，需要确定业务行长审批模式、有权人；

4)报送上级行(上级行归口、财会)，需要确定上级行归口、人员审批角色、归口部门负责人；

5)财审会，需要确定财审会审议标准；

6)报账申请，需要确定通用开关参数表发票领用、审批模式；

7)部门负责人审批，确认人员审批角色；

8)归口部门审批，确认归口部门、人员审批角色；

9)归口部门负责人，确认归口部门、人员审批角色、归口部门负责人；

10)财务报账审核员，确认财会部、审核员审核范围；

11)财会部负责人，确认人员审批角色、部门负责人控制参数表；

12)行长，确认业务行长审批模式、有权人；

13)报送上级行(上级行归口、财会)，上级行归口、人员审批角色、归口部门负责人。

具体地，业务场景的参数集合为根据实际业务系统中可能的不同业务流程，进而去匹配到的所有所需配置的参数集合。其中，所谓最小闭环参数集，指可以实现该业务场景闭环审批的，需配置参数最少的合规参数集合，针对业务招待费场景，最小闭环参数集为步骤(1)至步骤(3)。而理论最大闭环配置参数集，指的是在最小闭环参数集的基础上，增加部分环节，使得最小闭环参数集成为其子集的一种参数集合，针对业务招待费场景，理论最大闭环配置参数集为在步骤(1)至步骤(3)的基础上，增加步骤1)至步骤13)(忽略审批拒绝)。值得指出的是：事实上对于部分业务系统的一些业务流程，事实上可以做到“死循环”，即永远在增加的部分之间流转。因此这里的理论最大闭环参数集事实上是“有限度”的扩大部分流程，所考虑的情况是基于对现实业务流转情况的判断。在确定好最小集合与最大集合之后，可以得出如下结论：

对于参数集的集合

其中i表示用户角色，j表示业务场景j。

定义最小闭环参数集与理论最大闭环配置参数集：

和

则有

定义额外新增的参数集合为

则有

其中k表示额外参数集中的第k个参数，λ表示是否存在该参数，则λ取值为{0,1}。因此，对于最小闭环参数集和理论最大闭环配置参数集来说，有如下之间关系：

在步骤100中，主要建立业务场景j和与最小闭环参数集

和理论最大闭环配置参数集

的关系，该部分依赖于业务人员、业务产品经理对业务场景的抽象能力及对相关联参数研判的精确度和准确度。

步骤200：基于业务场景与理论最大闭环配置参数集之间的对应关系，建立业务场景的参数与场景映射矩阵；通过相似度来衡量业务场景中各个业务子场景与实际历史数据的匹配程度，并通过训练集训练得到最佳相似度阈值。

具体地，若匹配，则建立子场景参数集合，即实际历史数据与业务子场景的映射关系，作为训练集1；建立业务子场景与参数管理员所在机构、所在角色的映射关系，和训练集2，为后续常用业务子场景划分和人员机构匹配提供数据基础，其中，常用业务子场景为业务子场景的子集，谱聚类的结果是基于历史数据聚类出这些子场景中的常用业务子场景，即上述目标审批子场景；若不匹配，则进一步分析实际历史数据是否为脏数据、新增业务场景和业务子场景中的一种。

在实际业务系统中的使用中，需要记录参数配置管理员所在机构和所在角色，以及其每一次闭环参数设置时的参数集合，即实际历史数据，记为

假设当前所有参数的集合为

其中

表示业务场景j中的第m个参数，则有参数集合

其中z_j表示该业务场景参数的最大数目。注意，存在名称、类型相同的两个参数存在于不同的业务场景中。定义参数的总个数为Z，有

则在此可构建出参数与业务场景的映射矩阵A＝a_pq，其中元素a_pq的取值规则为：

该映射矩阵的维度是Z×J。对于每个业务场景，均可构建出一个维度为z_j的列向量(即为理论最大闭环配置参数集构成的列向量)。

基于以上数据，首先可通过比较维度来确定是否为脏数据。如果是，则删去。否则，通过矩阵乘法获取到每次参数配置结果与该业务场景的相似度。显而易见的是，相似度越高的场景，说明本次设置越倾向于设置的是该种场景。另外，参数管理员的实际意图是提前获知的，则在此就存在一阈值δ，当对于某个场景的相似度高于该值，才判定该次设置的意图是设置对应场景，称之为预测为正，当结果也为正时，称这种情况为真正，记为TruePositive，简称TP，表示经相似度判定本次参数集属于某个子场景，且参数管理员此次参数设置的真正意图也为该场景的情况；当预测为负，结果为正时，记为False Positive，简称FP，表示经相似度判定本次参数集不属于某个子场景，但实际属于某个子场景的情况。

通过使用不同的阈值，显然可以获取到不同的概率。这里定义真正率(TPR)，其指代预测为正且结果为正(即TP数)占总数的比率，该比率越高，说明预测精度越好。通过获取到最合适的阈值，使得TRP逼近1。此时，可建立实际参数闭环设置历史数据与实际子场景的映射关系。进一步，由于每条历史数据均带有参数管理员角色的信息，因此可通过简单聚类获取到子场景与用户角色的映射关系。作为下一步的基础数据。

步骤300：以训练集1对实际业务场景进行业务子场景划分并修正最小闭环参数集和理论最大闭环配置参数集的宽度；以训练集2得到的实际业务场景与用户角色的映射关系，实现对不同参数管理员进行配置推荐，即对其就角色常用子场景进行提示。

具体地，以训练集1对实际业务场景进一步划常用子场景，实际业务场景即上述业务场景，并依据划分结果进一步修正实际业务场景与最小闭环参数集、理论最大闭环配置参数集的环境的区间；以训练集2得到实际业务场景与用户角色的映射关系。实现对不同参数管理员进行配置推荐，即对其角色常用的闭环参数设置进行提示，为步骤400的可视化参数配置提供数据基础。

基于步骤200的计算结果，可以获取到训练集1和训练集2。对于训练集1，可以用来划分常用业务子场景，并修正实际业务场景中最小闭环参数集、理论最大闭环配置参数集之间区间的宽度。在步骤100可知：对于每个业务场景j，其取参的初始化区间是

但该区间可能与实际的区间存在一定的偏差，因此需要进行修正，以保证在对应角色下区间的精确性。因此实际需要纠正的是

我们假设

表示所收集到的确认是属于角色i下的场景j的参数配置集合，可以通过该集合对初始化区间实现收敛，进而获取到最优区间。

在确定最优区间后，进一步需要匹配业务场景的常用子场景与用户角色之间的关系。值得注意的是，事实上获取到的参数就包含了角色和机构信息i，因此只需使用简单地算法即可实现归类，实现对业务子场景到角色的映射，实现整体从角色到业务子场景、再到具体参数集的最终闭环映射，实现全流程的数据连接与流转。

步骤400：设计基于可视化的闭环参数设置模块，基于最小闭环参数集，向上动态扩展至理论最大闭环配置参数集，实现参数管理配置的可视化，且具备自动校验是否闭环、参数值是否合规的功能。

可以理解的是，在全部输入完毕后会自动校验是否闭环，参数设置是否合规。该部分不仅是步骤100至步骤300计算结果的体现，更是从理论向应用的重要转变。从架构的角度看，该模块分为数据库模块、后台模块、以及前端展示模块。

数据库模块主要存储了所需要的相关基础数据、优化部分的计算结果以及所有的需要的相关参数，目前该模块通过ORACLE数据库开发。后台模块主要有三个作用：(1)与数据库交互，获取所需的数据信息，本应用后台基于JAVA开发，故与数据库交互采用了开源IBatis作为ORM框架；(2)逻辑计算模块：该部分主要负责相关计算、优化的具体逻辑执行；(3)前端交互模块：该模块一般作为响应前端发起的API请求，并返回对应数据的模块，其与逻辑计算模块、数据库交互模块直接相连。前端展示模块主要有三个功能：(1)预览模块：展示用户当前做可能配置仓井的最小环节，用户可以选择最符合要求的，无需从0开始配置；(2)配置模块：主要功能是可视化的方式展示流程环节和环节参数，便于用户理解和配置；(3)校验模块：主要功能是验证整体流程是否闭环，参数设置是否正确，减少因流程配置所导致的错误。前端技术使用开源框架Vue.js开发。

参见图6，基于业务场景的参数配置方法中的步骤100，具体包含有：

步骤10：通过业务和产品经理确认所有角色的场景信息。

首先，在开始划定最小闭环参数集之前，需要首先详尽的划定所有角色下的参数配置场景。假设所有业务场景的集合为S_i＝{s_ij|i＝1,2,3...N}，其中i、j含义与上文一致，N表示共有的角色数。则对于每个角色S_i，都有一个业务场景集合，这些业务场景可能在不同的角色下存在重复的可能，但是在集合里会重复存在，这使得不同角色不会共享这段数据。业务场景数据一般通过业务和产品经理沟通确定，在此过程中应秉持细致的原则，不遗漏任何一个角色的业务场景，保证基础数据质量的可靠性。该信息理应体现在业务系统的需求分析、详细设计中，或者体现在产品报告中。

步骤11：确定每个场景的最小闭环参数集。

当在步骤10中确定业务场景的集合后，就需要确定这些业务场景的最小闭环参数集。如图7所示，以基本的出差申请为例，最小闭环包含的基本步骤是出差人发起申请、直线管理者审批和部门负责人审批。但是，这里说的最小闭环仅仅是指从出差人提出申请到部门负责人审批都是一次完成，不涉及更多流程，也不涉及审批拒绝流转的问题。此时，显而易见的，这种情况是最简单的能完成该流程的步骤。因此是对该业务场景参数设置的下限。

步骤12：确定每个场景的理论最大闭环配置参数集。

最小闭环参数集仅能满足该业务场景最基本的闭环参数设置。在实际应用中，一般的审批流程要比最小闭环复杂的多。如图7所示，合理拓展部分，即合理闭环：出差申请人发起申请，流转至直线管理者审批，直线审批者审核完毕流转至部门领导审批时，因某原因被拒绝，申请被退回至出差人，此时出差申请人需要按照要求修正部分信息重新发起申请。此时的情况就不仅仅是最小闭环可以解决的，需要基于最小闭环向上拓展。

但是，一般业务系统不会允许某个流程无限流转，即永远无法结束。此时，需要人为设定终止条件。假设一次出差申请不能被审批退回超过三次，那么无论如何流转，只要被不同层级审核退回超过三次，就会自动关闭该流程，要求申请人重新发起新的新的流程；如图7所示，对于理论最大闭环：该申请可以先后被部门领导、直线管理者、部门领导退回，直至第四次提交才得以通过。

以图7中的数据为例，最小闭环参数集为

包含了步骤1至步骤3的相关参数；理论最大闭环配置参数集

包含步骤1至步骤9的相关参数；而合理闭环，即合理闭环参数集则是包含了步骤1至步骤5的相关参数。因此，在步骤300中需要被收缩的正是额外新增的参数集合

中的步骤4至步骤9。

如图8所示，基于业务场景的参数配置方法中的步骤200，具体包含有：

步骤20：建立业务场景的子场景与配置参数向量的矩阵。该步骤分三步：数据提取、参数与场景的映射矩阵、关联向量的建立。

对于数据提取，首先从数据库取出对应用户、对应场景下的参数集合

其中每一个元素

都含有一个游标，表示其在总参数列中的位置。在步骤200中曾提过，设业务场景总参数列表为Ψ。而每个子场景的参数集合为φ^j，则二者之间存在如下关系：

Ψ＝φ¹∪φ²∪φ³∪...∪φ^J

如果，对于某个历史配置的参数集合

存在：

则表明，本次设置的参数集合的维度超过了任何一个子场景的参数集合。在此情况下，有两种解决办法：(1)若在步骤10时已对所有存在的子场景进行了穷举，确认不存在遗漏情况，则该次输入为脏数据，需要被清理出训练集；(2)若考虑到人工穷举可能存在的遗漏情况，事实上该条数据存在是属于潜在的合规子场景。那么将该数据存入备选集Ψ_po中，作为后续进一步筛选的备选集。若参数集合

满足式1-2的条件，则表明从维度的角度其满足输入需要，将其提取作为下一步处理的入参。

参数与场景映射矩阵(Parameter Mapping Matrix on Scene，简称PMMS)A，该矩阵是一个Z×J的矩阵，其中行维度代表参数，列维度代表了业务场景下的合规子场景。该矩阵用以表征在不同的子场景下使用参数的具体情况。由于该矩阵是一个0-1矩阵，因此0代表在该子场景下未使用该参数，1表示在该子场景下使用了该参数，一个标准的PMMS矩阵如下：

关联向量(Relation Vector，简称RV)表征的是某次配置参数

与各个子场景的关联情况，假定一个配置情景

为[1 1 0 0]^T，表明这次配置使用了总参数序列中第1、2的参数，而没有使用第3,4的参数。则关联向量的计算方法为：

χ_RV＝A×φ_in

因此根据向量的运算规则，其结果是一个J×1的列向量，符号为γ，则该向量每一维的值γ_j都表示了该参数集与子场景j的相似程度。进一步，对该向量归一化，具体：

进而得到标准化的相似度向量γ^std，作为衡量该参数集与各个场景的相似度。

步骤21：通过相似度来衡量历史数据与子场景的匹配程度，并通过训练集训练得到最佳相似度阈值。

通过步骤20获取到的标准相似度向量γ^std，即可知道此次设置的闭环参数集与各子场景的相似度。但是，每次闭环设置仅可能设置一种子场景，因此只要根据相似度的数值，即可判定其与子场景的匹配程度。引入TPR与FPR，分别是指TP数和FP数占总数的百分比数。显而易见的是，TPR越大说明结果越好。对于某个阈值δ，当TPR接近于所要求精确度达到要求时，表明在该阈值下，所有根据相似度推断出的结果与实际结果接近完全一致。

步骤22：当获得到最佳相似度阈值时，建立实际参数闭环设置与业务子场景的映射关系Μ₁。

进一步，由于每次设置时存储了参数管理员的角色及机构信息，因此还建立了业务子场景与用户角色、所在机构的关系映射Μ₂。完成了基本的参数流程映射，为可视化提供数据基础。

参见图9，基于业务场景的参数配置方法中的步骤300，具体包含有：

步骤30：基于实际业务场景划分业务子场景。

具体地，通过步骤200内获取到映射关系Μ₁，可以进一步来划分实际场景中的业务子场景。所谓业务子场景指的是实际场景中最常用的几个参数集合。假设有某角色所涉及的场景S_ij，则对于该场景j，则有子场景集合

需要划分出来的就是该集合的成员。

在本应用实例中，应用实际输入参数向量

作为衡量参数集之前相似性的指标。因此，对于一个有o个参数集(一个参数集对应无向图一个点)的参数集集合，可以构造为有向图G_j＝(V,E,w)。其中，其中V表示业务场景j的参数集集合(代表无向图中的点集合)，E表示参数集集合内各点之间的弧，有

w表示弧的权重，有w＝{w_e|e∈E}。

对于图G_j，定义其加权邻接矩阵A_j，其维度为o×o。矩阵A_j中的元素为a_wv，其中w,v∈V,σ表示高斯核函数参数：

定义度矩阵D_j，其对角线元素为：

其余的元素均为0。L_j是图G_j的拉普拉斯矩阵，有L_j＝D_j-A_j。

谱聚类(spectral clustering)的目标是将图切割为k个子图，且保证连接子图的区间权重和最小，子图内的权重和较大。

假设将图切割为两个子图，对于子图Ι和

假设二者之间的连接路径集合为E_c，有：

则该路径集合权重为W_c，其数值为：

基于谱聚类的参数配置子场景划分目标函数如下所示：

在此，本应用实例采用多路规范割集准则构建识别模型，具备较高的执行效率，该识别模型如下：

在模型建立后，存在两个待优化参数，一个是高斯核函数σ，另一个是分隔簇数目K，为确定最优取值，提出基于模拟退火的优化算法和历史配置参数集合来优化两个参数取值。

因此，约束条件为：

其中，m为迭代次数、Te为温度阈值、α为温度衰减率。通过求解该模型，即可实现对不同角色下不同业务场景的最佳子场景划分。

步骤31：修正实际业务场景与最小闭环参数集、理论最大闭环配置参数集的区间。

具体地，通过步骤30内获取到的每个业务场景的子场景，可以进一步用来修正

的区间长度，即修正

的宽度，使得该参数集保持最合适的维度。一般来说，对于某角色下某个具体的子场景，其配置的参数集一定是随时间推演而收敛的，即呈现以最小参数集

为聚类中心的单一聚类簇。可使用简单的k-means算法对其进行聚类。在数据量较小的初期，可能会存在多个聚类簇。随着数据量的不断增大，数据的聚类中心也不断向最小闭环移动，直至形成一个聚类中心，此时实际的参数配置区间为

由于在步骤200已经对每次参数设置场景的参数集进行了合法性校验，因此对于最后收敛得到的实际参数配置区间，一定存在：

通过收敛参数配置区间，可以有效减少

的区间，进一步减少计算复杂度，提升实际应用的计算效率。到该步骤为止，已经实现从场景向参数集配置区间的映射。

步骤32：获取实际业务场景与用户角色的映射关系。

具体地，通过步骤200内获取到映射关系Μ₂，可以用来映射场景与用户之间的关系。

在每次对业务场景进行参数设置时，都带有了用户角色、机构信息。因此，只要对所有角色遍历，即可获取到用户角色、机构与实际参数配置结果的关系。在使用初期时，可能会存在子场景考虑不周全的情况。但该情况已经在数据清洗时可以进行分析，进一步弥补人为疏忽导致的子场景缺失。至此，步骤300完成了从用户到角色，从角色到参数集的流通，实现可视化展示。

以下基于业务招待费申请进行说明。在步骤100中，本应用实例阐述了业务招待费申请与审批的全流程必要和可选流程。显然，对于该业务场景，必要环节组成最小闭环，必选与全部可选的组合组成理论最大闭环。至此完成业务场景与最小闭环、理论最大闭环的映射。

进一步，基于实际生产中参数配置管理员实际配置该业务场景的数据为训练集，来计算每次配置的参数与该业务场景中各子场景的相似度，取值范围[0,1]。在此基础上，训练相似度阈值，直至准确率达到TPR接近1。此时，满足条件的闭环设置集合与该业务场景的子场景就建立了关系。同时，通过关联配置管理员所在机构，实现了参数集合与该角色的关联。

在此基础上，对满足条件的闭环参数集合划分子场景，假定划分后的流程有如下两种：

(1)部门负责人审批->归口部门审批->财务审核员->财会部负责人；

(2)部门负责人审批->归口部门审批->财务审核员->财会部负责人->上级行的归口->上级行审核员->上级行部门负责人->上级行机构负责人。

此时，对于招待费申请这一业务场景来说，其闭环环节的区间就是这两个环节的并集。也就是说，业务招待费申请场景的实际参数闭环区间就是两个子场景的并集。同时，每一次参数设置都能与配置管理员所在机构、角色挂钩，使得二者之间也建立了联系。此时计算完毕。

在完成数据计算后，进一步展示了可视化参数配置的步骤，具体如图10所示，解释如下：

步骤41：选择审批类别；根据前期角色与子场景映射关系，向参数管理员推荐最可能配置的子场景信息

步骤42：展示闭环流程；系统将根据用户当前选择的参数设置子场景可视化展示闭环流程。

步骤43：配置流程环境；该闭环流程中包括一些可跳过环节，用户可根据行内实际需求或增加判断条件选择是否在执行时跳过该流程环节。

步骤44：配置环节参数；将鼠标放置在环节上会显示需要配置的参数分支，点击参数将跳转到对应的参数表页面，配置参数后返回流程页面。

步骤45：流程校验；待所有环节和参数都配置完成后，点击校验按钮，系统将确认各情况下流程是否闭环，参数是否均设置完成，确保流程执行成功。

具体地，参数配置界面如图11所示，以基于步骤100中介绍的招待费业务审批场景为例，参数配置的过程具体包含有如下内容：

首先，用户(参数配置管理员)，需要配置本部门的招待费申请审批流程，首先点击审批流程配置菜单,选择开支类别为招待费申请。系统将根据步骤100至步骤300给出对于当前角色在配置招待费申请审批流程的推荐方案。

进一步，用户选择其中一种推荐方案，假定其流程为部门负责人审批->归口部门审批->财务审核员->财会部负责人，用户点击打开配置界面后，会将上述步骤以流程图的形式展示，同时在可扩展节点处有“+”号，用于增加未被选择的可配置环节。

在配置完环节后，用户只需将鼠标移动至流程中的部门负责人审批环节模块上方，在模块右侧弹出人员审批角色黄色圆框，点击则跳转到人员审批角色参数表中，点击添加并填写人员编号、机构、有效时间等信息后点击提交，等待双人复核。在配置归口部门审批环节时可以在模块中填写审批条件，如用户申请金额大于10000元，填写后将出现分支条件金额大于10000元时需要归口部门审批环节，同理修改归口部门负责人环节的条件为50000元。并将其他环节参数一次配完后点击校验按钮，系统弹出提示财会部负责人环节人员审批角色参数未设置，并在模块中弹出红色圆框表示校验失败。重新设置完成后点击校验后点击提交，待复核后生效。

在配置环节与参数完毕后，普通用户在申请招待费时即可按照设定流程发起工作流并实现审批的全流程。

图13为一个举例中，应用现有参数设置模式和应用本申请业务审批参数配置方法的配置时间的比较示意图，本申请业务审批参数配置方法采用的是可视化闭环参数设置模式，由图13可知，相较于现有参数设置模式，本申请提供的业务审批参数配置方法能够明显减少配置时间，提高参数配置的效率。图14为一个举例中，应用现有参数设置模式和应用本申请业务审批参数配置方法的单次审批通过率的比较示意图，由图14可知，相较于现有参数设置模式，本申请提供的业务审批参数配置方法能够明显提高单次审批通过率。

从软件层面来说，为了提高参数配置的准确性和效率，进而参数配置的准确性和效率，本申请提供一种用于实现所述业务审批参数配置方法中全部或部分内容的业务审批参数配置装置的实施例，参见图12，所述业务审批参数配置装置具体包含有如下内容：

第一获取模块121，用于获取目标业务场景对应的多组审批参数组，其中，该审批参数组包括：多个审批参数以及各个审批参数之间的关联关系；

确定模块122，用于应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景，每个所述目标审批子场景包括：至少一组所述审批参数组，以在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景。

其中，所述预设的谱聚类模型为预先训练得到的基于谱聚类算法的机器学习模型，用于对所述审批参数组进行分类。

在本申请一个实施例中，所述的业务审批参数配置装置还包括：

第二获取模块，用于获取各组所述审批参数组各自对应的历史用户信息组，该历史用户信息组包括：历史用户的角色信息和机构信息；

相对应的，所述确定模块用于执行下述内容：

接收目标审核人员的参数配置请求，该参数配置请求包括：目标审核人员的角色信息和机构信息；

确定与所述目标审核人员的角色信息和机构信息匹配的历史用户信息组；

基于所述匹配的历史用户信息组对应的审批参数组，确定所述目标审核人员对应的目标审批子场景，并将该目标审批子场景对应的各个审批参数组输出显示。

在本申请一个实施例中，所述第一获取模块用于执行下述内容：

获取目标业务场景对应的多组历史参数组以及各组所述历史参数组各自对应的历史参数向量组；

分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算，并将该相似度计算结果大于最佳相似度阈值的历史参数向量组作为目标参数向量组；

将所述目标参数向量组对应的历史参数组作为所述审批参数组。

在本申请一个实施例中，所述的业务审批参数配置装置，还包括：

迭代模块，用于执行迭代步骤：应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，该相似度优化模型为预先训练得到的基于L-BFGS算法的机器学习模型；

确定最佳相似度阈值模块，用于获取所述相似度计算结果大于更新后的初始相似度阈值的历史参数向量组作为中间参数向量组，判断该中间参数向量组的个数占所述历史参数向量组总个数的比值是否小于或等于比例阈值，若是，则应用所述更新后的初始相似度阈值再次执行迭代步骤，若否，则中止执行所述迭代步骤并将当前的初始相似度阈值作为所述最佳相似度阈值。

在本申请一个实施例中，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；相对应的，在所述业务审批参数配置装置还包括：

优化模块，用于应用模拟退火算法优化所述高斯核函数和分隔簇数目。

本说明书提供的业务审批参数配置装置的实施例具体可以用于执行上述业务审批参数配置方法的实施例的处理流程，其功能在此不再赘述，可以参照上述业务审批参数配置方法实施例的详细描述。

由上述描述可知，本申请提供的业务审批参数配置方法及装置，能够提高参数配置的准确性和效率，进而能够提高业务审批的准确性和效率。划定业务场景的合规闭环子场景，使得可以在合规的子场景下进行参数配置，仅少了漏配的可能性。通过业务子场景与角色的关联关系，可以确定不同使用者在对应的自己角色、机构中国，针对具体的参数配置场景，常用哪些合规的子场景。可以实现从角色到业务场景，从业务场景到子场景、再到具体参数的贯通。通过将参数配置可视化，能够解决上述配置参数设置流程的复杂性和多变性的问题，减少在系统核心环节中人力和时间成本的消耗，提高了参数配置流程的易用性和可维护性。

从硬件层面来说，为了提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而提高业务审批的准确性和效率，本申请提供一种用于实现所述业务审批参数配置方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现所述业务审批参数配置装置以及用户终端等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述业务审批参数配置方法的实施例及用于实现所述业务审批参数配置装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

图15为本申请实施例的电子设备9600的系统构成的示意框图。如图15所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图15是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在本申请一个或多个实施例中，业务审批参数配置功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

从上述描述可知，本申请的实施例提供的电子设备，能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而能够提高业务审批的准确性和效率。

在另一个实施方式中，业务审批参数配置装置可以与中央处理器9100分开配置，例如可以将业务审批参数配置装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现业务审批参数配置功能。

如图15所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图15中所示的所有部件；此外，电子设备9600还可以包括图15中没有示出的部件，可以参考现有技术。

如图15所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

上述描述可知，本申请的实施例提供的电子设备，能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而能够提高业务审批的准确性和效率。

本申请的实施例还提供能够实现上述实施例中的业务审批参数配置方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的业务审批参数配置方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

从上述描述可知，本申请实施例提供的计算机可读存储介质，能够提高参数配置的准确性和效率，适用于复杂的参数配置场景，进而能够提高业务审批的准确性和效率。

本申请中上述方法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。相关之处参见方法实施例的部分说明即可。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种业务审批参数配置方法，其特征在于，包括：

2.根据权利要求1所述的业务审批参数配置方法，其特征在于，在所述应用预设的谱聚类模型和各个所述审批参数组，确定所述目标业务场景对应的多个目标审批子场景之前，还包括：

获取各组所述审批参数组各自对应的历史用户信息组，该历史用户信息组包括：历史用户的角色信息和机构信息；

相对应的，所述在接收到目标审核人员的参数配置请求时，确定该参数配置请求对应的目标审批子场景，包括：

3.根据权利要求1所述的业务审批参数配置方法，其特征在于，所述获取目标业务场景对应的多组审批参数组，包括：

4.根据权利要求3所述的业务审批参数配置方法，其特征在于，在所述分别应用预设的场景参数映射矩阵与各个所述历史参数向量组进行相似度计算之前，还包括：

执行迭代步骤：应用预设的相似度优化模型、初始相似度阈值和各个所述历史参数组，得到更新后的初始相似度阈值，该相似度优化模型为预先训练得到的基于L-BFGS算法的机器学习模型；

获取所述相似度计算结果大于更新后的初始相似度阈值的历史参数向量组作为中间参数向量组，判断该中间参数向量组的个数占所述历史参数向量组总个数的比值是否小于或等于比例阈值，若是，则应用所述更新后的初始相似度阈值再次执行迭代步骤，若否，则中止执行所述迭代步骤并将当前的初始相似度阈值作为所述最佳相似度阈值。

5.根据权利要求1所述的业务审批参数配置方法，其特征在于，

所述预设的谱聚类模型为预先训练得到的基于谱聚类算法的机器学习模型，用于对所述审批参数组进行分类。

6.根据权利要求1所述的业务审批参数配置方法，其特征在于，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；

相对应的，在所述确定所述目标业务场景对应的多个目标审批子场景之前，还包括：

应用模拟退火算法优化所述高斯核函数和分隔簇数目。

7.一种业务审批参数配置装置，其特征在于，包括：

8.根据权利要求7所述的业务审批参数配置装置，其特征在于，还包括：

相对应的，所述确定模块用于执行下述内容：

9.根据权利要求7所述的业务审批参数配置装置，其特征在于，所述第一获取模块用于执行下述内容：

10.根据权利要求9所述的业务审批参数配置装置，其特征在于，还包括：

11.根据权利要求7所述的业务审批参数配置装置，其特征在于，所述预设的谱聚类模型为预先训练得到的基于谱聚类算法的机器学习模型，用于对所述审批参数组进行分类。

12.根据权利要求7所述的业务审批参数配置装置，其特征在于，所述预设的谱聚类模型包括：高斯核函数和分隔簇数目；

相对应的，在所述业务审批参数配置装置还包括：

13.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述的业务审批参数配置方法。

14.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现权利要求1至6任一项所述的业务审批参数配置方法。