CN109872036A - 基于分类算法的任务分配方法、装置及计算机设备 - Google Patents
基于分类算法的任务分配方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN109872036A CN109872036A CN201910024184.8A CN201910024184A CN109872036A CN 109872036 A CN109872036 A CN 109872036A CN 201910024184 A CN201910024184 A CN 201910024184A CN 109872036 A CN109872036 A CN 109872036A
- Authority
- CN
- China
- Prior art keywords
- task
- objects
- allocation model
- attribute
- allocation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 102
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims description 19
- 238000013316 zoning Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 16
- 238000003066 decision tree Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012797 qualification Methods 0.000 description 6
- 230000000153 supplemental effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请揭示了基于分类算法的任务分配方法、装置及计算机设备,其中基于分类算法的任务分配方法,包括:对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;按照所述当前任务分配模式对应的分配规则,在与当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;将所述待分配任务以预设方式分配给所述目标分配对象。通过分类算法充分考虑了候选分配对象群的形成合理性,提高任务分配的精准度、合理性,提高处理任务的效率。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到基于分类算法的任务分配方法、装置及计算机设备。
背景技术
现有技术中,任务分配常通过专门的任务分配人员,根据具体任务的处理对象的情况手动进行任务分配,但分配效率低且任务匹配不精准。现有通过匹配多种任务分配模式,且将现有分配任务的人员根据不同的任务分配模式进行机械的划分群体,以实现不同的任务分配模式对应不重合的分配群体,通过多种任务分配模式同时进行的方式提高分配效率,但任务分配中待处理任务与任务处理人的匹配性较差,不能更精准地依据不同任务处理的特有属性进行针对性地、快速地分配待处理任务。
发明内容
本申请的主要目的为提供一种基于分类算法的任务分配方法,旨在解决现有任务分配的精准度不高的技术问题。
本申请提供了一种基于分类算法的任务分配方法,包括:
对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;
根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;
按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;
将所述待分配任务以预设方式分配给所述目标分配对象。
优选地,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:
获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应;
将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中;
获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇;
将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
优选地,第二任务分配模式对应的第二属性指标中包括多个属性,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:
在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性;
根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集;
从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个;
在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同;
根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集;
判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集;
若存在,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
优选地,所述在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性的步骤,包括:
获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值;
根据各所述影响值的大小对各所述属性进行降序排列;
设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
优选地,所述对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签的步骤,包括:
获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到;
分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级;
获取所述历史综合评分中评分最高的第一指定业务能力;
将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
优选地,所述历史综合评分包括特定能力对应的得分,所述获取所述历史综合评分中评分最高的第一指定业务能力的步骤之后,包括:
判断所述第一指定业务能力是否为所述特定能力;
若否,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
优选地,所述当前任务分配模式至少包括两种任务分配模式,所述按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象的步骤,包括:
根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序;
从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群;
将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
本申请还提供了一种基于分类算法的任务分配装置,包括:
标注模块,用于对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;
筛选模块,用于根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;
确定模块,用于按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;
分配模块,用于将所述待分配任务以预设方式分配给所述目标分配对象。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质,其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上述方法的步骤。
本申请通过分类算法充分考虑了候选分配对象群的形成合理性,以确保针对各任务分配模式的候选分配对象群具有最佳匹配性,且各任务分配模式的候选分配对象群均为从所有分配对象中筛选得出,而不限定不同的任务分配模式对应完全不重复的不同候选分配对象,允许在满足各任务分配模式的属性指标的前提下,各任务分配模式的候选分配对象群允许存在部分重合的分配对象,提高候选分配对象的精准度和合理性。且在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高处理任务的效率。
附图说明
图1本申请一实施例的基于分类算法的任务分配方法流程示意图;
图2本申请一实施例的基于分类算法的任务分配装置结构示意图;
图3本申请一实施例的计算机设备内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请一实施例的基于分类算法的任务分配方法,包括:
S1:对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分。
本实施例的指定数据库为人力管理平台的关联数据库,指定数据库中包括各任务处理人,以及各任务处理人对应的历史任务处理数据。本实施例的分配对象为指定数据库中所有待分配任务的任务处理人。预设规则包括按照任务处理人的历史任务处理数据的综合评分评价各任务处理人,并按照历史综合评分划分各任务处理人的任务处理能力等级;或根据各任务处理人的特长技能,对各任务处理人进行特定能力等级区分。本实施例通过对各任务处理人进行任务处理能力等级划分,以便对各任务处理人标注对应的能力标签,上述能力标签包括标识任务处理人任务处理能力的各种参数数据,以便优化任务分配的针对性及整体效果,提高任务分配的精准度。
S2:根据不同任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群。
本实施例通过获取不同任务分配模式的属性指标,属性指标至少包括一个指标信息,且指标信息与任务处理人的能力标签中的某个参数数据相对应。本实施例的任务分配模式包括历史分配记录模式、认领模式、随机分配模式、自定义分配模式和指定分配模式等,不同的任务分配模式对应的属性指标不同。举例地,历史分配记录模式的属性指标中至少包括历史处理该任务的频次指标信息,指定分配模式的属性指标中至少包括特定能力适合度的指标信息。本实施例根据当前任务分配模式的属性指标,确定任务处理人的能力标签中的第一具体参数数据,第一具体参数数据包括多个,并将上述多个第一具体参数数据同时输入到基于支持向量机的聚类算法中,以获取到聚类算法输出的第一具体参数数据对应的聚类簇,并根据该聚类簇从指定数据库中筛选出与当前任务分配模式对应的候选分配对象群。本申请其他实施例根据当前任务分配模式的属性指标,确定任务处理人的能力标签中的第二具体参数数据,第二具体参数数据包括多个,并根据决策树模型对上述第二具体参数数据进行重要性降序排序,以便根据重要性降序排序依次对指定数据库中的任务处理人进行归类划分,直到筛选出符合任务处理人数量要求和任务处理能力要求的候选分配对象群。
S3:按照所述当前任务分配模式对应的分配规则,在与当前任务分配模式对应的候选分配对象群中确定待分配任务对应的目标分配对象。
本实施例通过预先根据当前任务分配模式,从指定数据库中筛选出匹配度最佳的候选分配对象群,以便在满足任务分配精准度的前提下,提高任务分配效率。本实施例中不同任务分配模式下的候选分配对象群,根据不同属性的具体参数数据进行划分,允许不同任务分配模式下的候选分配对象群有部分交叉的现象,相比于机械地将数据库中的任务处理人以绝对分组的方式进行区别,表现为不同群体绝对地对应不同的候选群更合理。当不同属性的具体参数数据有部分重复时,各候选分配对象群种的任务分配人有部分重叠的现象,可通过优先选择的任务分配模式决定优先调哪个候选分配对象群,以解决任务分配中的冲突问题。
S4:将所述待分配任务以预设方式分配给所述目标分配对象。
本实施例在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高任务处理的效率。
进一步地,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤S2,包括:
S21:获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应。
本实施例的第一属性指标,包括分配对象的工作状态、年龄、性别、历史工作年限、文化程度、专业等级等业务信息。比如,工作状态包括任务处理中、待分配任务和已分配任务待处理。本实施例的第一属性指标来自用户购买健康保险产品时输入的个人信息,或评估预购买健康保险产品时录入的个人信息。
S22:将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中。
本实施例的聚类算法基于支持向量机,支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出特有优势,可以高效进行分析数据、识别模式、分类和回归分析。由于支持向量机可根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,即得到具有一定学习能力的复杂度较低的模型,以求获得最好的推广能力,使得本实施例基于支持向量机的聚类算法相比于传统的聚类算法具有处理的效率更高,使得输出的分类数据得到最大化的最小间隔,更有利于建立第一任务分配模式对应的分配对象的精准画像,提高第一任务分配模式与分配对象的匹配精准度。
S23:获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇。
S24:将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
本实施例通过将已标注能力标签的所有分配对象,作为基于支持向量机的聚类算法的输入,以便通过聚类算法输出第一任务分配模式对应的第一聚类簇,以便通过对各任务分配模式对应的分配对象进行归类分簇,达到分配对象种群与具体任务分配模式进行更精准的匹配。
进一步地,第二任务分配模式对应的第二属性指标中包括多个属性,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤S2,包括:
S201:在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性。
本实施例的对第二任务分配模式影响最大的第一属性,为影响第二任务分配模式的波动最大的特征,比如,第二任务分配模式为指定分配模式,先将第二任务分配模式对应的第二属性指标中的10个维度的属性,根据决策树计算方法,分别按照一列为属性,一列为第二任务分配模式历史分配对象的有无携带状态值进行数据排布,根据各属性对应的数据排布分别计算各属性对应的匹配率,按照匹配率取值的大小将10个属性按照降序排列,选择降序排列中排序在前端的3个属性对经过任务处理能力等级划分的所有所述分配对象进行划分,其中降序排列中排序在最前端的属性,为对第二任务分配模式的影响最大的第一属性。
S202:根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集。
上述第一指定数量与第一属性的分类分区数量一一对应。比如第一属性征为工作状态,工作状态包括任务处理中、待分配任务和已分配任务待处理三个分类分区,则第一指定数量为三,可将对经过任务处理能力等级划分的所有所述分配对象分别对应划分成三个第一子集。
S203:从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个。
本实施例的第一预设条件可以为第一子集包括的分配对象具有可接收新任务的剩余时间,满足第一预设条件的第一子集均为目标第一子集,以进入第二次划分的梯队中。
S204:在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同。
本实施例以待分配任务第一子集为例,根据决策树计算方法寻找对目标第一子集影响最大的第二属性,比如为年龄。因为经过以“工作状态”作为第一属性对所有分配对象划分后,得到的同一个目标第一子集中的工作状态均为待分配任务,再次对属性重要性进行排序时,“工作状态”这一特征将不再参与排序,此时特征降序排序中,排在第一位的为“年龄”,则第二属性为“年龄”。
S205:根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集。
本实施例通过将年龄离散为[20,30),[30,40),[40,50),[50,60)四个区间,将目标第一子集对应划分为四个区间分别对应的四个第二子集。相当于对待分配任务第一子集进行了进一步的细化,以便寻找与第二任务分配模式更匹配的目标分配群体。
S206:判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集。
本实施例的第二预设条件为第一子集包括的分配对象的总量小于或等于预设阈值且大于零。本实施例的第二预设条件为满足第一预设条件后的新增限定条件,以实现通过逐步增加限定条件逐渐缩小子集范围,以找到满足第二任务分配模式对应的候选分配对象群。
S207:若存在满足第二预设条件的目标第二子集,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
本实施例中若不存在满足第二预设条件的目标第二子集,则对目标第二子集重新增加新限定条件,进入第三次子集划分的第三预设条件,直至以聚拢的方式快速找到满足要求的候选分配对象群,实现更精准的任务分配。
进一步地,所述在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性的步骤S201,包括:
S2011:获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值。
S2012:根据各所述影响值的大小对各所述属性进行降序排列。
S2013:设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
本实施例通过信息增益算法,通过单独计算每个属性加入计算后,对第二任务分配模式的整体熵的影响幅度,来获取各影响值。信息增益算法计算如下:g(D,A)=H(D)-H(D|A),其中,g(D,A)表示A属性对整体熵的影响幅度,H(D)表示所有分配对象的熵,H(DΙA)表示根据A属性划分后的子集的熵。影响值的数值越大,说明对整体影响越大,相应属性的作用能力越强,对寻找候选分配对象群的作用就越重要。
进一步地,所述对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签的步骤S1,包括:
S11:获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到。
S12:分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级。
S13:获取所述历史综合评分中评分最高的第一指定业务能力。
S14:将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
本实施例通过历史综合评分评价各分配对象的任务处理能力,历史综合评分越高,表明分配对象的任务处理能力越强。各业务能力可设定相同或不同的权重比例,以便得到的历史综合评分更具有参考价值。本实施例通过将历史综合评分中评分最高的第一指定业务能力,作为能力标签进行标注,以便通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群时,可根据能力标签实现快速定位或分类,且可通过增加能力标签对应的权重比例,使找到的目标分配对象更适合待分配的任务。
进一步地,所述历史综合评分包括特定能力对应的得分,所述获取所述历史综合评分中评分最高的第一指定业务能力的步骤S13之后,还包括:
S15:判断所述第一指定业务能力是否为所述特定能力。
S16:若所述第一指定业务能力不是所述特定能力,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
本实施例中的能力标签中不仅包括历史综合评分中评分最高的第一指定业务能力,还包括特定能力。上述特定能力可理解为特定专业技术、特定工作经历等,比如有参军经历或出海经历等,以便满足为特殊任务寻找目标分配群体的精准性、匹配度。
进一步地,所述当前任务分配模式至少包括两种任务分配模式,所述按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象的步骤S3,包括:
S31:根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序。
S32:从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群。
S33:将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
本实施例的任务分配模式包括历史记录分配模式、认领分配模式、随机分配模式、自定义分配模式和指定分配模式。预设优先级排序从高到低依次为指定分配模式、自定义分配模式、历史记录分配模式、认领分配模式、随机分配模式。根据上述从所有分配对象中筛选指定任务分配模式对应的候选分配对象群的方法,分别从所有分配对象中得到历史记录分配模式、认领分配模式、随机分配模式、自定义分配模式和指定分配模式依次对应的候选分配对象群,以优先级排序最高的指定分配模式对应的候选分配对象群,作为第一候选分配对象群。本实施例可通过直接从所有分配对象中,得到获取优先级排序最高的指定分配模式对应的候选分配对象群,其他任务分配模式对应的候选分配对象群无需计算分类,以节省程序,加快处理效率。本申请其他实施例也分别从所有分配对象中得到各任务分配模式对应的候选分配对象群,再通过优先级排序选择排序靠前的两个或两个以上候选分配对象群,并分析上述两个或两个以上候选分配对象群中重复的分配对象为新候选分配对象群,以确保从新候选分配对象群中选定的目标分配对象更贴合当前任务要求。本实施例确定了当前任务分配模式对应的候选分配对象群,通过群内组员随机分配或认领分配等形式,实现任务分配。
本实施例通过分类算法充分考虑了候选分配对象群的形成合理性,以确保针对各任务分配模式的候选分配对象群具有最佳匹配性,且各任务分配模式的候选分配对象群均为从所有分配对象中筛选得出,而不限定不同的任务分配模式对应完全不重复的不同候选分配对象,允许在满足各任务分配模式的属性指标的前提下,各任务分配模式的候选分配对象群允许存在部分重合的分配对象,提高候选分配对象的精准度和合理性。且在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高处理任务的效率。
参照图2,本申请一实施例的基于分类算法的任务分配装置,包括:
标注模块1,用于对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分。
本实施例的指定数据库为人力管理平台的关联数据库,指定数据库中包括各任务处理人,以及各任务处理人对应的历史任务处理数据。本实施例的分配对象指指定数据库中所有待分配任务的任务处理人。预设规则包括按照任务处理人的历史任务处理数据的综合评分评价各任务处理人,并按照历史综合评分划分各任务处理人的任务处理能力等级;或根据各任务处理人的特长技能,对各任务处理人进行特定能力等级区分。本实施例通过对各任务处理人进行任务处理能力等级划分,以便对各任务处理人标注对应的能力标签,上述能力标签包括标识任务处理人任务处理能力的各种参数数据,以便优化任务分配的针对性及整体效果,提高任务分配的精准度。
筛选模块2,用于根据不同任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群。
本实施例通过获取不同任务分配模式的属性指标,属性指标至少包括一个指标信息,且指标信息与任务处理人的能力标签中的某个参数数据相对应。本实施例的任务分配模式包括历史分配记录模式、认领模式、随机分配模式、自定义分配模式和指定分配模式等,不同的任务分配模式对应的属性指标不同。举例地,历史分配记录模式的属性指标中至少包括历史处理该任务的频次指标信息,指定分配模式的属性指标中至少包括特定能力适合度的指标信息。本实施例根据当前任务分配模式的属性指标,确定任务处理人的能力标签中的第一具体参数数据,第一具体参数数据包括多个,并将上述多个第一具体参数数据同时输入到基于支持向量机的聚类算法中,以获取到聚类算法输出的第一具体参数数据对应的聚类簇,并根据该聚类簇从指定数据库中筛选出与当前任务分配模式对应的候选分配对象群。本申请其他实施例根据当前任务分配模式的属性指标,确定任务处理人的能力标签中的第二具体参数数据,第二具体参数数据包括多个,并根据决策树模型对上述第二具体参数数据进行重要性降序排序,以便根据重要性降序排序依次对指定数据库中的任务处理人进行归类划分,直到筛选出符合任务处理人数量要求和任务处理能力要求的候选分配对象群。
确定模块3,用于按照所述当前任务分配模式对应的分配规则,在与当前任务分配模式对应的候选分配对象群中确定待分配任务对应的目标分配对象。
本实施例通过预先根据当前任务分配模式,从指定数据库中筛选出匹配度最佳的候选分配对象群,以便在满足任务分配精准度的前提下,提高任务分配效率。本实施例中不同任务分配模式下的候选分配对象群,根据不同属性的具体参数数据进行划分,允许不同任务分配模式下的候选分配对象群有部分交叉的现象,相比于机械地将数据库中的任务处理人以绝对的方式进行区别,表现为不同群体对应不同的候选群更合理。当不同属性的具体参数数据有部分重复时,各候选分配对象群种的任务分配人有部分重叠的现象,可通过优先选择的任务分配模式决定优先调哪个候选分配对象群,以解决任务分配中的冲突问题。
分配模块4,用于将所述待分配任务以预设方式分配给所述目标分配对象。
本实施例在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高任务处理的效率。
进一步地,本实施例的筛选模块2,包括:
第一获取单元,用于获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应。
本实施例的第一属性指标,包括分配对象的工作状态、年龄、性别、历史工作年限、文化程度、专业等级等业务信息。比如,工作状态包括任务处理中、待分配任务和已分配任务待处理。本实施例的第一属性指标来自用户购买健康保险产品时的输入的个人信息,或评估预购买健康保险产品时录入的个人信息。
输入单元,用于将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中。
本实施例的聚类算法基于支持向量机,支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出特有优势,可以高效进行分析数据、识别模式、分类和回归分析。由于支持向量机可根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,即得到具有一定学习能力的复杂度较低的模型,以求获得最好的推广能力,使得本实施例基于支持向量机的聚类算法相比于传统的聚类算法具有处理的效率更高,使得输出的分类数据得到最大化的最小间隔,更有利于建立第一任务分配模式对应的分配对象的精准画像,提高第一任务分配模式与分配对象的匹配精准度。
第二获取单元,用于获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇。
第一作为单元,用于将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
本实施例通过将已标注能力标签的所有分配对象,作为基于支持向量机的聚类算法的输入,以便通过聚类算法输出第一任务分配模式对应的第一聚类簇,以便通过对各任务分配模式对应的分配对象进行归类分簇,达到分配对象种群与具体任务分配模式进行更精准的匹配。
进一步地,第二任务分配模式对应的第二属性指标中包括多个属性,本申请另一实施例的筛选模块2,包括:
第三获取单元,用于在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性。
本实施例的对第二任务分配模式影响最大的第一属性,为影响第二任务分配模式的波动最大的特征,比如,第二任务分配模式为指定分配模式,先将第二任务分配模式对应的第二属性指标中的10个维度的属性,根据决策树计算方法,分别按照一列为属性,一列为第二任务分配模式历史分配对象的有无携带状态值进行数据排布,根据各属性对应的数据排布分别计算各属性对应的匹配率,按照匹配率取值的大小将10个属性按照降序排列,选择降序排列中排序在前端的3个属性对经过任务处理能力等级划分的所有所述分配对象进行划分,其中降序排列中排序在最前端的属性,为对第二任务分配模式的影响最大的第一属性。
第一划分单元,用于根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集。
上述第一指定数量与第一属性的分类分区数量一一对应。比如第一属性征为工作状态,工作状态包括任务处理中、待分配任务和已分配任务待处理三个分类分区,则第一指定数量为三,可将对经过任务处理能力等级划分的所有所述分配对象分别对应划分成三个第一子集。
筛选单元,用于从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个。
本实施例的第一预设条件可以为第一子集包括的分配对象具有可接收新任务的剩余时间,满足第一预设条件的第一子集均为目标第一子集,以进入第二次划分的梯队中。
第四获取单元,用于在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同。
本实施例以待分配任务第一子集为例,根据决策树计算方法寻找对目标第一子集影响最大的第二属性,比如为年龄。因为经过以“工作状态”作为第一属性对所有分配对象划分后,得到的同一个目标第一子集中的工作状态均为待分配任务,再次对属性重要性进行排序时,“工作状态”这一特征将不再参与排序,此时特征降序排序中,排在第一位的为“年龄”,则第二属性为“年龄”。
第二划分单元,用于根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集。
本实施例通过将年龄离散为[20,30),[30,40),[40,50),[50,60)四个区间,将目标第一子集对应划分为四个区间分别对应的四个第二子集。相当于对待分配任务第一子集进行了进一步的细化,以便寻找与第二任务分配模式更匹配的目标分配群体。
第一判断单元,用于判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集。
本实施例的第二预设条件为第一子集包括的分配对象的总量小于或等于预设阈值且大于零。本实施例的第二预设条件为满足第一预设条件后的新增限定条件,以实现通过逐步增加限定条件逐渐缩小子集范围,以找到满足第二任务分配模式对应的候选分配对象群。
判定单元,用于若存在满足第二预设条件的目标第二子集,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
本实施例中,若不存在满足第二预设条件的目标第二子集,则对目标第二子集重新增加新限定条件,进入第三次子集划分的第三预设条件,直至以聚拢的方式快速找到满足要求的候选分配对象群,实现更精准的任务分配。
进一步地,所述第三获取单元,包括:
获取子单元,用于获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值。
排列子单元,用于根据各所述影响值的大小对各所述属性进行降序排列。
设定子单元,用于设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
本实施例通过信息增益算法,通过单独计算每个属性加入计算后,对第二任务分配模式的整体熵的影响幅度,来获取各影响值。信息增益算法计算如下:g(D,A)=H(D)-H(D|A),其中,g(D,A)表示A属性对整体熵的影响幅度,H(D)表示所有分配对象的熵,H(DΙA)表示根据A属性划分后的子集的熵。影响值的数值越大,说明对整体影响越大,相应属性的作用能力越强,对寻找候选分配对象群的作用就越重要。
进一步地,本实施例的标注模块1,包括:
第五获取单元,用于获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到。
第三划分单元分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级。
第六获取单元,用于获取所述历史综合评分中评分最高的第一指定业务能力。
第二作为单元,用于将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
本实施例通过历史综合评分评价各分配对象的任务处理能力,历史综合评分越高,表明分配对象的任务处理能力越强。各业务能力可设定相同或不同的权重比例,以便得到的历史综合评分更具有参考价值。本实施例通过将历史综合评分中评分最高的第一指定业务能力,作为能力标签进行标注,以便通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群时,可根据能力标签实现快速定位或分类,且可通过增加能力标签对应的权重比例,使找到的目标分配对象更适合待分配的任务。
进一步地,所述标注模块1,还包括:
第二判断单元,用于判断所述第一指定业务能力是否为所述特定能力。
第三作为单元,用于若所述第一指定业务能力不是所述特定能力,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
本实施例中的能力标签中不仅包括历史综合评分中评分最高的第一指定业务能力,还包括特定能力。上述特定能力可理解为特定专业技术、特定工作经历等,比如有参军经历或出海经历等,以便满足为特殊任务寻找目标分配群体的精准性、匹配度。
进一步地,所述当前任务分配模式至少包括两种任务分配模式,本实施例的确定模块3,包括:
第七获取单元,用于根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序。
确定单元,用于从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群。
第四作为单元,用于将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
本实施例的任务分配模式包括历史记录分配模式、认领分配模式、随机分配模式、自定义分配模式和指定分配模式。预设优先级排序从高到低依次为指定分配模式、自定义分配模式、历史记录分配模式、认领分配模式、随机分配模式。根据上述从所有分配对象中筛选指定任务分配模式对应的候选分配对象群的方法,分别从所有分配对象中得到历史记录分配模式、认领分配模式、随机分配模式、自定义分配模式和指定分配模式依次对应的候选分配对象群,以优先级排序最高的指定分配模式对应的候选分配对象群,作为第一候选分配对象群。本实施例可通过直接从所有分配对象中,得到获取优先级排序最高的指定分配模式对应的候选分配对象群,其他任务分配模式对应的候选分配对象群无需计算分类,以节省程序,加快处理效率。本申请其他实施例也分别从所有分配对象中得到各任务分配模式对应的候选分配对象群,再通过优先级排序选择排序靠前的两个或两个以上候选分配对象群,并分析上述两个或两个以上候选分配对象群中重复的分配对象为新候选分配对象群,以确保从新候选分配对象群中选定的目标分配对象更贴合当前任务要求。本实施例确定了当前任务分配模式对应的候选分配对象群,通过群内组员随机分配或认领分配等形式,实现任务分配。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于分类算法的任务分配过程需要的所有数据。该计算机设备的网络接口用于与外部的端通过网络连接通信。该计算机程序被处理器执行时以实现基于分类算法的任务分配方法。
上述处理器执行上述基于分类算法的任务分配方法,包括:对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;将所述待分配任务以预设方式分配给所述目标分配对象。
上述计算机设备,通过分类算法充分考虑了候选分配对象群的形成合理性,以确保针对各任务分配模式的候选分配对象群具有最佳匹配性,且各任务分配模式的候选分配对象群均为从所有分配对象中筛选得出,而不限定不同的任务分配模式对应完全不重复的不同候选分配对象,允许在满足各任务分配模式的属性指标的前提下,各任务分配模式的候选分配对象群允许存在部分重合的分配对象,提高候选分配对象的精准度和合理性。且在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高处理任务的效率。
在一个实施例中,上述处理器根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应;将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中;获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇;将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
在一个实施例中,第二任务分配模式对应的第二属性指标中包括多个属性,上述处理器根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性;根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集;从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个;在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同;根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集;判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集;若存在,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
在一个实施例中,上述处理器在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性的步骤,包括:获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值;根据各所述影响值的大小对各所述属性进行降序排列;设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
在一个实施例中,上述处理器对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签的步骤,包括:获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到;分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级;获取所述历史综合评分中评分最高的第一指定业务能力;将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
在一个实施例中,上述处理器历史综合评分包括特定能力对应的得分,所述获取所述历史综合评分中评分最高的第一指定业务能力的步骤之后,包括:判断所述第一指定业务能力是否为所述特定能力;若否,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
在一个实施例中,所述当前任务分配模式至少包括两种任务分配模式,上述处理器按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象的步骤,包括:根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序;从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群;将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于分类算法的任务分配方法,包括:对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;将所述待分配任务以预设方式分配给所述目标分配对象。
上述计算机可读存储介质,通过分类算法充分考虑了候选分配对象群的形成合理性,以确保针对各任务分配模式的候选分配对象群具有最佳匹配性,且各任务分配模式的候选分配对象群均为从所有分配对象中筛选得出,而不限定不同的任务分配模式对应完全不重复的不同候选分配对象,允许在满足各任务分配模式的属性指标的前提下,各任务分配模式的候选分配对象群允许存在部分重合的分配对象,提高候选分配对象的精准度和合理性。且在确定了当前任务分配模式以及当前任务分配模式对应的最佳候选分配对象群后,可结合随机分配、自由认领分配的模式,进行任务分配,在提高任务分配效率的同时,提高任务分配的精准度、合理性,提高处理任务的效率。
在一个实施例中,上述处理器根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应;将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中;获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇;将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
在一个实施例中,第二任务分配模式对应的第二属性指标中包括多个属性,上述处理器根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性;根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集;从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个;在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同;根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集;判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集;若存在,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
在一个实施例中,上述处理器在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性的步骤,包括:获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值;根据各所述影响值的大小对各所述属性进行降序排列;设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
在一个实施例中,上述处理器对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签的步骤,包括:获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到;分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级;获取所述历史综合评分中评分最高的第一指定业务能力;将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
在一个实施例中,上述处理器历史综合评分包括特定能力对应的得分,所述获取所述历史综合评分中评分最高的第一指定业务能力的步骤之后,包括:判断所述第一指定业务能力是否为所述特定能力;若否,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
在一个实施例中,所述当前任务分配模式至少包括两种任务分配模式,上述处理器按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象的步骤,包括:根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序;从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群;将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于分类算法的任务分配方法,其特征在于,包括:
对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;
根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;
按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;
将所述待分配任务以预设方式分配给所述目标分配对象。
2.根据权利要求1所述的基于分类算法的任务分配方法,其特征在于,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:
获取第一任务分配模式对应的第一属性指标,其中所述第一属性指标与所述能力标签中的至少一项相对应;
将已标注所述能力标签的所有所述分配对象,输入到基于支持向量机的聚类算法中;
获取所述聚类算法输出的所述第一任务分配模式对应的第一聚类簇;
将所述第一聚类簇对应的第一分配对象种群,作为所述第一任务分配模式对应的候选分配对象群。
3.根据权利要求1所述的基于分类算法的任务分配方法,其特征在于,第二任务分配模式对应的第二属性指标中包括多个属性,所述根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群的步骤,包括:
在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性;
根据所述第一属性对应的第一指定数量的分类分区,将所有所述分配对象划分为第一指定数量的第一子集;
从每个所述第一子集中筛选满足第一预设条件的目标第一子集,其中所述目标第一子集为一个或多个;
在所述目标第一子集包括的所有第二属性指标中,获取对所述目标第一子集的信息量影响最大的第二属性,所述第二属性与所述第一属性不同;
根据所述第二属性对应的第二指定数量的分类分区,将所述目标第一子集划分为第二指定数量的第二子集;
判断所述第二指定数量的第二子集中,是否存在满足第二预设条件的目标第二子集;
若存在,则停止对所述目标第二子集的划分,并判定满足所述第二预设条件的目标第二子集,为所述第二任务分配模式对应的候选分配对象群。
4.根据权利要求3所述的基于分类算法的任务分配方法,其特征在于,所述在所述第二任务分配模式对应的第二属性指标中,获取对所述第二任务分配模式影响最大的第一属性的步骤,包括:
获取所述第二属性指标中各属性分别对所述第二任务分配模式的影响值;
根据各所述影响值的大小对各所述属性进行降序排列;
设定所述降序排列中的排列次序最靠前的第一影响值对应的属性,为所述第一属性。
5.根据权利要求1所述的基于分类算法的任务分配方法,其特征在于,所述对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签的步骤,包括:
获取所有所述分配对象分别对应的历史任务处理数据,其中所述历史任务处理数据至少包括历史综合评分,所述历史综合评分通过汇总各业务能力的得分得到;
分别按照所述历史综合评分划分各所述分配对象的任务处理能力等级;
获取所述历史综合评分中评分最高的第一指定业务能力;
将各所述分配对象分别对应的第一指定业务能力作为所述能力标签进行标注。
6.根据权利要求5所述的基于分类算法的任务分配方法,其特征在于,所述历史综合评分包括特定能力对应的得分,所述获取所述历史综合评分中评分最高的第一指定业务能力的步骤之后,包括:
判断所述第一指定业务能力是否为所述特定能力;
若否,则将各所述分配对象分别对应的第一指定业务能力和特定能力,同时作为所述能力标签进行标注。
7.根据权利要求6所述的基于分类算法的任务分配方法,其特征在于,所述当前任务分配模式至少包括两种任务分配模式,所述按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象的步骤,包括:
根据各所述任务分配模式的预设优先级排序,获取所述当前任务分配模式中各所述任务分配模式对应的候选分配对象群排序;
从所述候选分配对象群排序中确定优先级最高的第一候选分配对象群;
将所述第一候选分配对象群中的指定分配对象作为所述目标分配对象。
8.一种基于分类算法的任务分配装置,其特征在于,包括:
标注模块,用于对指定数据库中的所有分配对象按照预设规则进行任务处理能力等级划分,并分别标注能力标签;
筛选模块,用于根据任务分配模式的属性指标,从经过任务处理能力等级划分的所有所述分配对象中,通过指定分类算法筛选出与当前任务分配模式对应的候选分配对象群;
确定模块,用于按照所述当前任务分配模式对应的分配规则,在与所述当前任务分配模式对应的候选分配对象群中,确定待分配任务对应的目标分配对象;
分配模块,用于将所述待分配任务以预设方式分配给所述目标分配对象。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024184.8A CN109872036B (zh) | 2019-01-10 | 2019-01-10 | 基于分类算法的任务分配方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024184.8A CN109872036B (zh) | 2019-01-10 | 2019-01-10 | 基于分类算法的任务分配方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872036A true CN109872036A (zh) | 2019-06-11 |
CN109872036B CN109872036B (zh) | 2024-04-05 |
Family
ID=66917618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910024184.8A Active CN109872036B (zh) | 2019-01-10 | 2019-01-10 | 基于分类算法的任务分配方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872036B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
CN110443476A (zh) * | 2019-07-23 | 2019-11-12 | 国家计算机网络与信息安全管理中心 | 基于知识标注评价的任务分配方法及*** |
CN110471749A (zh) * | 2019-07-12 | 2019-11-19 | 平安普惠企业管理有限公司 | 任务处理方法、装置、计算机可读存储介质和计算机设备 |
CN110766269A (zh) * | 2019-09-02 | 2020-02-07 | 平安科技(深圳)有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
CN111046902A (zh) * | 2019-10-30 | 2020-04-21 | 平安科技(深圳)有限公司 | 基于聚类算法的分类方法、装置、计算机设备及存储介质 |
CN111080061A (zh) * | 2019-11-11 | 2020-04-28 | 无锡文思海辉信息技术有限公司 | 任务分配方法、装置、计算机设备和存储介质 |
CN111144784A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 面向有人/无人协同编队***的任务分配方法及*** |
CN111309373A (zh) * | 2020-01-19 | 2020-06-19 | 北京戴纳实验科技有限公司 | 一种灵活配置人物权限、办事流程、角色的方法 |
CN111507557A (zh) * | 2019-12-09 | 2020-08-07 | 武汉空心科技有限公司 | 一种基于多角色的工作平台任务分配方法及*** |
CN111612287A (zh) * | 2019-12-09 | 2020-09-01 | 武汉空心科技有限公司 | 针对不同群体的工作平台任务分配管理方法 |
CN111652396A (zh) * | 2019-12-09 | 2020-09-11 | 武汉空心科技有限公司 | 一种工作平台指定用户的任务分配方法 |
CN112184005A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种运营任务分类方法、装置、设备和存储介质 |
CN113283742A (zh) * | 2021-05-21 | 2021-08-20 | 建信金融科技有限责任公司 | 一种任务分配方法和装置 |
CN113342518A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 任务处理方法和装置 |
CN113360269A (zh) * | 2021-06-29 | 2021-09-07 | 平安普惠企业管理有限公司 | 一种任务分配方法、装置、服务器及存储介质 |
CN113762695A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种任务单分配方法和装置 |
CN114048848A (zh) * | 2022-01-13 | 2022-02-15 | 深圳市永达电子信息股份有限公司 | 一种基于记忆机制的类脑计算方法和*** |
CN114091960A (zh) * | 2021-11-29 | 2022-02-25 | 深圳壹账通智能科技有限公司 | 业务智能派单匹配方法、装置、服务器及存储介质 |
CN114399152A (zh) * | 2021-12-06 | 2022-04-26 | 石河子大学 | 产业园区综合能源调度优化方法及装置 |
CN115858177A (zh) * | 2023-02-08 | 2023-03-28 | 成都数联云算科技有限公司 | 一种渲染机资源分配方法、装置、设备及介质 |
CN116723225A (zh) * | 2023-06-16 | 2023-09-08 | 广州银汉科技有限公司 | 游戏任务的自动分配方法及*** |
CN117893334A (zh) * | 2024-03-15 | 2024-04-16 | 国任财产保险股份有限公司 | 一种基于大数据的保险任务分配方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679740A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 业务员筛选激活方法、电子装置及计算机可读存储介质 |
CN108229792A (zh) * | 2017-12-11 | 2018-06-29 | 浪潮软件集团有限公司 | 一种自动分配任务的方法和装置 |
-
2019
- 2019-01-10 CN CN201910024184.8A patent/CN109872036B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679740A (zh) * | 2017-09-28 | 2018-02-09 | 平安科技(深圳)有限公司 | 业务员筛选激活方法、电子装置及计算机可读存储介质 |
CN108229792A (zh) * | 2017-12-11 | 2018-06-29 | 浪潮软件集团有限公司 | 一种自动分配任务的方法和装置 |
Non-Patent Citations (1)
Title |
---|
陈爱国 等: "基于资源分组的多约束云工作流调度算法", 电子科技大学学报, no. 03, 30 May 2017 (2017-05-30) * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471749A (zh) * | 2019-07-12 | 2019-11-19 | 平安普惠企业管理有限公司 | 任务处理方法、装置、计算机可读存储介质和计算机设备 |
CN110471749B (zh) * | 2019-07-12 | 2023-04-25 | 平安普惠企业管理有限公司 | 任务处理方法、装置、计算机可读存储介质和计算机设备 |
CN110443476A (zh) * | 2019-07-23 | 2019-11-12 | 国家计算机网络与信息安全管理中心 | 基于知识标注评价的任务分配方法及*** |
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
CN110766269A (zh) * | 2019-09-02 | 2020-02-07 | 平安科技(深圳)有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技(深圳)有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
CN111046902A (zh) * | 2019-10-30 | 2020-04-21 | 平安科技(深圳)有限公司 | 基于聚类算法的分类方法、装置、计算机设备及存储介质 |
CN111046902B (zh) * | 2019-10-30 | 2024-02-02 | 平安科技(深圳)有限公司 | 基于聚类算法的分类方法、装置、计算机设备及存储介质 |
CN111080061B (zh) * | 2019-11-11 | 2024-02-06 | 文思海辉智科科技有限公司 | 任务分配方法、装置、计算机设备和存储介质 |
CN111080061A (zh) * | 2019-11-11 | 2020-04-28 | 无锡文思海辉信息技术有限公司 | 任务分配方法、装置、计算机设备和存储介质 |
CN111612287A (zh) * | 2019-12-09 | 2020-09-01 | 武汉空心科技有限公司 | 针对不同群体的工作平台任务分配管理方法 |
CN111652396A (zh) * | 2019-12-09 | 2020-09-11 | 武汉空心科技有限公司 | 一种工作平台指定用户的任务分配方法 |
CN111507557A (zh) * | 2019-12-09 | 2020-08-07 | 武汉空心科技有限公司 | 一种基于多角色的工作平台任务分配方法及*** |
CN111144784A (zh) * | 2019-12-31 | 2020-05-12 | 中国电子科技集团公司信息科学研究院 | 面向有人/无人协同编队***的任务分配方法及*** |
CN111309373A (zh) * | 2020-01-19 | 2020-06-19 | 北京戴纳实验科技有限公司 | 一种灵活配置人物权限、办事流程、角色的方法 |
CN111309373B (zh) * | 2020-01-19 | 2023-10-17 | 北京戴纳实验科技有限公司 | 一种灵活配置人物权限、办事流程、角色的方法 |
CN112184005A (zh) * | 2020-09-25 | 2021-01-05 | 中国建设银行股份有限公司 | 一种运营任务分类方法、装置、设备和存储介质 |
CN113762695A (zh) * | 2021-01-18 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种任务单分配方法和装置 |
CN113283742A (zh) * | 2021-05-21 | 2021-08-20 | 建信金融科技有限责任公司 | 一种任务分配方法和装置 |
CN113342518A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 任务处理方法和装置 |
CN113360269A (zh) * | 2021-06-29 | 2021-09-07 | 平安普惠企业管理有限公司 | 一种任务分配方法、装置、服务器及存储介质 |
CN114091960A (zh) * | 2021-11-29 | 2022-02-25 | 深圳壹账通智能科技有限公司 | 业务智能派单匹配方法、装置、服务器及存储介质 |
CN114399152A (zh) * | 2021-12-06 | 2022-04-26 | 石河子大学 | 产业园区综合能源调度优化方法及装置 |
CN114399152B (zh) * | 2021-12-06 | 2023-04-25 | 石河子大学 | 产业园区综合能源调度优化方法及装置 |
CN114048848A (zh) * | 2022-01-13 | 2022-02-15 | 深圳市永达电子信息股份有限公司 | 一种基于记忆机制的类脑计算方法和*** |
CN115858177B (zh) * | 2023-02-08 | 2023-10-24 | 成都数联云算科技有限公司 | 一种渲染机资源分配方法、装置、设备及介质 |
CN115858177A (zh) * | 2023-02-08 | 2023-03-28 | 成都数联云算科技有限公司 | 一种渲染机资源分配方法、装置、设备及介质 |
CN116723225A (zh) * | 2023-06-16 | 2023-09-08 | 广州银汉科技有限公司 | 游戏任务的自动分配方法及*** |
CN116723225B (zh) * | 2023-06-16 | 2024-05-17 | 广州银汉科技有限公司 | 游戏任务的自动分配方法及*** |
CN117893334A (zh) * | 2024-03-15 | 2024-04-16 | 国任财产保险股份有限公司 | 一种基于大数据的保险任务分配方法及*** |
CN117893334B (zh) * | 2024-03-15 | 2024-07-05 | 国任财产保险股份有限公司 | 一种基于大数据的保险任务分配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109872036B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872036A (zh) | 基于分类算法的任务分配方法、装置及计算机设备 | |
Pilkington et al. | The evolution of the intellectual structure of operations management—1980–2006: A citation/co-citation analysis | |
Kabakchieva | Student performance prediction by using data mining classification algorithms | |
CN111325103B (zh) | 一种细胞标注***和方法 | |
CA2772082C (en) | Generating a reference set for use during document review | |
US10521748B2 (en) | Retention risk determiner | |
CN107507016A (zh) | 一种消息推送方法和*** | |
JP6942617B2 (ja) | データ分析システムおよびデータ分析装置 | |
US11030552B1 (en) | Context aware recommendation of analytic components | |
CN112396428B (zh) | 一种基于用户画像数据的客群分类管理方法及装置 | |
CN116645119B (zh) | 一种基于大数据的营销获客方法 | |
CN108629508A (zh) | 信用风险分类方法、装置、计算机设备及存储介质 | |
Cil et al. | Linking of manufacturing strategy, market requirements and manufacturing attributes in technology choice: an expert system approach | |
CN114493514A (zh) | 一种应用于人力资源的数据处理方法及装置 | |
CN113313470A (zh) | 一种基于大数据的就业类型评估方法及*** | |
CN109101562A (zh) | 寻找目标群体的方法、装置、计算机设备及存储介质 | |
CN109902937A (zh) | 任务数据的质检方法、装置、计算机设备及存储介质 | |
CN108763242A (zh) | 标签生成方法及装置 | |
CN107705185A (zh) | 一种商品推荐方法及装置 | |
Salunkhe | Improving employee retention by predicting employee attrition using machine learning techniques | |
Šormaz et al. | Problem space search algorithm for manufacturing cell formation with alternative process plans | |
CN106846136A (zh) | 一种数据比对方法和设备 | |
CN106372071A (zh) | 数据仓库的信息获取方法和装置 | |
CN105989060A (zh) | 数据管理方法、装置 | |
US20160217426A1 (en) | Systems, methods, and devices for generating connectivity metrics associated with a referral processor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |