CN111667181B - 任务处理方法、装置、电子设备及计算机可读存储介质 - Google Patents

任务处理方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111667181B
CN111667181B CN202010514622.1A CN202010514622A CN111667181B CN 111667181 B CN111667181 B CN 111667181B CN 202010514622 A CN202010514622 A CN 202010514622A CN 111667181 B CN111667181 B CN 111667181B
Authority
CN
China
Prior art keywords
task
execution
processor
allocated
embedded
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.)
Active
Application number
CN202010514622.1A
Other languages
English (en)
Other versions
CN111667181A (zh
Inventor
罗浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rajax Network Technology Co Ltd
Original Assignee
Rajax Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rajax Network Technology Co Ltd filed Critical Rajax Network Technology Co Ltd
Priority to CN202010514622.1A priority Critical patent/CN111667181B/zh
Publication of CN111667181A publication Critical patent/CN111667181A/zh
Application granted granted Critical
Publication of CN111667181B publication Critical patent/CN111667181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例公开了一种任务处理方法、装置、电子设备及计算机可读存储介质，所述任务处理方法包括：通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度；响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。该技术方案能够在保障服务质量的情况下，有效地提高服务效率。

Description

任务处理方法、装置、电子设备及计算机可读存储介质
技术领域
本公开涉及数据处理技术领域，具体涉及一种任务处理方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网技术的发展，越来越多的服务提供商通过互联网平台来为用户或其他服务需求方提供服务，而很多互联网服务都需要配送员进行配送，因此如何在保障配送质量的情况下，提高配送效率并降低配送成本对于保障互联网平台的服务质量以及降低互联网平台的服务成本至关重要。现有技术中，通常考察待分配订单与配送员已接收但未配送订单中的其中一个订单之间的相似程度，再根据相似程度对于待分配订单进行分配，其中，分配之后对于配送员任务执行路线的调整是提高配送效率的一个重要因素。
发明内容
本公开实施例提供一种任务处理方法、装置、电子设备及计算机可读存储介质。
第一方面，本公开实施例中提供了一种任务处理方法。
具体的，所述任务处理方法，包括：
通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，其中，所述嵌入相似度基于所述待分配任务和已分配任务的嵌入向量计算得到；
响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
结合第一方面，本公开在第一方面的第一种实现方式中，所述根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，包括：
通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；
通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；
通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
结合第一方面和第一方面的第一种实现方式，本公开实施例在第一方面的第二种实现方式中，所述通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量，包括：
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本公开实施例在第一方面的第三种实现方式中，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，被实施为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开实施例在第一方面的第四种实现方式中，所述通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量，被实施为：
通过至少一个处理器获取所述待分配任务的执行地点；
通过至少一个处理器将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域匹配；
通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式和第一方面的第四种实现方式，本公开实施例在第一方面的第五种实现方式中，所述通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度之前，还包括：
通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式和第一方面的第五种实现方式，本公开实施例在第一方面的第六种实现方式中，还包括：
通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式和第一方面的第六种实现方式，本公开实施例在第一方面的第七种实现方式中，所述通过至少一个处理器计算待分配任务的初始评价值，包括：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式、第一方面的第六种实现方式和第一方面的第七种实现方式，本公开实施例在第一方面的第八种实现方式中，所述根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理，被实施为：
当所述嵌入相似度高于预设相似度阈值时，对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
第二方面，本公开实施例中提供了一种任务处理装置。
具体的，所述任务处理装置，包括：
获取模块，被配置为通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
计算模块，被配置为根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，其中，所述嵌入相似度基于所述待分配任务和已分配任务的嵌入向量计算得到；
调整模块，被配置为响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
结合第二方面，本公开在第二方面的第一种实现方式中，所述计算模块包括：
计算子模块，被配置为通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；
获取子模块，被配置为通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；
确定子模块，被配置为通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
结合第二方面和第二方面的第一种实现方式，本公开实施例在第二方面的第二种实现方式中，所述计算子模块被配置为：
通过至少一个处理器获取所述一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开实施例在第二方面的第三种实现方式中，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量的部分，被配置为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式和第二方面的第三种实现方式，本公开实施例在第二方面的第四种实现方式中，所述获取子模块被配置为：
通过至少一个处理器获取所述待分配任务的执行地点；
通过至少一个处理器将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域匹配；
通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式和第二方面的第四种实现方式，本公开实施例在第二方面的第五种实现方式中，所述确定子模块之前，还包括：
调整子模块，被配置为通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式和第二方面的第五种实现方式，本公开实施例在第二方面的第六种实现方式中，还包括：
处理模块，被配置为通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式和第二方面的第六种实现方式，本公开实施例在第二方面的第七种实现方式中，所述处理模块中通过至少一个处理器计算待分配任务的初始评价值的部分，被配置为：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
结合第二方面、第二方面的第一种实现方式、第二方面的第二种实现方式、第二方面的第三种实现方式、第二方面的第四种实现方式、第二方面的第五种实现方式、第二方面的第六种实现方式和第二方面的第七种实现方式中，本公开实施例在第二方面的第八种实现方式中，所述处理模块中根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理的部分，被配置为：
当所述嵌入相似度高于预设相似度阈值时，对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
第三方面，本公开实施例提供了一种电子设备，包括存储器和至少一个处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现上述第一方面中任务处理方法的方法步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储任务处理装置所用的计算机指令，其包含用于执行上述第一方面中任务处理方法为任务处理装置所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果：
上述技术方案基于待分配任务和已分配任务的嵌入向量计算所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，并最终根据所述嵌入相似度对于所述目标任务接收方的任务执行计划进行调整。上述技术方案考虑了待分配任务与某一目标任务接收方的所有已分配任务之间的相似程度，而且，后续基于计算得到的相似程度对于目标任务接收方的任务执行计划进行调整，从而在保障服务质量的情况下，有效地提高了服务效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的任务处理方法的流程图；
图2示出根据本公开一实施方式的配送路线调整示意图；
图3示出根据本公开一实施方式的任务处理装置的结构框图；
图4示出根据本公开一实施方式的电子设备的结构框图；
图5是适于用来实现根据本公开一实施方式的任务处理方法的计算机***的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
本公开实施例提供的技术方案基于待分配任务和已分配任务的嵌入向量计算所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，并最终根据所述嵌入相似度对于所述目标任务接收方的任务执行计划进行调整。上述技术方案考虑了待分配任务与某一目标任务接收方的所有已分配任务之间的相似程度，而且，后续基于计算得到的相似程度对于目标任务接收方的任务执行计划进行调整，从而在保障服务质量的情况下，有效地提高了服务效率。
图1示出根据本公开一实施方式的任务处理方法的流程图，适用于任务处理服务器，如图1所示，所述任务处理方法包括以下步骤S101-S103：
在步骤S101中，通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
在步骤S102中，根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，其中，所述嵌入相似度基于所述待分配任务和已分配任务的嵌入向量计算得到；
在步骤S103中，响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
上文提及，随着互联网技术的发展，越来越多的服务提供商通过互联网平台来为用户或其他服务需求方提供服务，而很多互联网服务都需要配送员进行配送，因此如何在保障配送质量的情况下，提高配送效率并降低配送成本对于保障互联网平台的服务质量以及降低互联网平台的服务成本至关重要。现有技术中，通常考察待分配订单与配送员已接收但未配送订单中的其中一个订单之间的相似程度，再根据相似程度对于待分配订单进行分配，其中，分配之后对于配送员任务执行路线的调整是提高配送效率的一个重要因素。
考虑到上述缺陷，在该实施方式中，提出一种任务处理方法，该方法基于待分配任务和已分配任务的嵌入向量计算所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，并最终根据所述嵌入相似度对于所述目标任务接收方的任务执行计划进行调整。上述技术方案考虑了待分配任务与某一目标任务接收方的所有已分配任务之间的相似程度，而且，后续基于计算得到的相似程度对于目标任务接收方的任务执行计划进行调整，从而在保障服务质量的情况下，有效地提高了服务效率。
在本实施例的一个可选实现方式中，所述任务指的是可被分配、分配后可被执行并在执行后能够产生一定的执行结果的任务对象，比如，所述任务可以为取货任务、送货任务、配送任务、订单任务等等。为了方便说明，下文中以取货任务为例对于本公开实施例进行解释和说明。
在本实施例的一个可选实现方式中，所述任务接收方指的是接收任务并对接收的任务进行执行操作的一方。当所述任务是取货任务时，所述任务接收方就是执行该取货任务的取货资源，其中，所述取货资源指的是可用于执行取货任务的资源，比如取货员、取货装置、取货机器人等等，需要说明的是，所述取货资源既可以包括为某一服务提供商提供专享取货服务的取货资源，也可以包括为多个服务提供商提供取货服务、根据不同服务提供商的需求灵活承担跨服务提供商的取货任务的、多个服务提供商可以共享的众包取货资源。所述目标任务接收方指的是当前需要为其分配任务的任务接收方。
在本实施例的一个可选实现方式中，所述任务执行历史行为数据指的是某一任务接收方在预设历史时间段内在执行任务时所发生的行为数据，比如所述任务执行历史行为数据可包括以下数据中的一种或多种：任务执行地点信息、任务执行起始地点信息、任务执行终止地点信息、任务执行总时长等等。其中，考虑到连续任务具有一定的相似度，因此为了保证后续嵌入向量的准确性，将预设历史时间段内的连续任务执行历史行为数据确定为后续参与嵌入向量计算的历史行为数据。
在本实施例的一个可选实现方式中，所述嵌入相似度是相似度的一种，是基于所述待分配任务和已分配任务对应的嵌入向量计算得到的，用于评价所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。
考虑到在将所述待分配任务分配给所述目标任务接收方之后，由于嵌入相似度的计算，所述目标任务接收方的任务执行路线可能会发生变化，因此，在该实施方式中，在将所述待分配任务分配给所述目标任务接收方之后，还需要根据所有已分配给所述目标任务接收方的任务信息，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，对于所述目标任务接收方的任务执行计划进行调整。其中，当所述任务为取货任务时，所述任务执行计划比如可以为取货路线调整、预估取货时间调整等等。以取货和送货路线调整为例，如图2所示，假设在未分配新的任务之前，所述目标任务接收方的已分配任务数量为2个，对应的取货任务执行地点分别为地点1和地点2，对应的送货任务执行地点分别为用户1处和用户2处，未分配新的任务之前，所述目标任务接收方的任务执行路线为图2中的实线所示，即从取货地点1到取货地点2再到送货用户1处最后到达送货用户2处，由于新的取货任务的执行地点：地点3与地点2之间的嵌入相似度大于地点3与地点1之间的嵌入相似度，新的送货任务的执行地点：用户3与用户1之间的嵌入相似度大于用户3与用户2之间的嵌入相似度，因此，在为所述目标任务接收方分配了新的取货和送货任务之后，所述目标任务接收方的任务执行路线就变为图2中的虚线所示，即从地点1先到地点2再到距离地点2更近的地点3，再到用户1处、距离用户1更近的用户3处，最后到达距离用户1更远的用户2处。
在本实施例的一个可选实现方式中，所述步骤S102，即根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度的步骤，包括以下步骤：
通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；
通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；
通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
上文提及，所述嵌入相似度是基于所述待分配任务和已分配任务对应的嵌入向量计算得到的，用于评价所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。在该实施方式中，在计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度时，首先通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；然后通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；最后通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
在本实施例的一个可选实现方式中，所述嵌入向量指的是用于表征某一对象的特征的向量数据表达，比如，任务执行地点这一对象可对应设有嵌入向量。更具体地，所述待分配任务的执行地点可对应有一嵌入向量，即第二嵌入向量，根据所述任务执行历史行为数据可计算得到一个或多个任务执行地点对应有一个或多个嵌入向量，即一个或多个第一嵌入向量，所述第一嵌入向量与第二嵌入向量之间的相似度可认为就是所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似度，可用来表征所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。
在本实施例的一个可选实现方式中，所述通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量的步骤，包括以下步骤：
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
为了获取能够准确表征某一对象的特征的向量数据表达，在该实施方式中，通过带权无向图来根据所述任务执行历史行为数据计算得到所有任务执行地点的第一嵌入向量。具体地，首先通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；然后通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，所述节点嵌入向量可作为对应任务执行地点的第一嵌入向量。
在本实施例的一个可选实现方式中，当所述任务是取货任务时，在生成任务执行带权无向图时，以所述任务执行历史行为数据中任务执行地点所在地理区域的标识信息作为所述任务执行带权无向图中的节点，其中，所述节点为一个或多个，然后根据任务接收方的任务执行路径在节点之间形成边，两节点之间的连接次数即为边的权重。其中，所述任务执行地点所在的地理区域是事先根据预设地理区域划分规则对于地理区域进行划分得到，所述任务执行地点所在地理区域的标识信息也是根据预设地理区域标识规则得到的。
在本实施例的一个可选实现方式中，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量的步骤，可被实施为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
在该实施方式中，在计算所述任务执行带权无向图中各个节点的第一嵌入向量时，首先通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；然后再通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
具体地，基于所述任务执行带权无向图，可使用DeepWalk算法学习得到所述任务执行带权无向图中每个节点的节点嵌入向量表达：首先对于所述任务执行带权无向图，通过random walk算法随机游走得到任务执行行为序列，然后将得到的任务执行行为序列作为Skip-Gram算法的训练数据，即可学习得到所述任务执行带权无向图中各节点的节点嵌入向量，其中，DeepWalk算法、random walk算法和Skip-Gram算法均为现有技术中常见的算法，本领域技术人员可熟练地使用上述算法获取所述任务执行带权无向图中每个节点的节点嵌入向量表达，对此本公开不再赘述。
在本实施例的一个可选实现方式中，所述通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量的步骤，可被实施为：
通过至少一个处理器获取所述待分配任务的执行地点；
通过至少一个处理器将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域匹配；
通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
上文提及，所述任务执行带权无向图中的节点对应设置有相应的地理区域，其以所述任务执行历史行为数据中任务执行地点所在地理区域的标识信息来表示，因此，在获取所述待分配任务的执行地点对应的第二嵌入向量时，就可先确定所述待分配任务的执行地点；然后将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域分别进行匹配；将所述任务执行带权无向图中与所述待分配任务的执行地点所在的地理区域相匹配的节点所对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
在所述通过至少一个处理器计算得到所述第二嵌入向量与各个第一嵌入向量之间的相似度之后，就可以将其分别确定为所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间的嵌入相似度。在本实施例的一个可选实现方式中，所述通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度的步骤之前，还可包括基于边信息对于所述第一嵌入向量和第二嵌入向量进行加权调整的步骤，即：
通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。
为了进一步提高所述嵌入向量的准确性，在该实施方式中，还获取边信息及相应的权重，并根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。其中，所述边信息可包括以下信息中的一种或多种：新加入任务执行地点所在地理区域的标识信息、任务执行距离、任务内容种类、任务内容数量、任务执行所属时间分片序号信息等等。其中，所述任务执行距离指的是任务接收方在执行任务时所需移动的距离；所述任务内容种类指的是所述任务所包含内容所属的种类，比如，若所述任务为餐食取货任务，则所述任务内容种类指的就是餐食取货；所述任务内容数量指的是所述任务所包含内容的数量，比如，若所述任务为餐食取货任务，则所述任务内容数量指的就是需要取货的餐食的数量；所述任务执行所属时间分片序号信息指的是所述任务在执行时属于被考核时间分片的序号，比如，若将15分钟作为一个时间分片，某一任务执行时发生在第2个15分钟，则所述任务执行所属时间分片序号信息就是2。
在确定了上述边信息之后，就可根据所述边信息对于嵌入向量的影响程度来对于所述第一嵌入向量和第二嵌入向量进行加权调整。具体地，首先将所述边信息分别变换为向量形式，其中，信息向量的转换方式属于现有技术中常用的方法，本公开对其不再赘述；然后为所述边信息和嵌入向量分别设置对应的权重，确定深度学习网络和损失函数，将所述边信息、嵌入向量和权重作为所述深度学习网络的输入，学习得到使得所述损失函数最小的权重；最后利用学习得到的各个边信息向量及其对应的权重以及所述嵌入向量对应的权重对于所述嵌入向量进行加权调整。假设学习得到的各个边信息向量对应的权重分别为：任务执行距离向量对应的权重为0.4，任务内容种类向量对应的权重为0.2，任务内容数量向量对应的权重为0.2，任务执行所属时间分片序号信息向量对应的权重为0.2，嵌入向量对应的权重为1，则被调整后的嵌入向量可表示为：调整后的嵌入向量＝(调整前的嵌入向量×1+任务执行距离向量×0.4+任务内容种类向量×0.2+任务内容数量向量×0.2+任务执行所属时间分片序号信息向量×0.2)/(1+0.4+0.2+0.2+0.2)。
在本实施例的一个可选实现方式中，所述方法还包括以下步骤：
通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
现有技术中，通常考察待分配订单与配送员已接收但未配送订单中的其中一个订单之间的相似程度，再根据相似程度对于待分配订单的配送价格进行扣减，以借此提高配送员对于订单的接收效率，同时降低配送成本。但该处理方式并未考虑待分配订单与配送员已接收但未配送的所有订单之间的相似程度，而且，对于待分配订单配送价格的扣减主要依赖主观经验，因此会在很大程度上影响待分配订单配送价格调整的准确性。因此，在该实施方式中，首先计算待分配任务的初始评价值，然后根据上述计算得到的嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
在本实施例的一个可选实现方式中，所述评价值指的是执行所述任务所需要花费的成本，即所述任务的执行价值。当所述任务是取货任务时，所述任务的评价值就是该取货任务的取货价格。
在本实施例的一个可选实现方式中，所述初始评价值指的是根据预设规则计算得到的某一待分配任务的初始待调整的评价值。
在本实施例的一个可选实现方式中，所述通过至少一个处理器计算待分配任务的初始评价值的步骤，包括以下步骤：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
在该实施方式中，为了确定所述待分配任务的初始的、后续待调整的评价值，首先通过至少一个处理器确定或获取与所述目标任务接收方对应的单位时间评价值，当所述任务是取货任务时，所述目标任务接收方为取货资源，那么与所述目标任务接收方对应的单位时间评价值指的就是该取货资源的单位时间取货价值，比如该取货资源的时薪；然后通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度即可计算得到所述待分配任务的预计执行时间，其中，所述待分配任务的执行距离指的是所述待分配任务被执行时，从所述目标任务接收方当前所在的地点至所述待分配任务执行地点之间的距离，所述目标任务接收方的历史执行速度可通过计算所述目标任务接收方在预设历史时间段内执行任务时的平均速度来获得；最后通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，即可得到所述待分配任务的初始评价值，比如，若某一待分配任务的预计执行时间为0.5小时，所述目标任务接收方对应的单位时间评价值为20元/小时，那么该待分配任务的初始评价值就是0.5小时×20元/小时＝10元。
在本实施例的一个可选实现方式中，所述根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理的步骤，可被实施为：
当所述嵌入相似度高于预设相似度阈值时，通过至少一个处理器对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
当所述嵌入相似度高于预设相似度阈值时，可认为所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间较为相似，若目标任务接收方接收所述待分配任务在执行时可节省一定的任务执行时间，为了提高目标任务接收方对于任务的接收效率，同时降低任务执行的成本，可根据所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间的相似程度对于待分配任务的初始评价值进行下调处理，但下调处理需要满足一定的原则，即使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值，即不能降低所述目标任务接收方的任务执行时薪，即对于所述待分配任务初始评价值的下调处理需满足下式：
Figure BDA0002529542520000171
其中，P1和P2表示所述目标任务接收方已分配任务的评价值，t12表示所述目标任务接收方执行完已分配任务P1和P2所需的总任务执行时间，P3表示所述待分配任务经调整后的评价值，t123表示所述目标任务接收方执行完已分配任务P1、P2和所述待分配任务所需的总任务执行时间。
接下来以两个应用场景为例对于本公开技术方案进行解释和说明。
应用场景一
所述任务为取货任务，所述目标任务接收方为取货资源，与所述目标任务接收方对应的单位时间评价值为该取货资源的单位时间取货价值，即该取货资源的时薪，所述待分配任务为待分配取货任务。首先，计算待分配取货任务的初始价格，具体地，首先确定所述取货资源对应的时薪，然后获取所述待分配取货任务的执行距离和所述取货资源的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配取货任务的预计执行时间，将所述预计执行时间与所述时薪相乘，得到所述待分配取货任务的初始价格。然后，根据取货资源的任务执行历史行为数据，计算所述待分配取货任务与已分配给所述取货资源的已分配取货任务之间的嵌入相似度，具体地，首先根据所述取货资源的任务执行历史行为数据计算取货任务执行地点的第一嵌入向量；然后获取所述待分配取货任务的执行地点对应的第二嵌入向量；最后计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，作为所述待分配取货任务与已分配给所述取货资源的已分配取货任务之间的嵌入相似度。最后，根据计算得到的嵌入相似度对于所述取货资源的行动路线以及所述待分配取货任务的初始价格进行调整，比如，当所述嵌入相似度高于预设相似度阈值时，对于所述待分配取货任务的初始价格进行下调处理，但需要注意的是，经过下调处理后的价格所对应的时薪不应低于之前确定的所述取货资源的时薪。
应用场景二
所述任务为送客任务，即将客人由其所在的起点送至其指定的终点，所述目标任务接收方为送客资源，与所述目标任务接收方对应的单位时间评价值为该送客资源的单位时间送客价值，即该送客资源的时薪，所述待分配任务为待分配送客任务。首先，计算待分配送客任务的初始价格，具体地，首先确定所述送客资源对应的时薪，然后获取所述待分配送客任务的执行距离和所述送客资源的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配送客任务的预计执行时间，将所述预计执行时间与所述时薪相乘，得到所述待分配送客任务的初始价格。然后，根据送客资源的任务执行历史行为数据，计算所述待分配送客任务与已分配送客任务之间的嵌入相似度，具体地，首先根据所述送客资源的任务执行历史行为数据计算送客任务起始/终止执行地点的第一嵌入向量；然后获取所述待分配送客任务的起始执行地点对应的第二嵌入向量；最后计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，作为所述待分配送客任务与已分配给所述送客资源的已分配送客任务之间的嵌入相似度。最后，根据计算得到的嵌入相似度对于所述送客资源的行动路线以及所述待分配送客任务的初始价格进行调整，比如，当所述嵌入相似度高于预设相似度阈值时，对于所述待分配送客任务的初始价格进行下调处理，但需要注意的是，经过下调处理后的价格所对应的时薪不应低于之前确定的所述送客资源的时薪。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图3示出根据本公开一实施方式的任务处理装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部，可实现为任务处理服务器。如图3所示，所述任务处理装置包括：
获取模块301，被配置为通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
计算模块302，被配置为根据所述任务执行历史行为数据，通过至少一个处理器计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，其中，所述嵌入相似度基于所述待分配任务和已分配任务的嵌入向量计算得到；
调整模块303，被配置为响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
上文提及，随着互联网技术的发展，越来越多的服务提供商通过互联网平台来为用户或其他服务需求方提供服务，而很多互联网服务都需要配送员进行配送，因此如何在保障配送质量的情况下，提高配送效率并降低配送成本对于保障互联网平台的服务质量以及降低互联网平台的服务成本至关重要。现有技术中，通常考察待分配订单与配送员已接收但未配送订单中的其中一个订单之间的相似程度，再根据相似程度对于待分配订单进行分配，其中，分配之后对于配送员任务执行路线的调整是提高配送效率的一个重要因素。
考虑到上述缺陷，在该实施方式中，提出一种任务处理装置，该装置基于待分配任务和已分配任务的嵌入向量计算所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，并最终根据所述嵌入相似度对于所述目标任务接收方的任务执行计划进行调整。上述技术方案考虑了待分配任务与某一目标任务接收方的所有已分配任务之间的相似程度，而且，后续基于计算得到的相似程度对于目标任务接收方的任务执行计划进行调整，从而在保障服务质量的情况下，有效地提高了服务效率。
在本实施例的一个可选实现方式中，所述任务指的是可被分配、分配后可被执行并在执行后能够产生一定的执行结果的任务对象，比如，所述任务可以为取货任务、送货任务、配送任务、订单任务等等。为了方便说明，下文中以取货任务为例对于本公开实施例进行解释和说明。
在本实施例的一个可选实现方式中，所述任务接收方指的是接收任务并对接收的任务进行执行操作的一方。当所述任务是取货任务时，所述任务接收方就是执行该取货任务的取货资源，其中，所述取货资源指的是可用于执行取货任务的资源，比如取货员、取货装置、取货机器人等等，需要说明的是，所述取货资源既可以包括为某一服务提供商提供专享取货服务的取货资源，也可以包括为多个服务提供商提供取货服务、根据不同服务提供商的需求灵活承担跨服务提供商的取货任务的、多个服务提供商可以共享的众包取货资源。所述目标任务接收方指的是当前需要为其分配任务的任务接收方。
在本实施例的一个可选实现方式中，所述任务执行历史行为数据指的是某一任务接收方在预设历史时间段内在执行任务时所发生的行为数据，比如所述任务执行历史行为数据可包括以下数据中的一种或多种：任务执行地点信息、任务执行起始地点信息、任务执行终止地点信息、任务执行总时长等等。其中，考虑到连续任务具有一定的相似度，因此为了保证后续嵌入向量的准确性，将预设历史时间段内的连续任务执行历史行为数据确定为后续参与嵌入向量计算的历史行为数据。
在本实施例的一个可选实现方式中，所述嵌入相似度是相似度的一种，是基于所述待分配任务和已分配任务对应的嵌入向量计算得到的，用于评价所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。
考虑到在将所述待分配任务分配给所述目标任务接收方之后，由于嵌入相似度的计算，所述目标任务接收方的任务执行路线可能会发生变化，因此，在该实施方式中，在将所述待分配任务分配给所述目标任务接收方之后，还需要根据所有已分配给所述目标任务接收方的任务信息，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，对于所述目标任务接收方的任务执行计划进行调整。其中，当所述任务为取货任务时，所述任务执行计划比如可以为取货路线调整、预估取货时间调整等等。以取货和送货路线调整为例，如图2所示，假设在未分配新的任务之前，所述目标任务接收方的已分配任务数量为2个，对应的取货任务执行地点分别为地点1和地点2，对应的送货任务执行地点分别为用户1处和用户2处，未分配新的任务之前，所述目标任务接收方的任务执行路线为图2中的实线所示，即从取货地点1到取货地点2再到送货用户1处最后到达送货用户2处，由于新的取货任务的执行地点：地点3与地点2之间的嵌入相似度大于地点3与地点1之间的嵌入相似度，新的送货任务的执行地点：用户3与用户1之间的嵌入相似度大于用户3与用户2之间的嵌入相似度，因此，在为所述目标任务接收方分配了新的取货和送货任务之后，所述目标任务接收方的任务执行路线就变为图2中的虚线所示，即从地点1先到地点2再到距离地点2更近的地点3，再到用户1处、距离用户1更近的用户3处，最后到达距离用户1更远的用户2处。
在本实施例的一个可选实现方式中，所述计算模块302包括：
计算子模块，被配置为通过至少一个处理器获取所述一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据，并根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；
获取子模块，被配置为通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；
确定子模块，被配置为通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
上文提及，所述嵌入相似度是基于所述待分配任务和已分配任务对应的嵌入向量计算得到的，用于评价所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。在该实施方式中，在计算所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度时，计算子模块通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；获取子模块通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；确定子模块通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
在本实施例的一个可选实现方式中，所述嵌入向量指的是用于表征某一对象的特征的向量数据表达，比如，任务执行地点这一对象可对应设有嵌入向量。更具体地，所述待分配任务的执行地点可对应有一嵌入向量，即第二嵌入向量，根据所述任务执行历史行为数据可计算得到一个或多个任务执行地点对应有一个或多个嵌入向量，即一个或多个第一嵌入向量，所述第一嵌入向量与第二嵌入向量之间的相似度可认为就是所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似度，可用来表征所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的相似程度。
在本实施例的一个可选实现方式中，所述计算子模块可被配置为：
通过至少一个处理器获取所述一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
为了获取能够准确表征某一对象的特征的向量数据表达，在该实施方式中，通过带权无向图来根据所述任务执行历史行为数据计算得到所有任务执行地点的第一嵌入向量。具体地，首先通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；然后通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，所述节点嵌入向量可作为对应任务执行地点的第一嵌入向量。
在本实施例的一个可选实现方式中，当所述任务是取货任务时，在生成任务执行带权无向图时，以所述任务执行历史行为数据中任务执行地点所在地理区域的标识信息作为所述任务执行带权无向图中的节点，其中，所述节点为一个或多个，然后根据任务接收方的任务执行路径在节点之间形成边，两节点之间的连接次数即为边的权重。其中，所述任务执行地点所在的地理区域是事先根据预设地理区域划分规则对于地理区域进行划分得到，所述任务执行地点所在地理区域的标识信息也是根据预设地理区域标识规则得到的。
在本实施例的一个可选实现方式中，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量的部分，可被配置为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
在该实施方式中，在计算所述任务执行带权无向图中各个节点的第一嵌入向量时，首先通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；然后再通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
具体地，基于所述任务执行带权无向图，可使用DeepWalk算法学习得到所述任务执行带权无向图中每个节点的节点嵌入向量表达：首先对于所述任务执行带权无向图，通过random walk算法随机游走得到任务执行行为序列，然后将得到的任务执行行为序列作为Skip-Gram算法的训练数据，即可学习得到所述任务执行带权无向图中各节点的节点嵌入向量，其中，DeepWalk算法、random walk算法和Skip-Gram算法均为现有技术中常见的算法，本领域技术人员可熟练地使用上述算法获取所述任务执行带权无向图中每个节点的节点嵌入向量表达，对此本公开不再赘述。
在本实施例的一个可选实现方式中，所述获取子模块可被配置为：
通过至少一个处理器获取所述待分配任务的执行地点；
通过至少一个处理器将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域匹配；
通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
上文提及，所述任务执行带权无向图中的节点对应设置有相应的地理区域，其以所述任务执行历史行为数据中任务执行地点所在地理区域的标识信息来表示，因此，在获取所述待分配任务的执行地点对应的第二嵌入向量时，就可先确定所述待分配任务的执行地点；然后将所述待分配任务的执行地点与所述任务执行带权无向图中节点对应的地理区域分别进行匹配；将所述任务执行带权无向图中与所述待分配任务的执行地点所在的地理区域相匹配的节点所对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量。
在所述确定子模块中，通过至少一个处理器计算得到所述第二嵌入向量与各个第一嵌入向量之间的相似度之后，就可以将其分别确定为所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间的嵌入相似度。
在本实施例的一个可选实现方式中，所述确定子模块之前，还可包括基于边信息对于所述第一嵌入向量和第二嵌入向量进行加权调整的部分，即所述计算模块302包括：
计算子模块，被配置为通过至少一个处理器获取所述一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据，并根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；
获取子模块，被配置为通过至少一个处理器获取所述待分配任务的执行地点对应的第二嵌入向量；
调整子模块，被配置为通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整；
确定子模块，被配置为通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度。
为了进一步提高所述嵌入向量的准确性，在该实施方式中，还获取边信息及相应的权重，并根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。其中，所述边信息可包括以下信息中的一种或多种：新加入任务执行地点所在地理区域的标识信息、任务执行距离、任务内容种类、任务内容数量、任务执行所属时间分片序号信息等等。其中，所述任务执行距离指的是任务接收方在执行任务时所需移动的距离；所述任务内容种类指的是所述任务所包含内容所属的种类，比如，若所述任务为餐食取货任务，则所述任务内容种类指的就是餐食取货；所述任务内容数量指的是所述任务所包含内容的数量，比如，若所述任务为餐食取货任务，则所述任务内容数量指的就是需要取货的餐食的数量；所述任务执行所属时间分片序号信息指的是所述任务在执行时属于被考核时间分片的序号，比如，若将15分钟作为一个时间分片，某一任务执行时发生在第2个15分钟，则所述任务执行所属时间分片序号信息就是2。
在确定了上述边信息之后，就可根据所述边信息对于嵌入向量的影响程度来对于所述第一嵌入向量和第二嵌入向量进行加权调整。具体地，首先将所述边信息分别变换为向量形式，其中，信息向量的转换方式属于现有技术中常用的方法，本公开对其不再赘述；然后为所述边信息和嵌入向量分别设置对应的权重，确定深度学习网络和损失函数，将所述边信息、嵌入向量和权重作为所述深度学习网络的输入，学习得到使得所述损失函数最小的权重；最后利用学习得到的各个边信息向量及其对应的权重以及所述嵌入向量对应的权重对于所述嵌入向量进行加权调整。假设学习得到的各个边信息向量对应的权重分别为：任务执行距离向量对应的权重为0.4，任务内容种类向量对应的权重为0.2，任务内容数量向量对应的权重为0.2，任务执行所属时间分片序号信息向量对应的权重为0.2，嵌入向量对应的权重为1，则被调整后的嵌入向量可表示为：调整后的嵌入向量＝(调整前的嵌入向量×1+任务执行距离向量×0.4+任务内容种类向量×0.2+任务内容数量向量×0.2+任务执行所属时间分片序号信息向量×0.2)/(1+0.4+0.2+0.2+0.2)。
在本实施例的一个可选实现方式中，所述装置还包括：
处理模块，被配置为通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
现有技术中，通常考察待分配订单与配送员已接收但未配送订单中的其中一个订单之间的相似程度，再根据相似程度对于待分配订单的配送价格进行扣减，以借此提高配送员对于订单的接收效率，同时降低配送成本。但该处理方式并未考虑待分配订单与配送员已接收但未配送的所有订单之间的相似程度，而且，对于待分配订单配送价格的扣减主要依赖主观经验，因此会在很大程度上影响待分配订单配送价格调整的准确性。因此，在该实施方式中，首先计算待分配任务的初始评价值，然后根据上述计算得到的嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
在本实施例的一个可选实现方式中，所述评价值指的是执行所述任务所需要花费的成本，即所述任务的执行价值。当所述任务是取货任务时，所述任务的评价值就是该取货任务的取货价格。
在本实施例的一个可选实现方式中，所述初始评价值指的是根据预设规则计算得到的某一待分配任务的初始待调整的评价值。
在本实施例的一个可选实现方式中，所述处理模块中通过至少一个处理器计算待分配任务的初始评价值的部分，可被配置为：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
在该实施方式中，为了确定所述待分配任务的初始的、后续待调整的评价值，首先通过至少一个处理器确定或获取与所述目标任务接收方对应的单位时间评价值，当所述任务是取货任务时，所述目标任务接收方为取货资源，那么与所述目标任务接收方对应的单位时间评价值指的就是该取货资源的单位时间取货价值，比如该取货资源的时薪；然后通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度即可计算得到所述待分配任务的预计执行时间，其中，所述待分配任务的执行距离指的是所述待分配任务被执行时，从所述目标任务接收方当前所在的地点至所述待分配任务执行地点之间的距离，所述目标任务接收方的历史执行速度可通过计算所述目标任务接收方在预设历史时间段内执行任务时的平均速度来获得；最后通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，即可得到所述待分配任务的初始评价值，比如，若某一待分配任务的预计执行时间为0.5小时，所述目标任务接收方对应的单位时间评价值为20元/小时，那么该待分配任务的初始评价值就是0.5小时×20元/小时＝10元。
在本实施例的一个可选实现方式中，所述处理模块中根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理的部分，可被配置为：
当所述嵌入相似度高于预设相似度阈值时，通过至少一个处理器对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
当所述嵌入相似度高于预设相似度阈值时，可认为所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间较为相似，若目标任务接收方接收所述待分配任务在执行时可节省一定的任务执行时间，为了提高目标任务接收方对于任务的接收效率，同时降低任务执行的成本，可根据所述待分配任务与已分配给所述目标任务接收方的所有已分配任务之间的相似程度对于待分配任务的初始评价值进行下调处理，但下调处理需要满足一定的原则，即使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值，即不能降低所述目标任务接收方的任务执行时薪，即对于所述待分配任务初始评价值的下调处理需满足下式：
Figure BDA0002529542520000271
其中，P1和P2表示所述目标任务接收方已分配任务的评价值，t12表示所述目标任务接收方执行完已分配任务P1和P2所需的总任务执行时间，P3表示所述待分配任务经调整后的评价值，t123表示所述目标任务接收方执行完已分配任务P1、P2和所述待分配任务所需的总任务执行时间。
本公开还公开了一种电子设备，图4示出根据本公开一实施方式的电子设备的结构框图，如图4所示，所述电子设备400包括存储器401和处理器402；其中，
所述存储器401用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器402执行以实现上述方法步骤。
图5是适于用来实现根据本公开一实施方式的任务处理方法的计算机***的结构示意图。
如图5所示，计算机***500包括处理单元501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行上述实施方式中的各种处理。在RAM503中，还存储有***500操作所需的各种程序和数据。处理单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。其中，所述处理单元501可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述对象识别方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种任务处理方法，包括：
通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；通过至少一个处理器获取待分配任务的执行地点，通过至少一个处理器将所述待分配任务的执行地点与任务执行带权无向图中节点对应的地理区域匹配，通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量；通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，其中，所述任务执行带权无向图根据所述任务执行历史行为数据生成；
响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
2.根据权利要求1所述的方法，所述通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量，包括：
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
3.根据权利要求2所述的方法，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，被实施为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
4.根据权利要求1所述的方法，所述通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度之前，还包括：
通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。
5.根据权利要求1-4任一所述的方法，还包括：
通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
6.根据权利要求5所述的方法，所述通过至少一个处理器计算待分配任务的初始评价值，包括：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
7.根据权利要求6所述的方法，所述根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理，被实施为：
当所述嵌入相似度高于预设相似度阈值时，对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
8.一种任务处理装置，包括：
获取模块，被配置为通过至少一个处理器获取一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
计算模块，包括：计算子模块，被配置为通过至少一个处理器根据所述任务执行历史行为数据计算任务执行地点的第一嵌入向量；获取子模块，被配置为通过至少一个处理器获取待分配任务的执行地点，通过至少一个处理器将所述待分配任务的执行地点与任务执行带权无向图中节点对应的地理区域匹配，通过至少一个处理器将与所述待分配任务执行地点地理区域匹配的所述任务执行带权无向图节点对应的节点嵌入向量确定为所述待分配任务的执行地点对应的第二嵌入向量；确定子模块，被配置为通过至少一个处理器计算所述第二嵌入向量与所述第一嵌入向量之间的相似度，将其确定为所述待分配任务与已分配给目标任务接收方的已分配任务之间的嵌入相似度，其中，所述任务执行带权无向图根据所述任务执行历史行为数据生成；
调整模块，被配置为响应于所述待分配任务被分配给所述目标任务接收方，基于所述待分配任务与已分配给所述目标任务接收方的已分配任务之间的嵌入相似度，通过至少一个处理器对于所述目标任务接收方的任务执行计划进行调整。
9.根据权利要求8所述的装置，所述计算子模块被配置为：
通过至少一个处理器获取所述一个或多个任务接收方在预设历史时间段内的任务执行历史行为数据；
通过至少一个处理器根据所述任务执行历史行为数据生成任务执行带权无向图，其中，所述任务执行带权无向图中包括两个或多个用于表征任务执行地点的节点、以及连接节点的边，所述节点对应设置有相应的地理区域；
通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量，将其作为对应任务执行地点的第一嵌入向量。
10.根据权利要求9所述的装置，所述通过至少一个处理器计算所述任务执行带权无向图中各个节点的节点嵌入向量的部分，被配置为：
通过至少一个处理器计算所述任务执行带权无向图的随机游走行为序列；
通过至少一个处理器确定嵌入向量学习模型，将所述随机游走行为序列作为所述嵌入向量学习模型的输入进行学习，学习得到所述任务执行带权无向图中各个节点的节点嵌入向量。
11.根据权利要求8所述的装置，所述确定子模块之前，还包括：
调整子模块，被配置为通过至少一个处理器获取边信息及对应的权重，根据所述边信息和权重对于所述第一嵌入向量和第二嵌入向量进行加权调整。
12.根据权利要求8-11任一所述的装置，还包括：
处理模块，被配置为通过至少一个处理器计算待分配任务的初始评价值，并根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理。
13.根据权利要求12所述的装置，所述处理模块中通过至少一个处理器计算待分配任务的初始评价值的部分，被配置为：
通过至少一个处理器确定与所述目标任务接收方对应的单位时间评价值；
通过至少一个处理器获取所述待分配任务的执行距离和所述目标任务接收方的历史执行速度，根据所述执行距离和历史执行速度计算得到所述待分配任务的预计执行时间；
通过至少一个处理器将所述预计执行时间与所述单位时间评价值相乘，得到所述待分配任务的初始评价值。
14.根据权利要求13所述的装置，所述处理模块中根据所述嵌入相似度对于所述待分配任务的初始评价值进行调整处理的部分，被配置为：
当所述嵌入相似度高于预设相似度阈值时，对于所述待分配任务的初始评价值进行下调处理，并使得经过下调处理后的评价值对应的单位时间评价值不低于所述目标任务接收方对应的单位时间评价值。
15.一种电子设备，包括存储器和至少一个处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执行以实现权利要求1-7任一项所述方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。
CN202010514622.1A 2020-06-08 2020-06-08 任务处理方法、装置、电子设备及计算机可读存储介质 Active CN111667181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010514622.1A CN111667181B (zh) 2020-06-08 2020-06-08 任务处理方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010514622.1A CN111667181B (zh) 2020-06-08 2020-06-08 任务处理方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111667181A CN111667181A (zh) 2020-09-15
CN111667181B true CN111667181B (zh) 2023-04-28

Family

ID=72385906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010514622.1A Active CN111667181B (zh) 2020-06-08 2020-06-08 任务处理方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111667181B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667376A (zh) * 2020-12-23 2021-04-16 数字广东网络建设有限公司 任务调度处理方法、装置、计算机设备及存储介质
CN113256108A (zh) * 2021-05-24 2021-08-13 平安普惠企业管理有限公司 人力资源分配方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106445988A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的智能处理方法和***
CN109636227A (zh) * 2018-12-21 2019-04-16 拉扎斯网络科技（上海）有限公司 任务分配方法、装置、电子设备及计算机可读存储介质
CN111159387A (zh) * 2019-12-12 2020-05-15 北京睿企信息科技有限公司 基于多维度报警信息文本相似度分析的推荐方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844882A (zh) * 2017-08-24 2018-03-27 北京小度信息科技有限公司 配送任务处理方法、装置及电子设备
CN109242633B (zh) * 2018-09-20 2022-04-08 创新先进技术有限公司 一种基于二部图网络的商品推送方法和装置
CN109992606A (zh) * 2019-03-14 2019-07-09 北京达佳互联信息技术有限公司 一种目标用户的挖掘方法、装置、电子设备及存储介质
CN110334975A (zh) * 2019-04-12 2019-10-15 郑州时空隧道信息技术有限公司 订单配送费用调价方法、装置及终端
CN110210905A (zh) * 2019-05-31 2019-09-06 拉扎斯网络科技（上海）有限公司 特征相似度计算方法、装置、电子设备及计算机存储介质
CN110197309B (zh) * 2019-06-05 2021-11-26 北京极智嘉科技股份有限公司 订单处理方法、装置、设备和存储介质
CN110309268B (zh) * 2019-07-12 2021-06-29 中电科大数据研究院有限公司 一种基于概念图的跨语言信息检索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106445988A (zh) * 2016-06-01 2017-02-22 上海坤士合生信息科技有限公司 一种大数据的智能处理方法和***
CN109636227A (zh) * 2018-12-21 2019-04-16 拉扎斯网络科技（上海）有限公司 任务分配方法、装置、电子设备及计算机可读存储介质
CN111159387A (zh) * 2019-12-12 2020-05-15 北京睿企信息科技有限公司 基于多维度报警信息文本相似度分析的推荐方法

Also Published As

Publication number Publication date
CN111667181A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111667181B (zh) 任务处理方法、装置、电子设备及计算机可读存储介质
CN107845016B (zh) 信息输出方法和装置
CN108762907B (zh) 基于多个客户端的任务处理方法及***
CN109816128B (zh) 网约车订单的处理方法、装置、设备及可读存储介质
CN110689254A (zh) 数据处理方法、装置、电子设备和计算机可读存储介质
CN109919551B (zh) 物流服务提供方法、装置、电子设备及可读存储介质
CN110009155B (zh) 业务区域配送难度的估计方法、装置和电子设备
CN114500339B (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
CN111598487A (zh) 数据处理和模型训练方法、装置、电子设备和存储介质
CN115018596B (zh) 虚假定位识别及模型训练方法、装置、设备、介质
CN111127154A (zh) 订单处理方法、装置、服务器和非易失性存储介质
CN111539780A (zh) 一种任务处理方法、装置、存储介质和电子设备
CN111695842A (zh) 配送方案确定方法、装置、电子设备及计算机存储介质
CN113919923B (zh) 直播推荐模型训练方法、直播推荐方法及相关设备
CN109558542B (zh) 一种信息质量评估方法、信息推送方法及装置
CN111459675B (zh) 一种数据处理方法、装置、可读存储介质和电子设备
CN111523955A (zh) 订单处理方法、装置、电子设备和非易失性存储介质
US11823250B2 (en) Data driven estimation of order delivery date
CN110516872B (zh) 一种信息处理方法、装置、存储介质和电子设备
CN112258128B (zh) 目标位置估计方法、装置、电子设备及计算机存储介质
CN112702217B (zh) 带宽流量调度方法、装置及存储介质
CN111311150B (zh) 配送任务分组方法、平台、电子设备及存储介质
CN112163726A (zh) 服务资源分配方法、装置、电子设备及可读存储介质
CN113537853A (zh) 订单分配方法、订单分配装置、可读存储介质及电子设备
CN111582408A (zh) 数据处理方法、数据处理装置、存储介质和电子设备

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