CN107741882B - 分配任务的方法及装置和电子设备 - Google Patents

Abstract

本说明书实施例提供一种分配任务的方法及装置和电子设备，服务端可以接收待分配的任务；然后，可以根据各个处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；在分类完成后，可以将分类后的任务分配给对应的处理端。

Description

分配任务的方法及装置和电子设备

技术领域

本说明书实施例涉及互联网技术领域，尤其涉及一种分配任务的方法及装置和电子设备。

背景技术

现有的任务分配通常都是固定的，即根据预先设置的规则进行分配，例如固定向每个处理端分配固定数量的任务；或者，向空闲处理端分配任务。

需要提供更有效率的分配任务的方案。

发明内容

本说明书实施例提供的一种分配任务的方法及装置和电子设备：

根据本说明书实施例的第一方面，提供一种分配任务的方法，所述方法包括：

接收待分配的任务；

根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；

将分类后的任务分配给对应的处理端。

根据本说明书实施例的第二方面，提供一种分配任务的装置，所述装置包括：

接收单元，接收待分配的任务；

分类单元，根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；

分配单元，将分类后的任务分配给对应的处理端。

根据本说明书实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待分配的任务；

根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；

将分类后的任务分配给对应的处理端。

本说明书实施例，基于各个处理端各自的处理参数，该处理参数反映了处理端的处理性能，服务端可以根据各个处理端不同的处理参数动态得给各个处理端分配合理的任务，这样，动态分配任务可以尽可能发挥各个处理端最大性能，提升整体任务处理效率；避免资源浪费。

附图说明

图1是本说明书一实施例提供的实现分配任务的的系统结构图；

图2是本说明书一实施例提供的分配任务的方法的流程图；

图3是本说明书一实施例提供的分配任务的装置的模块示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如前所述现有任务分配通常都是固定的，即根据预先设置的规则进行分配，例如固定向每个处理端分配固定数量的任务；或者，向空闲处理端分配任务。

而实际应用中，不同处理端往往可能存在不同，这些不同就可能导致处理端处理任务的效率不同；也就是说不同处理端处理任务能力可以是不同的；而现有方式则不考虑处理端自身实际情况，对于每个处理端都分配相同数量的任务，容易出现效率高的处理端处理完毕后空闲，效率低的处理端处理不完的情况。影响整体任务处理效率。

以下请参考图1示出了本文中可以适用的示例性的系统架构概念。

所述系统架构概念图可以包括服务端11和至少一个的处理端12。

服务端11可以是指用于分配任务的服务器、服务器集群或者基于服务器集群构建的云平台。

处理端12可以是指处理任务的处理方，可以包括服务器、台式计算机、膝上型计算机、平板计算机、智能手机、手持式计算机、个人数字助理(“PDA”)，或者其它任何的有线或无线处理器驱动装置。

在所述系统架构概念图中还可以包括任务的来源方(图中未示出)；所述服务端11分配的任务可以是来源于所述来源方。所述任务的来源方可以包括例如业务端，所述业务端执行业务过程中可以生成任务，并将所生成的任务提供给所述服务端11；由所述服务端11将所述任务动态分配给处理端12；处理端12在接收到服务端11分配的任务后，进行处理。

以下结合图2所示的例子介绍本说明书一种实现分配任务的方法的实施例，如图2所示，可以包括以下步骤：

步骤210：接收待分配的任务。

本实施例中，服务端可以接收待分配的任务。

在一种实现方式中：

如前所述，所述待分配的任务可以是业务端发送的；

即所述步骤210，可以包括：

接收业务端发送待分配的任务。

具体地，所述业务端执行业务过程中可以生成任务，并将所生成的任务提供给所述服务端。所述服务端可以是集成于所述业务端，也可以是独立于所述业务端。

以下以针对网络交易的欺诈审理场景为例加以说明，在网络交易过程中，由于网络中交易方都是虚拟的，交易方可能完全不知道对方的实际情况，这样就对交易的真实性提出了挑战，虽然交易平台可能会设置一定规则提高欺诈成本，但是并不能完全杜绝交易欺诈的发生。因此，交易平台(即业务端)可以提供欺诈审理服务，帮助交易方提前识别交易是否存在欺诈。交易平台可以将交易数据(交易双方的信息、交易内容等)作为欺诈审理任务发送给服务端；服务端则可以接收所述交易平台发送的欺诈审理任务，进而执行后续步骤。

值得一提的是，上述内容仅为示例，在实际应用中待分配的任务不限定为欺诈审理任务，更不限定于网络交易，本说明书中的任务可以是任意类型的任务。

在另一种实现方式中：

所述待分配的任务可以是任务处理模型发送的；

即所述步骤210，可以包括：

接收任务处理模型无法处理的待分配的任务；其中，所述任务处理模型可以用于自动处理任务。

具体地，本说明书与上一实现方式不同之处在于，在业务端与服务端之间，还包括了任务处理模型。

业务端产生的任务发送给任务处理模型进行处理；而任务处理模型无法处理的任务才转发给服务端。所述任务处理模型可以是集成于所述业务端，也可以是独立于所述业务端。

以下依然以针对网络交易的欺诈审理场景为例加以说明，一般的，为了提高欺诈审理效率，交易平台可以设置任务处理模型；所述任务处理模型可以自动对欺诈审理任务进行识别处理。

当然，随着业务的日益复杂，不同业务可以各自对应的任务处理模型。

通常，所述任务处理模型可以是根据海量训练样本(历史欺诈任务和审理结果)并基于预设算法(如机器学习算法)训练得出的模型。具体地，针对海量训练样本进行建模，从而得出通过上述预设算法计算出各种欺诈任务与审理结果之间的关系以及各个属性的权重，从而得出统一的方程或者计算公式；如此，通过所述任务处理模型对于任意输入的欺诈审理任务都可以计算出一个风险值。进一步的，根据所述风险值的大小可以判断输入的欺诈审理任务是否为欺诈；风险值越大，说明越趋向于欺诈；风险值越小，说明越趋向于非欺诈。

一般的，在所述任务处理模型计算出的风险值位于高风险值区间，可以得出审理结果：输入的欺诈审理案件为欺诈；

在所述任务处理模型计算出的风险值位于低风险值区间，可以得出审理结果：输入的欺诈审理案件为非欺诈；

在所述任务处理模型计算出的风险值位于高风险值区间和低风险值区间之间时即可能属于欺诈，也可能属于非欺诈。现有技术中，对于这种情况，一般任务处理模型不直接得出审理结果，将这样的欺诈审理任务作为无法处理的任务转入人工进行审理。

上述高风险值区间、低风险值区间可以是预先设置的；例如风险值为[0-100],则[0，40)为低风险值区间，(70，100]为高风险值区间，那么当风险值位于[40，70]中时，需要转入人工审核。

本说明书中，所述任务处理模型可以将无法处理的任务发送给服务端；服务端则可以接收所述任务处理模型发送的无法处理的任务，进而执行后续步骤。

相应地，所述处理端即为人工审理时，人工使用的终端。

值得一提的是，在有的情况下，为了避免任务处理模型出行误判，可以对所述任务处理模型可以处理完毕的任务进行分层抽样并转入人工审理。也就是说，任务处理模型不仅可以将无法处理的任务发送给服务端，还可以从处理完毕的任务中抽取若干任务发送服务端。因此，对于服务端来说：

接收任务处理模型发送的任务；即可以是任务处理模型无法处理的任务，也可以是任务处理模型处理完毕的任务。

步骤220：根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数。

本实施例中，所述服务端可以获取各个处理端历史处理任务数据，并根据这些历史处理数据确定各个处理端的处理参数，从而便于根据各个处理端的实际情况分配合适的任务。

所述处理参数包括处理端的处理量、处理类型和处理正确率中的至少一种；

其中，所述处理量表示处理端最多处理的任务数量；

所述处理类型表示处理端擅长处理的任务类型；

所述处理正确率表示处理端处理任务的正确程度。

本说明书中，所述处理端的处理参数，可以通过如下至少一种方式确定：

统计处理端预设周期内处理的任务数量；琐碎预设周期可以是人为预先设置的一个经验值，例如1天，2天，1周等。

统计处理端预设周期内处理不同类型的任务数量，并将任务数量最多的预设个数的任务类型确定为所述处理端的处理类型；

统计处理端预设周期内处理的第一任务数量和正确处理的第二任务数量，将所述第二任务数量与第一任务数量的比值确定为所述处理端的处理正确率；即公式为：处理正确率＝第二任务数量/第一任务数量。

一般的，任务处理完后，如果出现错误，任务发起方会进行投诉。例如交易过程中出现了欺诈，那么交易损失方当发现了被欺诈后，可以向交易平台发起投诉；相应的，服务端就可以定位到任务以及哪个处理端处理的，并将该处理端周期内第二任务数量减1。如果没有错误，则第二任务数量与第一任务数量相同。

值得一提的是，还可以是统计错误处理的第三任务数量；则公式可以为：

处理正确率＝(第一任务数量-第二任务数量)/第一任务数量；

或者，

处理正确率＝1-(第三任务数量)/第一任务数量。

在一个具体地实施例中，所述处理参数可以包括处理类型，则所述步骤220，具体可以包括：

获取所述任务的类型；

将所述任务的类型与所述处理端的处理类型进行匹配；

在所述任务的类型与所述处理端的处理类型相匹配的情况下，将所述任务加入到所述处理端对应的队列中。

本实施例中，任务通常可以具有类型属性，例如欺诈审理任务的类型根据欺诈类别可以包括：个人与个人欺诈、个人与商户欺诈，商户与商户欺诈等。

相应地，每个处理端可以具有各自擅长的任务类型，例如A处理端擅长处理个人与个人欺诈的任务，B处理端擅长处理个人与商户欺诈的任务，C处理端擅长处理商户与商户欺诈的任务。

假设服务端接收到了4个任务，并获取到这4个任务的类型如下：

任务1，类型为商户与商户欺诈；

任务2，类型为个人与个人欺诈；

任务3，类型为个人与个人欺诈；

任务4，类型为个人与商户欺诈；

接着，服务端可以将这4个任务的类型与处理端(A、B、C)的处理类型进行匹配；

由于任务1的类型与处理端C的处理类型相匹配，因此，可以将任务1加入到处理端C对应的队列C中；

由于任务2的类型与处理端A的处理类型相匹配，因此，可以将任务2加入到处理端A对应的队列A中；

由于任务3的类型与处理端A的处理类型相匹配，因此，可以将任务3加入到处理端A对应的队列A中；

由于任务4的类型与处理端B的处理类型相匹配，因此，可以将任务4加入到处理端B对应的队列B中。

相应地，所述步骤230，具体包括：

将所述队列中的任务发送给对应的处理端。

沿用上一示例，服务端可以将队列C中的任务1发送给处理端C；将队列A中的任务2、3发送给处理端A；将队列B中的任务4发送给处理端B。

在该实施例中，所述任务的类型可以是一个也可以是多个。

如果一个任务涉及到多个业务，那么该任务可能也会存在有多个类型。例如欺诈审理任务的类型可以包括任务类型、风险类型、业务类型等。

一般的，服务端可以预先将任务类型与处理类型设置对应关系；

所述对应关系可以包括一个或多个任务类型对应一个处理类型。

这样，服务端就可以根据对应关系，匹配到该任务的类型对应的处理端的处理类型，进而，可以匹配到处理端。

在另一个具体地实施例中，所述处理参数包括处理类型和处理量；

在将所述任务加入到所述处理端对应的队列中之前，所述方法还包括：

判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述将所述任务加入到所述处理端对应的队列中，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将所述任务加入到所述处理端对应的队列中；

在所述处理端对应的队列中任务的数量超过所述处理量的情况下，将所述任务加入其它空闲队列中；或者，等待所述处理端对应的队列空闲时，再加入。

在又一个具体地实施例中，所述处理参数包括处理正确率；则所述步骤220，具体可以包括：

获取所述任务的风险值；其中，所述风险值为所述任务处理模型计算得出的表示所述任务风险程度高低的值；

将风险值高的任务加入到处理正确率高的处理端对应的队列中；

将风险值低的任务加入到处理正确率低的处理端对应的队列中。

具体地，服务端可以预先建立不同风险值与处理正确率之间的对应关系；这样，在获取到任务处理模型计算得出的任务的风险值后，就可以根据上述对应关系，将各个任务加入到对应的处理端队列中。

举例说明，假设风险值与处理正确率之间的对应关系对下表1所示：

表1

风险值	处理正确率
		[40,50)	低
[50,60)	中
		[60,70]	高

如前示例所示的，风险值位于[40，70]之间的属于任务处理模型无法处理的任务；进一步的风险值位于[40,50)属于相对风险较低的，可以对应处理正确率低；

风险值位于[50,60)属于相对风险较中等的，可以对应处理正确率中；

风险值位于[60,70)属于相对风险较高的，可以对应处理正确率高。

通过本实施例，根据每个处理端的处理正确率分配任务，由于分配到的任务难度不会超出处理端处理能力，可以有效提高处理端处理任务的正确率。特别是，对于新手来说，分配到的任务难度不会太大，也就避免出现过多的错误。

相同的，所述处理参数包括处理正确率和处理量；

在将所述任务加入到与所述处理端对应的队列中之前，所述方法还包括：

判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述将所述任务加入到所述处理端对应的队列中，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将所述任务加入到所述处理端对应的队列中；

在所述处理端对应的队列中任务的数量超过所述处理量的情况下，将所述任务加入其它空闲队列中；或者，等待所述处理端对应的队列空闲时，再加入。

步骤130：将分类后的任务分配给对应的处理端。

通过本实施例，基于各个处理端各自的处理参数，该处理参数反映了处理端的处理性能，服务端可以根据各个处理端不同的处理参数动态得给各个处理端分配合理的任务，这样，动态分配任务可以尽可能发挥各个处理端最大性能，提升整体任务处理效率；避免资源浪费。

在本说明书一个具体地实施例中，服务端可以周期性更新所述处理端的处理参数。

如前所述，服务端可以获取各个处理端历史处理任务数据。由于处理端历史处理任务数据是逐渐积累的；因此为了更能反映处理端的处理任务的能力，可以周期性更新服务端的处理参数。

所述周期可以例如1天、2、天、1周等，可以是人为预先设置的经验值。

在一种实现方式中：

所述周期性更新所述处理端的处理参数，具体可以包括：

在到达预设周期的情况下，获取所述处理端历史处理任务数据；

根据所述历史处理任务数据，计算得出新的处理参数；

将所述处理端的处理参数更新为所述新的处理参数。

该实现方式下，服务端可以是获取处理端全部历史积累的处理任务数据。

在另一种实现方式中：

所述周期性更新所述处理端的处理参数，可以包括：

在到达预设周期的情况下，获取所述处理端本次周期内处理任务数据；

根据所述本次周期内处理任务数据，计算得出新的处理参数；

将所述处理端的处理参数更新为所述新的处理参数。

该实现方式下，服务端可以是获取处理端本次周期内积累的处理任务数据。

在本说明书一个具体地实施例中，在图2所示实施例的基础上，所述方法还包括：

获取所述处理端处理任务的处理结果，将所述任务和处理结果作为新的训练样本反馈给所述任务处理模型。

通过本实施例，反馈处理端处理的任务和处理结果，给后续任务处理模型训练提供更为可靠的训练样本，从而逐渐提升任务处理模型性能、提升任务处理模型可以处理任务的比例。

在本说明书一个具体地实施例中，在图2所示实施例的基础上，所述方法还包括：

在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，向所述任务自动处理模型下发模型训练指令。

通过本实施例，若需要处理端处理的任务比例增加，说明任务处理模型的性能不足，需要通过重新训练模型来提升模型性能。

另一方面，在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，服务端还可以增加处理端数量，以应对不断增加的任务量。

与前述分配任务的方法实施例相对应，本说明书还提供了分配任务的装置的实施例。所述装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，本说明书分配任务的装置所在设备的一种硬件结构可以包括处理器、网络接口、内存和非易失性存储器之外，实施例中装置所在的设备通常根据该分配任务的实际功能，还可以包括其他硬件，对此不再赘述。

参见图3，为本说明书一实施例提供的分配任务的装置的模块图，所述装置对应了图2所示方法实施例，该实施例应用于自助终端，所述装置包括：

接收单元310，接收待分配的任务；

分类单元320，根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；

分配单元330，将分类后的任务分配给对应的处理端。

在一个可选的实施例中：

所述处理参数包括处理端的处理类型，所述处理类型表示处理端擅长处理的任务类型；

所述分类单元320，具体包括：

获取子单元，获取所述任务的类型；

匹配子单元，将所述任务的类型与所述处理端的处理类型进行匹配；

加入子单元，在所述任务的类型与所述处理端的处理类型相匹配的情况下，将所述任务加入到所述处理端对应的队列中；

所述分配单元330，具体包括：

将所述队列中的任务发送给对应的处理端。

在一个可选的实施例中：

所述处理参数还包括处理端的处理量，所述处理量表示处理端最多处理的任务数量；

在所述分配单元330之前，所述装置还包括：

判断子单元，判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述分配单元330，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将所述任务加入到所述处理端对应的队列中。

在一个可选的实施例中：

所述接收单元310，具体包括：

接收任务处理模型无法处理的待分配的任务；其中，所述任务处理模型用于自动处理任务。

在一个可选的实施例中：

所述处理参数包括处理正确率，所述处理正确率表示处理端处理任务的正确程度；

所述分类单元320，具体包括：

获取子单元，获取所述任务的风险值；其中，所述风险值为所述任务处理模型计算得出的表示所述任务风险程度高低的值；

第一加入子单元，将风险值高的任务加入到处理正确率高的处理端对应的队列中；

第二加入子单元，将风险值低的任务加入到处理正确率低的处理端对应的队列中；

所述分配单元330，具体包括：

将所述队列中的任务发送给对应的处理端。

在一个可选的实施例中：

周期性更新所述处理端的处理参数。

在一个可选的实施例中：

所述周期性更新所述处理端的处理参数，具体包括：

获取子单元，在到达预设周期的情况下，获取处理端本次周期内处理任务的数据；

计算子单元，根据所述本次周期内任务的数据，计算得出新的处理参数；

更新子单元，将处理端原本的处理参数更新为所述新的处理参数。

在一个可选的实施例中：

所述装置还包括：

获取子单元，获取处理端处理任务的处理结果，将所述任务和处理结果作为新的训练样本反馈给所述任务处理模型。

在一个可选的实施例中：

所述装置还包括：

控制子单元，在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，向所述任务自动处理模型下发模型训练指令。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上图3描述了分配任务的装置的内部功能模块和结构示意，其实质上的执行主体可以为一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待分配的任务；

根据处理端的处理参数，对所述任务进行分类；其中，所述处理参数为根据所述处理端历史处理任务数据确定的表示处理端处理性能的参数；

将分类后的任务分配给对应的处理端。

可选的，所述处理参数包括处理端的处理类型，所述处理类型表示处理端擅长处理的任务类型；

所述根据处理端的处理参数，对所述待分配的任务进行分类，具体包括：

获取所述任务的类型；

将所述任务的类型与所述处理端的处理类型进行匹配；

在所述任务的类型与所述处理端的处理类型相匹配的情况下，将所述任务加入到所述处理端对应的队列中；

所述将分类后的任务分配给对应的处理端，具体包括：

将所述队列中的任务发送给对应的处理端。

可选的，所述处理参数还包括处理端的处理量，所述处理量表示处理端最多处理的任务数量；

在将所述任务加入到所述处理端对应的队列中之前，还包括：

判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述将所述任务加入到所述处理端对应的队列中，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将所述任务加入到所述处理端对应的队列中。

可选的，所述接收待分配的任务，具体包括：

接收任务处理模型无法处理的待分配的任务；其中，所述任务处理模型用于自动处理任务。

可选的，所述处理参数包括处理正确率，所述处理正确率表示处理端处理任务的正确程度；

所述根据处理端的处理参数，对所述待分配的任务进行分类，具体包括：

获取所述任务的风险值；其中，所述风险值为所述任务处理模型计算得出的表示所述任务风险程度高低的值；

将风险值高的任务加入到处理正确率高的处理端对应的队列中；

将风险值低的任务加入到处理正确率低的处理端对应的队列中；

所述将分类后的任务分配给对应的处理端，具体包括：

将所述队列中的任务发送给对应的处理端。

可选的，周期性更新所述处理端的处理参数。

可选的，所述周期性更新所述处理端的处理参数，具体包括：

在到达预设周期的情况下，获取处理端本次周期内处理任务的数据；

根据所述本次周期内任务的数据，计算得出新的处理参数；

将处理端原本的处理参数更新为所述新的处理参数。

可选的，还包括：

获取处理端处理任务的处理结果，将所述任务和处理结果作为新的训练样本反馈给所述任务处理模型。

可选的，还包括：

在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，向所述任务自动处理模型下发模型训练指令。

在上述电子设备的实施例中，应理解，该处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，而前述的存储器可以是只读存储器(英文：read-only memory，缩写：ROM)、随机存取存储器(英文：random access memory，简称：RAM)、快闪存储器、硬盘或者固态硬盘。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同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。尤其，对于电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

Claims (17)

1.一种分配任务的方法，所述方法包括：

接收待分配的任务；

获取所述任务的风险值；其中，所述风险值为任务处理模型计算得出的表示任务风险程度高低的值；

根据处理端的处理参数中的处理正确率、预先建立的不同风险值与处理正确率之间的对应关系，匹配所述任务的风险值对应的处理正确率的处理端；其中，所述处理正确率表示处理端处理任务的正确程度；

将风险值高的任务加入到处理正确率高的处理端对应的队列中，将风险值低的任务加入到处理正确率低的处理端对应的队列中；

将所述队列中的任务发送给对应的处理端。

2.根据权利要求1所述的方法，所述处理参数还包括处理端的处理类型，所述处理类型表示处理端擅长处理的任务类型；所述方法还具体包括：

获取所述任务的类型；

将所述任务的类型与所述处理端的处理类型进行匹配；

在所述任务的类型与所述处理端的处理类型相匹配的情况下，将所述任务加入到所述处理端对应的队列中。

3.根据权利要求2所述的方法，所述处理参数还包括处理端的处理量，所述处理量表示处理端最多处理的任务数量；

所述方法还包括：

判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述将所述任务加入到所述处理端对应的队列中，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将风险值高的任务加入到处理正确率高的处理端对应的队列中，将风险值低的任务加入到处理正确率低的处理端对应的队列中。

4.根据权利要求1所述的方法，所述接收待分配的任务，具体包括：

接收任务处理模型无法处理的待分配的任务；其中，所述任务处理模型用于自动处理任务。

5.根据权利要求1所述的方法，周期性更新所述处理端的处理参数。

6.根据权利要求5所述的方法，所述周期性更新所述处理端的处理参数，具体包括：

在到达预设周期的情况下，获取处理端本次周期内处理任务的数据；

根据所述本次周期内任务的数据，计算得出新的处理参数；

将处理端原本的处理参数更新为所述新的处理参数。

7.根据权利要求4所述的方法，所述方法还包括：

获取处理端处理任务的处理结果，将所述任务和处理结果作为新的训练样本反馈给所述任务处理模型。

8.根据权利要求4所述的方法，所述方法还包括：

在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，向所述任务自动处理模型下发模型训练指令。

9.一种分配任务的装置，所述装置包括：

接收单元，接收待分配的任务；

分类单元，获取所述任务的风险值；根据处理端的处理参数中的处理正确率、预先建立的不同风险值与处理正确率之间的对应关系，匹配所述任务的风险值对应的处理正确率的处理端；将风险值高的任务加入到处理正确率高的处理端对应的队列中，将风险值低的任务加入到处理正确率低的处理端对应的队列中；其中，所述风险值为任务处理模型计算得出的表示任务风险程度高低的值，所述处理正确率表示处理端处理任务的正确程度；

分配单元，将所述队列中的任务发送给对应的处理端。

10.根据权利要求9所述的装置，所述处理参数还包括处理端的处理类型，所述处理类型表示处理端擅长处理的任务类型；所述分类单元具体还包括：

获取子单元，获取所述任务的类型；

匹配子单元，将所述任务的类型与所述处理端的处理类型进行匹配；

加入子单元，在所述任务的类型与所述处理端的处理类型相匹配的情况下，将所述任务加入到所述处理端对应的队列中。

11.根据权利要求10所述的装置，所述处理参数还包括处理端的处理量，所述处理量表示处理端最多处理的任务数量；

在所述分配单元之前，所述装置还包括：

判断子单元，判断所述处理端对应的队列中任务的数量是否超过所述处理量；

所述加入子单元中将所述任务加入到所述处理端对应的队列中，具体包括：

在所述处理端对应的队列中任务的数量未超过所述处理量的情况下，将风险值高的任务加入到处理正确率高的处理端对应的队列中，将风险值低的任务加入到处理正确率低的处理端对应的队列中。

12.根据权利要求9所述的装置，所述接收单元，具体包括：

接收任务处理模型无法处理的待分配的任务；其中，所述任务处理模型用于自动处理任务。

13.根据权利要求9所述的装置，周期性更新所述处理端的处理参数。

14.根据权利要求13所述的装置，所述周期性更新所述处理端的处理参数，具体包括：

获取子单元，在到达预设周期的情况下，获取处理端本次周期内处理任务的数据；

计算子单元，根据所述本次周期内任务的数据，计算得出新的处理参数；

更新子单元，将处理端原本的处理参数更新为所述新的处理参数。

15.根据权利要求12所述的装置，所述装置还包括：

获取子单元，获取处理端处理任务的处理结果，将所述任务和处理结果作为新的训练样本反馈给所述任务处理模型。

16.根据权利要求12所述的装置，所述装置还包括：

控制子单元，在接收到所述任务自动处理模型无法识别的任务比例增加的情况下，向所述任务自动处理模型下发模型训练指令。

17.一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

接收待分配的任务；

获取所述任务的风险值；其中，所述风险值为任务处理模型计算得出的表示任务风险程度高低的值；

根据处理端的处理参数中的处理正确率、预先建立的不同风险值与处理正确率之间的对应关系，匹配所述任务的风险值对应的处理正确率的处理端；其中，所述处理正确率表示处理端处理任务的正确程度；

将风险值高的任务加入到处理正确率高的处理端对应的队列中，将风险值低的任务加入到处理正确率低的处理端对应的队列中；

将所述队列中的任务发送给对应的处理端。

Images