CN108629355A - 用于生成工作量信息的方法和装置 - Google Patents

Abstract

本申请公开了用于生成工作量信息的方法和装置。该方法的一具体实施方式包括：获取待执行任务的特征集合，其中，特征集合中的各个特征用于描述待执行任务的内容；将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，其中，任务分类模型用于表征任务的特征集合和任务的类别的对应关系；从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数，其中，回归系数列表用于存储类别和与类别对应的回归系数；基于特征集合和目标回归系数，生成待执行任务的工作量信息。该实施方式提高了生成工作量信息的效率。

Description

用于生成工作量信息的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成工作量信息的方法和装置。

背景技术

随着互联网的飞速发展，各种系统软件和应用软件层出不穷。新的软件产品被研发出来后，测试人员一般需要对软件产品进行功能测试和联调测试，以鉴定软件产品的正确性、完整性、安全性和质量。在确定软件产品满足设计要求的情况下，才可以将软件产品上线。

通常，在执行测试任务之前，需要对测试任务的工作量信息进行预估。依据预估出的工作量信息，可以合理地安排测试时间、测试人员和测试资源等，以确保测试任务顺利执行。

然而，现有的工作量信息预估方式通常是通过若干个测试经验丰富的测试人员经过多次讨论和分析，人工预估出测试任务的工作量信息，预估工作量信息的效率较低。

发明内容

本申请的目的在于提出一种改进的用于生成工作量信息的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种用于生成工作量信息的方法，该方法包括：获取待执行任务的特征集合，其中，特征集合中的各个特征用于描述待执行任务的内容；将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，其中，任务分类模型用于表征任务的特征集合和任务的类别的对应关系；从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数，其中，回归系数列表用于存储类别和与类别对应的回归系数；基于特征集合和目标回归系数，生成待执行任务的工作量信息。

在一些实施例中，该方法还包括建立任务分类模型的步骤，建立任务分类模型的步骤包括：获取样本任务的特征集合和样本任务的类别；利用机器学习方法，基于样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，得到任务分类模型，其中，分类模型是未经训练的模型。

在一些实施例中，样本任务包括训练用样本任务和测试用样本任务；以及利用机器学习方法，基于样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，包括：从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合；执行如下训练步骤：利用机器学习方法，基于训练用特征集合和训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型，基于测试用样本任务的特征集合和测试用样本任务的类别对候选任务分类模型进行测试，得到候选任务分类模型的准确率，确定准确率是否达到预设阈值，响应于确定准确率达到预设阈值，将候选任务分类模型作为任务分类模型；若准确率未达到预设阈值，从训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，继续执行训练步骤。

在一些实施例中，该方法还包括生成回归系数列表的步骤，生成回归系数列表的步骤包括：获取至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量；对于至少一个类别中的每个类别，利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数；根据至少一个类别中的每个类别和与该类别对应的回归系数生成回归系数列表。

在一些实施例中，将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，包括：将特征集合导入预先训练的任务分类模型得到包含匹配度的待执行任务的候选类别集合，匹配度用于表征根据特征集合确定待执行任务的候选类别的准确性；基于匹配度，从候选类别集合中选取出候选类别作为待执行任务的类别。

第二方面，本申请实施例提供了一种用于生成工作量信息的装置，该装置包括：特征集合获取单元，配置用于获取待执行任务的特征集合，其中，特征集合中的各个特征用于描述待执行任务的内容；任务类别获取单元，配置用于将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，其中，任务分类模型用于表征任务的特征集合和任务的类别的对应关系；回归系数选取单元，配置用于从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数，其中，回归系数列表用于存储类别和与类别对应的回归系数；工作量信息生成单元，配置用于基于特征集合和目标回归系数，生成待执行任务的工作量信息。

在一些实施例中，该装置还包括：任务分类模型建立单元，配置用于建立任务分类模型，包括：第一样本数据获取子单元，配置用于获取样本任务的特征集合和样本任务的类别；任务分类模型建立子单元，配置用于利用机器学习方法，基于样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，得到任务分类模型，其中，分类模型是未经训练的模型。

在一些实施例中，样本任务包括训练用样本任务和测试用样本任务；以及任务分类模型建立子单元包括：第一训练用特征选取模块，配置用于从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合；任务分类模型建立模块，配置用于执行如下训练步骤：利用机器学习方法，基于训练用特征集合和训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型，基于测试用样本任务的特征集合和测试用样本任务的类别对候选任务分类模型进行测试，得到候选任务分类模型的准确率，确定准确率是否达到预设阈值，响应于确定准确率达到预设阈值，将候选任务分类模型作为任务分类模型；第二训练用特征选取模块，配置用于若准确率未达到预设阈值，从训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，继续执行训练步骤。

在一些实施例中，该装置还包括：回归系数列表生成单元，配置用于生成回归系数列表，包括：第二样本数据获取子单元，配置用于获取至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量；回归系数生成子单元，配置用于对于至少一个类别中的每个类别，利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数；回归系数列表生成子单元，配置用于根据至少一个类别中的每个类别和与该类别对应的回归系数生成回归系数列表。

在一些实施例中，任务类别获取单元包括：候选类别获取子单元，配置用于将特征集合导入预先训练的任务分类模型得到包含匹配度的待执行任务的候选类别集合，匹配度用于表征根据特征集合确定待执行任务的候选类别的准确性；任务类别选取子单元，配置用于基于匹配度，从候选类别集合中选取出候选类别作为待执行任务的类别。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成工作量信息的方法和装置，通过将待执行任务的特征集合导入预先训练的任务分类模型进行分类，得到该待执行任务的类别；然后从回归系数列表中选取出与该待执行任务的类别对应的回归系数；最后基于该待执行任务的特征集合和与该待执行任务的类别对应的回归系数，生成该待执行任务的工作量信息。通过任务分类模型对待执行任务的特征集合进行分类，可以快速地得到待执行任务的类别，从而可以快速地选取出与待执行任务的类别对应的回归系数，以生成工作量信息，从而提高了生成工作量信息的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成工作量信息的方法的一个实施例的流程图；

图3是根据本申请实施例的用于生成工作量信息的方法的一个应用场景的示意图；

图4是根据本申请的建立任务分类模型的方法的一个实施例的流程图；

图5是根据本申请的生成回归系数列表的方法的一个实施例的流程图；

图6是根据本申请的用于生成工作量信息的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请实施例的用于生成工作量信息的方法或用于生成工作量信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104、服务器105和数据库服务器106。网络104用以在终端设备101、102、103、服务器105和数据库服务器106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如软件测试应用、工作量信息预估应用等等。

终端设备101、102、103可以是支持工作量信息浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的工作量信息提供支持的后台服务器。后台服务器可以对终端设备101、102、103发送的待执行任务的特征集合进行分析等处理并将处理结果(例如待执行任务的工作量信息)反馈给终端设备101、102、103。

数据库服务器106可以是用于存储样本任务的特征集合、样本任务的类别和样本任务的工作量信息等样本数据的数据库服务器。

需要说明的是，本申请实施例所提供的用于生成工作量信息的方法一般由服务器105执行，相应地，用于生成工作量信息的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络、服务器和数据库服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器和数据库服务器。需要说明的是，在服务器105中存储有样本任务的特征集合、样本任务的类别和样本任务的工作量信息等样本数据的情况下，系统架构100中可以不设置数据库服务器106。

继续参考图2，示出了根据本申请的用于生成工作量信息的方法的一个实施例的流程200。该用于生成工作量信息的方法，包括以下步骤：

步骤201，获取待执行任务的特征集合。

在本实施例中，用于生成工作量信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以从与其通信连接的客户端(例如图1所示的终端设备101、102、103)获取待执行任务的特征集合。其中，待执行任务可以是软件产品的研发任务或软件产品的测试任务。特征集合中的各个特征可以用于描述待执行任务的内容，包括但不限于通用特征和个性特征。通用特征是不同类别的任务共有的特征，个性特征是同一类别的任务特有的特征。作为示例，若待执行任务是测试任务，待执行任务的通用特征可以包括但不限于任务名称、任务涉及到的应用包名称、代码净增行、代码分支数量、页签数量、立项预算、PRD(Product Requirement Document，产品需求文档)中的产品功能点等；待执行任务的个性特征可以包括但不限于service(服务)层改动的API(Application ProgrammingInterface，应用程序编程接口)数量、controller(控制)层改动的API数量、应用涉及接口数量、可测服务单数量、JS(即Javascript，是一种直译式脚本语言)脚本新增数目等。

步骤202，将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别。

在本实施例中，基于步骤201中获取到的特征集合，电子设备可以将特征集合导入预先训练的任务分类模型，任务分类模型会按照预先训练好的对应关系，为特征集合找到与其对应的类别，并将该类别作为待执行任务的类别。其中，任务分类模型可以用于表征任务的特征集合和任务的类别的对应关系。

在本实施例的一些可选的实现方式中，电子设备可以首先将特征集合导入预先训练的任务分类模型得到包含匹配度的待执行任务的候选类别集合。其中，匹配度用于表征根据特征集合确定待执行任务的候选类别的准确性，匹配度可以用多种形式表示，包括但不限于百分比形式或数值大小的形式等。然后基于匹配度，从候选类别集合中选取出候选类别作为待执行任务的类别。

在这里，任务分类模型可以采用kNN(k-Nearest Neighbor，K最邻近)分类算法对导入其中的待执行任务的特征集合进行分类。具体地，电子设备可以首先获取与待执行任务的特征集合在特征空间中的k个最相邻的样本任务，其中，k为自然数；然后统计k个最相邻的样本任务的类别作为待执行任务的候选类别以生成候选类别集合，并将各个候选类别在k个最相邻的样本任务的类别中的占比作为各个候选类别的匹配度；最后根据匹配度结果，从候选类别集合中选取出候选类别作为待执行任务的类别。作为示例，电子设备可以首先选取出匹配度最高的类别作为待执行任务的类别，并生成与匹配度最高的类别对应的工作量信息。然后进一步判断与匹配度最高的类别对应的工作量信息是否合理(例如，电子设备可以将工作量信息与基准任务的工作量信息求方差，若方差小于预设的方差阈值，则合理；反之，则不合理。其中，基准任务的工作量可以是人工预估出的待执行任务的工作量，也可以是与待执行任务的类别相同的若干个样本任务的工作量的均值)。若合理，则将与匹配度最高的类别对应的工作量信息作为最终的工作量信息，并结束流程。若不合理则选取出匹配度次高的类别作为待执行任务的类别，并生成与匹配度次高的类别对应的工作量信息，同样进一步判断与匹配度次高的类别对应的工作量信息是否合理。若合理，则将与匹配度次高的类别对应的工作量信息作为最终的工作量信息，并结束流程。若不合理则上报异常信息。

在本实施例的一些可选的实现方式中，电子设备可以首先获取样本任务的特征集合和样本任务的类别；然后利用机器学习方法，基于样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，得到能够建立任务的特征集合和任务的类别之间准确对应关系的任务分类模型。其中，分类模型是未经训练的模型。

在本实施例的一些可选的实现方式中，电子设备还可以利用人工神经网络，基于预先获取的样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，得到能够建立任务的特征集合和任务的类别之间准确对应关系的任务分类模型。其中，分类模型是未经训练的模型。

需要说明的是，电子设备可以通过多种方式建立任务分类模型。本实施例对任务分类模型的具体建立方式不进行限定。

步骤203，从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数。

在本实施例中，基于步骤202中得到的待执行任务的类别，电子设备可以从回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数。其中，回归系数列表可以用于存储类别和与类别对应的回归系数。

在本实施例中，电子设备可以将待执行任务的类别与回归系数列表中的存储的类别进行逐一比较，若回归系数列表中存在与待执行任务的类别相同的类别，则将回归系数列表中与该类别对应的回归系数作为目标回归系数。

需要说明的是，回归系数列表可以是电子设备通过对各个类别的样本任务的特征集合和与各个类别对应的样本任务的工作量进行分析，得到与各个类别对应的回归系数，并将各个类别和与各个类别对应的回归系数写入列表中而生成的，也可以是通过其他方式生成的，本实施例对电子设备获取回归系数列表的具体方式不进行限定。

步骤204，基于特征集合和目标回归系数，生成待执行任务的工作量信息。

在本实施例中，基于步骤203中选取出的目标回归系数，电子设备可以基于待执行任务的特征集合和目标回归系数生成待执行任务的工作量信息。其中，工作量信息可以包括但不限于任务的工时、任务的接口数量、任务的代码总行数等等。作为示例，在目标回归系数是线性回归系数的情况下，即待执行任务的特征集合与待执行任务的工作量信息之间是线性关系，电子设备可以首先对待执行任务的特征集合中的各个特征进行归一化处理，然后将归一化处理后的特征集合与目标回归系数相乘，得到待执行任务的工作量信息。

继续参见图3，图3是根据本申请实施例的用于生成工作量信息的方法的一个应用场景的示意图。在图3的应用场景中，客户端301首先向服务器302发送待执行任务的特征集合303；之后，服务器302将待执行任务的特征集合303导入预先训练的任务分类模型304进行分类，得到待执行任务的类别；然后，服务302从回归系数列表305中选取出与待执行任务的类别对应的回归系数作为目标回归系数；最后，服务器302基于特征集合303和目标回归系数，生成待执行任务的工作量信息306，并将工作量信息306发送至客户端301。这样，用户就可以通过客户端301查看工作量信息306。

本申请实施例提供的用于生成工作量信息的方法通过将待执行任务的特征集合导入预先训练的任务分类模型进行分类，得到该待执行任务的类别；然后从回归系数列表中选取出与该待执行任务的类别对应的回归系数；最后基于该待执行任务的特征集合和与该待执行任务的类别对应的回归系数，生成该待执行任务的工作量信息。通过任务分类模型对待执行任务的特征集合进行分类，可以快速地得到待执行任务的类别，从而可以快速地选取出与待执行任务的类别对应的回归系数，以生成工作量信息，从而提高了生成工作量信息的效率。并且，生成工作量信息的整个过程不需要人工参与，也节省了人力。

进一步参考图4，其示出了根据本申请的建立任务分类模型的方法的一个实施例的流程400。该流程400包括以下步骤：

步骤401，获取样本任务的特征集合和样本任务的类别。

在本实施例中，电子设备(例如图1所示的服务器105)可以从本地或者与其通信连接的数据库服务器(例如图1所示的服务器106)获取样本任务的特征集合和样本任务的类别。其中，样本任务可以包括训练用样本任务和测试用样本任务。通常情况下，训练用样本任务与测试用样本任务不同。训练用样本任务的特征集合和训练用样本任务的类别可以用于对未经训练的任务分类模型进行训练。测试用样本任务的特征集合和测试用样本任务的类别可以用于对训练后的任务分类模型进行测试，以获取训练后的任务分类模型的准确率。

需要说明的是，样本任务的类别可以是通过人工识别方式得到的，也可以是通过其他任务分类模型得到的，本实施例中对样本任务的类别的获取方式不进行限定。

步骤402，从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合。

在本实施例中，基于步骤401中获取到的样本任务的特征集合，电子设备可以从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合。其中，训练用特征集合是训练用样本任务的特征集合的子集。

通常来说，样本任务的特征集合中的特征的数量非常庞大，这样就导致利用样本任务的特征集合训练分类模型的运算时长较长。因此，从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合来训练分类模型，可以提高训练任务分类模型的效率。

作为示例，在训练用样本任务的特征集合中包括通用特征和个性特征的情况下，电子设备可以选取出训练用样本任务的特征集合的通用特征，生成训练用特征集合。

在本实施例的一些可选的实现方式中，电子设备还可以对训练用特征集合中的各个特征进行归一化处理，然后再执行步骤403。

步骤403，利用机器学习方法，基于训练用特征集合和训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型。

在本实施例中，基于步骤402中生成的训练用特征集合和步骤401中获取到的训练用样本任务的类别，电子设备可以利用机器学习方法，通过训练用特征集合和训练用样本任务的类别对分类模型进行训练，并将训练后的分类模型作为候选任务分类模型。其中，预先存储的分类模型是未经训练的模型。

步骤404，基于测试用样本任务的特征集合和测试用样本任务的类别对候选任务分类模型进行测试，得到候选任务分类模型的准确率。

在本实施例中，基于步骤403中得到的候选任务分类模型，电子设备可以利用测试用样本任务的特征集合和测试用样本任务的类别对候选任务分类模型进行测试，得到候选任务分类模型的准确率。

在这里，电子设备可以首先将多个测试用样本任务中的每个测试用样本任务的特征集合导入候选任务分类模型进行分类，预测出该测试用样本任务的类别，然后将预测出的类别与该测试用样本任务的实际类别进行比较，若预测出的类别与该测试用样本任务的实际类别相同，则预测正确，反之，则预测不正确。然后，电子设备可以统计候选任务分类模型对测试用样本任务的类别预测正确的数目，并将预测正确的数目与预测的总数目的比值作为候选任务分类模型的准确率。

步骤405，确定准确率是否达到预设阈值。

在本实施例中，基于步骤404中得到的候选任务分类模型的准确率，电子设备可以将准确率与预设阈值进行比较，若准确率达到预设阈值，执行步骤406；若准确率没有达到预设阈值，执行步骤407。

步骤406，将候选任务分类模型作为任务分类模型。

在本实施例中，在准确率达到预设阈值的情况下，电子设备可以将候选任务分类模型作为任务分类模型。此时，任务分类模型建立完成，建立流程结束。

步骤407，从训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合。

在本实施例中，在准确率未达到预设阈值的情况下，电子设备可以从训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，生成新的训练用特征集合，并返回继续执行步骤403，直到得到的候选任务分类模型的准确率达到预设阈值，得到任务分类模型，建立流程结束。

作为示例，在训练用样本任务的特征集合中包括通用特征和个性特征、训练用特征集合包括通用特征的情况下，电子设备可以从训练用样本任务的特征集合中随机选取出第二预设数目的个性特征加入训练用特征集合，生成新的训练用特征集合，并基于新的训练用特征集合和训练用样本任务的类别继续对分类模型进行训练。其中，再次训练的分类模型可以是新的未经训练的分类模型，也可以是将准确率未达到预设阈值的候选任务分类模型恢复至未经训练的状态得到的分类模型。

在本实施例的一些可选的实现方式中，电子设备还可以对新的训练用特征集合中的各个特征进行归一化处理，然后再执行步骤403。

本申请实施例提供的建立任务分类模型的方法通过从训练用样本任务的特征集合中选取子集生成训练用特征集合，然后利用机器学习方法，基于训练用特征集合和训练用任务的类别对分类模型进行训练，并基于测试用样本任务的特征集合和测试用样本任务的类别进行测试，从而实现通过包含较少特征的训练用特征集合和训练用任务的类别建立出能够准确地表征与任务的特征集合和任务的类别的对应关系的任务分类模型，提高了建立任务分类模型的效率。

进一步参考图5，其示出了根据本申请的生成回归系数列表的方法的一个实施例的流程500。该流程500包括以下步骤：

步骤501，获取至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量。

在本实施例中，电子设备(如图1中所示的服务器105)可以从本地或者与其通信连接的数据库服务器(例如图1所示的服务器106)获取至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量。

步骤502，对于至少一个类别中的每个类别，利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数。

在本实施例中，基于步骤501中获取到的至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量，电子设备可以对于至少一个类别中的每个类别，可以利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数。

回归预测法通常是指根据预测的相关性原则，找出影响预测目标的各因素；并用数学方法找出这些因素与预测目标之间的函数关系的近似表达；再利用样本数据对其模型估计参数及对模型进行误差检验。一旦模型确定，就可利用模型，根据因素的变化值进行预测。其中，依据自变量和因变量之间的相关关系不同，回归预测法可以分为线性回归预测法和非线性回归预测法。通常情况下，本实施例采用线性回归预测法。

在这里，电子设备可以分别将各个类别的样本任务的特征集合作为自变量，与各个类别对应的样本任务的工作量作为因变量，分别对应带入回归方程，得到各个类别的样本任务的特征集合和与各个类别对应的样本任务的工作量之间的关系参数，并将其作为与各个类别对应的回归系数。其中，回归系数可以是在回归方程中表示自变量对因变量影响大小的参数。

步骤503，根据至少一个类别中的每个类别和与该类别对应的回归系数生成回归系数列表。

在本实施例中，电子设备可以将至少一个类别中的每个类别和与该类别对应的回归系数对应写入列表中，生成回归系数列表。

本申请实施例提供的生成回归系数列表的方法利用回归预测法对各个类别的样本任务的特征集合和各个类别的样本任务的工作量进行处理，可以快速地得到与各个类别对应的回归系数。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于生成工作量信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例所示的用于生成工作量信息的装置600包括：特征集合获取单元601、任务类别获取单元602、回归系数选取单元603和工作量信息生成单元604。其中，特征集合获取单元601，配置用于获取待执行任务的特征集合，其中，特征集合中的各个特征用于描述待执行任务的内容；任务类别获取单元602，配置用于将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，其中，任务分类模型用于表征任务的特征集合和任务的类别的对应关系；回归系数选取单元603，配置用于从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数，其中，回归系数列表用于存储类别和与类别对应的回归系数；工作量信息生成单元604，配置用于基于特征集合和目标回归系数，生成待执行任务的工作量信息。

在本实施例中，用于生成工作量信息的装置600中：特征集合获取单元601、任务类别获取单元602、回归系数选取单元603和工作量信息生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，用于生成工作量信息的装置600还包括：任务分类模型建立单元(图中未示出)，配置用于建立任务分类模型，包括：第一样本数据获取子单元，配置用于获取样本任务的特征集合和样本任务的类别；任务分类模型建立子单元(图中未示出)，配置用于利用机器学习方法，基于样本任务的特征集合和样本任务的类别对预先存储的分类模型进行训练，得到任务分类模型，其中，分类模型是未经训练的模型。

在本实施例的一些可选的实现方式中，样本任务包括训练用样本任务和测试用样本任务；以及任务分类模型建立子单元(图中未示出)包括：第一训练用特征选取模块(图中未示出)，配置用于从训练用样本任务的特征集合中选取出第一预设数目的特征，生成训练用样本任务的训练用特征集合；任务分类模型建立模块(图中未示出)，配置用于执行如下训练步骤：利用机器学习方法，基于训练用特征集合和训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型，基于测试用样本任务的特征集合和测试用样本任务的类别对候选任务分类模型进行测试，得到候选任务分类模型的准确率，确定准确率是否达到预设阈值，响应于确定准确率达到预设阈值，将候选任务分类模型作为任务分类模型；第二训练用特征选取模块(图中未示出)，配置用于若准确率未达到预设阈值，从训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，继续执行训练步骤。

在本实施例的一些可选的实现方式中，用于生成工作量信息的装置600还包括：回归系数列表生成单元(图中未示出)，配置用于生成回归系数列表，包括：第二样本数据获取子单元(图中未示出)，配置用于获取至少一个类别的样本任务的特征集合和至少一个类别的样本任务的工作量；回归系数生成子单元(图中未示出)，配置用于对于至少一个类别中的每个类别，利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数；回归系数列表生成子单元(图中未示出)，配置用于根据至少一个类别中的每个类别和与该类别对应的回归系数生成回归系数列表。

在本实施例的一些可选的实现方式中，任务类别获取单元602包括：候选类别获取子单元(图中未示出)，配置用于将特征集合导入预先训练的任务分类模型得到包含匹配度的待执行任务的候选类别集合，匹配度用于表征根据特征集合确定待执行任务的候选类别的准确性；任务类别选取子单元(图中未示出)，配置用于基于匹配度，从候选类别集合中选取出候选类别作为待执行任务的类别。

下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，流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，该模块、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括特征集合获取单元、任务类别获取单元、回归系数选取单元和工作量信息生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，特征集合获取单元还可以被描述为“获取待执行任务的特征集合的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待执行任务的特征集合，其中，特征集合中的各个特征用于描述待执行任务的内容；将特征集合导入预先训练的任务分类模型进行分类，得到待执行任务的类别，其中，任务分类模型用于表征任务的特征集合和任务的类别的对应关系；从预先生成的回归系数列表中选取出与待执行任务的类别对应的回归系数作为目标回归系数，其中，回归系数列表用于存储类别和与类别对应的回归系数；基于特征集合和目标回归系数，生成待执行任务的工作量信息。

以上描述仅为本申请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，本申请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上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。例如上述特征与本申请中公开的(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 (10)

1.一种用于生成工作量信息的方法，其特征在于，所述方法包括：

获取待执行任务的特征集合，其中，所述特征集合中的各个特征用于描述所述待执行任务的内容；

将所述特征集合导入预先训练的任务分类模型进行分类，得到所述待执行任务的类别，其中，所述任务分类模型用于表征任务的特征集合和任务的类别的对应关系；

从预先生成的回归系数列表中选取出与所述待执行任务的类别对应的回归系数作为目标回归系数，其中，所述回归系数列表用于存储类别和与类别对应的回归系数；

基于所述特征集合和所述目标回归系数，生成所述待执行任务的工作量信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立任务分类模型的步骤，所述建立任务分类模型的步骤包括：

获取样本任务的特征集合和所述样本任务的类别；

利用机器学习方法，基于所述样本任务的特征集合和所述样本任务的类别对预先存储的分类模型进行训练，得到任务分类模型，其中，所述分类模型是未经训练的模型。

3.根据权利要求2所述的方法，其特征在于，所述样本任务包括训练用样本任务和测试用样本任务；以及

所述利用机器学习方法，基于所述样本任务的特征集合和所述样本任务的类别对预先存储的分类模型进行训练，包括：

从所述训练用样本任务的特征集合中选取出第一预设数目的特征，生成所述训练用样本任务的训练用特征集合；

执行如下训练步骤：利用机器学习方法，基于训练用特征集合和所述训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型，基于所述测试用样本任务的特征集合和所述测试用样本任务的类别对所述候选任务分类模型进行测试，得到所述候选任务分类模型的准确率，确定所述准确率是否达到预设阈值，响应于确定所述准确率达到预设阈值，将所述候选任务分类模型作为任务分类模型；

若所述准确率未达到预设阈值，从所述训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，继续执行所述训练步骤。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括生成回归系数列表的步骤，所述生成回归系数列表的步骤包括：

获取至少一个类别的样本任务的特征集合和所述至少一个类别的样本任务的工作量；

对于所述至少一个类别中的每个类别，利用回归预测法对该类别的样本任务的特征集合和该类别的样本任务的工作量进行处理，生成与该类别对应的回归系数；

根据所述至少一个类别中的每个类别和与该类别对应的回归系数生成回归系数列表。

5.根据权利要求1所述的方法，其特征在于，所述将所述特征集合导入预先训练的任务分类模型进行分类，得到所述待执行任务的类别，包括：

将所述特征集合导入预先训练的任务分类模型得到包含匹配度的待执行任务的候选类别集合，所述匹配度用于表征根据所述特征集合确定所述待执行任务的候选类别的准确性；

基于匹配度，从所述候选类别集合中选取出候选类别作为所述待执行任务的类别。

6.一种用于生成工作量信息的装置，其特征在于，所述装置包括：

特征集合获取单元，配置用于获取待执行任务的特征集合，其中，所述特征集合中的各个特征用于描述所述待执行任务的内容；

任务类别获取单元，配置用于将所述特征集合导入预先训练的任务分类模型进行分类，得到所述待执行任务的类别，其中，所述任务分类模型用于表征任务的特征集合和任务的类别的对应关系；

回归系数选取单元，配置用于从预先生成的回归系数列表中选取出与所述待执行任务的类别对应的回归系数作为目标回归系数，其中，所述回归系数列表用于存储类别和与类别对应的回归系数；

工作量信息生成单元，配置用于基于所述特征集合和所述目标回归系数，生成所述待执行任务的工作量信息。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：任务分类模型建立单元，配置用于建立任务分类模型，包括：

第一样本数据获取子单元，配置用于获取样本任务的特征集合和所述样本任务的类别；

任务分类模型建立子单元，配置用于利用机器学习方法，基于所述样本任务的特征集合和所述样本任务的类别对预先存储的分类模型进行训练，得到任务分类模型，其中，所述分类模型是未经训练的模型。

8.根据权利要求7所述的装置，其特征在于，所述样本任务包括训练用样本任务和测试用样本任务；以及

所述任务分类模型建立子单元包括：

第一训练用特征选取模块，配置用于从所述训练用样本任务的特征集合中选取出第一预设数目的特征，生成所述训练用样本任务的训练用特征集合；

任务分类模型建立模块，配置用于执行如下训练步骤：利用机器学习方法，基于训练用特征集合和所述训练用样本任务的类别对预先存储的分类模型进行训练，得到候选任务分类模型，基于所述测试用样本任务的特征集合和所述测试用样本任务的类别对所述候选任务分类模型进行测试，得到所述候选任务分类模型的准确率，确定所述准确率是否达到预设阈值，响应于确定所述准确率达到预设阈值，将所述候选任务分类模型作为任务分类模型；

第二训练用特征选取模块，配置用于若所述准确率未达到预设阈值，从所述训练用样本任务的特征集合中选取出训练用特征集合中未包括的、第二预设数目的特征加入训练用特征集合，继续执行所述训练步骤。

9.一种服务器，其特征在于，所述服务器包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

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如权利要求1-5中任一所述的方法。