CN110288193B - 任务监控处理方法、装置、计算机设备及存储介质 - Google Patents
任务监控处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110288193B CN110288193B CN201910433623.0A CN201910433623A CN110288193B CN 110288193 B CN110288193 B CN 110288193B CN 201910433623 A CN201910433623 A CN 201910433623A CN 110288193 B CN110288193 B CN 110288193B
- Authority
- CN
- China
- Prior art keywords
- task
- subtask
- document
- type
- target
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000003672 processing method Methods 0.000 title claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 92
- 230000004048 modification Effects 0.000 claims description 32
- 238000012986 modification Methods 0.000 claims description 32
- 238000012163 sequencing technique Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012913 prioritisation Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 18
- 238000011084 recovery Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 8
- 238000004064 recycling Methods 0.000 description 7
- 230000005284 excitation Effects 0.000 description 5
- 238000012550 audit Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/06—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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种任务监控处理方法、装置、计算机设备和存储介质,该方法包括实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求;根据任务单据归类请求,采用预先训练好的归类模型对新增任务单据进行归类,获取对应的任务类型;采用任务分类模型对任务类型中新增任务单据进行识别,获取新增任务单据对应的子任务类型;对子任务类型中目标任务单据进行优先级排序,根据优先级排序确定目标任务单据在子任务类型中的排序顺序;从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,形成并显示与子任务类型相对应的显示数据,以对每一任务单据进行监控。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种任务监控处理方法、装置、计算机设备及存储介质。
背景技术
随着全球经济的发展,企业之间的竞争日趋激烈。伴随着企业规模的不断扩大和企业效益的进一步地发展,现有的销售系统中通常以任务为维度,然而随着任务的增加,任务类型的增多,任务预约回访时间、拨打电话时间越来越久远和查询条件越来越多,使得现有的销售系统的任务监控功能已无法满足时效性的要求。
发明内容
本发明实施例提供一种任务监控处理方法、装置、计算机设备及存储介质,以解决当前销售系统的任务监控功能已无法满足时效性问题。
一种任务监控处理方法,包括:
实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求;
根据所述任务单据归类请求,采用预先训练好的归类模型对所述新增任务单据进行归类,获取与所述新增任务单据对应的任务类型,实时统计并显示每一所述任务类型对应的任务数量;
采用预先训练好的与所述任务类型对应的任务分类模型对所述新增任务单据进行识别,获取所述新增任务单据对应的子任务类型,实时统计并显示每一所述子任务类型对应的子任务数量;
对所述子任务类型中目标任务单据进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序;
从所述目标任务单据中提取与预设表头字段对应的字段内容,根据所述排序顺序对所述字段内容进行排序,形成并显示与所述子任务类型相对应的显示数据。
一种任务监控处理装置,包括:
监控模块,用于实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求;
任务类型获取模块,用于根据所述任务单据归类请求,采用预先训练好的归类模型对所述新增任务单据进行归类,获取与所述新增任务单据对应的任务类型,实时统计并显示每一所述任务类型对应的任务数量;
子任务类型获取模块,用于采用预先训练好的与所述任务类型对应的任务分类模型对所述新增任务单据进行识别,获取所述新增任务单据对应的子任务类型,实时统计并显示每一所述子任务类型对应的子任务数量;
排序模块,用于对所述子任务类型中目标任务单据进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序;
显示模块,用于从所述目标任务单据中提取与预设表头字段对应的字段内容,根据所述排序顺序对所述字段内容进行排序,形成并显示与所述子任务类型相对应的显示数据。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任务监控处理方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任务监控处理方法。
上述提供一种任务监控处理方法、装置、计算机设备和存储介质,通过实时对数据库进行监控,以实现实时对新增任务单据进行分发,以提高紧急任务单据的处理时效。采用预先训练好的归类模型对新增任务单据进行归类,提高归类速度,实时统计并显示每一任务类型对应的任务数量,以便部门管理人员实时了解任务数量,根据任务数量分配处理人员进行处理,以保证处理时效。采用预先训练好的与任务类型对应的任务分类模型对新增任务单据进行识别,确定新增任务单据对应的子任务类型,实时统计并显示每一子任务类型对应的子任务数量,以便确定任务类型中每一子任务类型的子任务数量,由每一子任务类型的管理人员对每一子任务类型的任务单据分配处理人员进行处理。根据实际需求预先将销售系统划分为任务类型和子任务类型,任务分类清晰,便于各级管理人员对任务单据时效的控制,避免超期。对子任务类型中目标任务单据进行优先级排序,确定每一目标任务单据在子任务类型中的排序顺序,以保证任务单据的处理时效。从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,以清楚显示每一任务单据的重要内容,提升任务单据的处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中任务监控处理方法的应用环境示意图;
图2是本发明一实施例中任务监控处理方法的流程图;
图3是本发明一实施例中任务监控处理方法的流程图;
图4是本发明一实施例中任务监控处理方法的流程图;
图5是本发明一实施例中任务监控处理方法的流程图;
图6是本发明一实施例中任务监控处理方法的流程图;
图7是本发明一实施例中任务监控处理方法的流程图;
图8是本发明一实施例中任务监控处理方法的流程图;
图9是本发明一实施例中任务监控处理装置的原理框图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结和本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的任务监控处理方法,可应用在如图1的应用环境中,该任务监控处理方法应用在销售系统中,该销售系统包括用户端和服务端,其中,用户端通过网络与服务端进行通信。该任务监控处理方法具体应用在销售系统的服务端上,实时对数据库进行监控,若检测到新增任务单据,则对新增任务单据进行下发归类,以保证新增任务单据下发的时效性。当确定新增任务单据所属的子任务类型后,对目标任务单据进行排序,处理人员根据排序处理相应的任务单据,以保证在有效期限内处理完任务单据,且预先将销售系统划分为任务类型和子任务类型,任务单据分类清晰,便于各级管理人员对任务单据时效的控制,避免超期。其中,用户端可以但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑等。服务端可以用独立的服务端或者是多个服务端组成的服务端集群来实现。
在一实施例中,如图2所示,提供一种任务监控处理方法,以该方法应用在图1中的服务端为例进行说明,具体包括如下步骤:
S10:实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求。
其中,任务单据是指包含有任务的信息,通常一个任务对应一个任务单据。任务单据中包含任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等。新增任务单据是指数据库中新增的任务单据,即还未下发的任务单据。数据库是记录所有任务单据和与所有任务单据相关的数据集合的数据库。该数据库可采用现有已成熟应用的各种关系数据库(便于数据的同步更新和数据互相调用),比如,MariaDB、Percona Server、PostgreSQL、Microsoft Access或Microsoft SQL Server等,此处不作限定。
具体地,业务员将需要处理的任务单据上传至销售系统的数据库中,通过设在销售系统中的监控函数对数据库进行监控,若监控到有业务员向数据库上传的新增任务单据时,则触发任务单据归类任务请求,服务端以根据任务单据归类请求,对数据库中的新增任务单据进行归类。需要说明的是,当监控到新增任务单据时,则立即对任务单据进行归类,相比定时对任务单据进行分发,提高任务单据下发的时效性,通过实时对新增任务单据进行监控,以快速下发至任务类型和子任务类型,通过管理任务分配相应的处理人员进行处理,相比定时下发,提高任务单据处理效率。
S20:根据任务单据归类请求,采用预先训练好的归类模型对新增任务单据进行归类,获取与新增任务单据对应的任务类型,实时统计并显示每一任务类型对应的任务数量。
其中,归类模型是指预先训练好的用于确定新增任务单据的任务类型的模型,具体是基于深度学习的卷积神经网络(Convolutional Neural Networks,CNN)模型对大量的原始任务单据进行训练,直至卷积神经网络模型收敛,以获取到模型。更具体地,将具有固定格式的历史任务单据作为训练样本进行图像化处理;将图像化处理后的目标图像数据输入到卷积神经网络模型中;通过对卷积神经网络模型进行特征学习训练,以更新权值和偏置,使得预测结果与标注结果相同时模型收敛,以获取归类模型。任务类型是指根据任务单据对应的类别预先划分好的类型。例如,任务类型包括出单任务、IB任务、审核任务和续期任务等。
具体地,业务员上传至数据库的任务均以任务单据的形式进行传递,每一类型的任务单据均具有固定的格式,通过将新增任务单据进行图像化处理后,即将任务单据转换成图像形式,将其输入至预先训练好的归类模型中,通过归类模型对新增任务单据进行识别,获取与新增任务单据对应的任务类型,并将新增任务单据归属至所属的任务类型中,以实时统计并显示每一任务类型对应的任务数量。通过实时统计并显示任务类型对应的任务数量,便于管理人员实时了解当前任务单据的待处理数量。
进一步地,每一任务类型对应的任务数量是待处理任务单据数量和新增任务单据数量之和。其中,待处理任务单据是指处理人员未进行处理的任务单据,待处理任务单据数量是指待处理任务单据的数量,新增任务单据数量是指与归类至对应的任务类型的新增任务单据的数量,例如,任务类型为出单任务,出单任务对应的待处理任务单据数量为N,需要归类至出单任务中的新增任务单据数量为M,那么出单任务对应的任务数量为N+M。具体地,将每一任务单据归类至对应的任务类型时,先确定每一任务类型对应的新增任务单据数量和每一任务类型对应的待处理任务单据数量,再将新增任务单据数量和待处理任务单据数量之和作为与任务类型对应的任务数量。其中,数据库中存储有每一任务单据对应的处理状态,当处理人员对待处理任务单据进行处理后,则通过用户端将待处理任务单据对应的处理状态从待处理状态更改为已处理状态,统计任务类型中处理状态为待处理状态的待处理任务单据的数量,由此可确定每一任务类型对应的待处理任务单据数量。通过将待处理任务单据数量和新增任务单据数量之和作为与任务类型对应的任务数量,以保证任务数量的准确性。
S30:采用预先训练好的与任务类型对应的任务分类模型对新增任务单据进行识别,获取新增任务单据对应的子任务类型,实时统计并显示每一子任务类型对应的子任务数量。
其中,任务分类模型是指预先训练好的用于确定新增任务单据的子任务类型的模型,具体可采用决策树算法对历史任务单据进行训练,以获取任务分类模型。子任务数量是指与子任务类型对应的所有任务单据的数量。子任务类型是指对任务类型进行具体划分后所形成的子任务,每一任务类型对应的子任务类型不同。例如,(1)出单任务对应的子任务类型可包括品质违规风险、首拨、跟踪和稳单回退等。(2)IB任务对应的子任务类型包括配送内呼、内呼咨询、犹豫期退保劝阻、网上测保、虚拟任务、续收劝阻和IB风险任务等。(3)审核任务对应的子任务类型包括第一稳单(非在线支付)和第二稳单(在线支付)等。(4)续期任务对应的子任务类型包括配送失败、核保问题件、非本人投保催收、电子保单催签回访、新契约任务和促销品待配送任务等。
具体地,先确定新增任务单据所属的任务类型,采用预先训练好的与任务类型对应的任务分类模型对任务类型中的新增任务单据进行识别,获取新增任务单据对应的子任务类型,并将新增任务单据归属至所属的子任务类型中,实时统计并显示每一子任务类型对应的子任务数量。通过确定新增任务单据的子任务类型,实现对子任务单据的细化分类,便于后续快速查询到任务单据,管理人员分配相应的处理人员进行处理,以提高处理效率,避免同一处理人员处理多项任务,使得处理效率过低的情况。通过实时统计并显示子任务类型对应的子任务数量,便于管理人员实时了解每一子任务类型对应的新增任务单据的数量。预先通过归类模型对数据库中新增任务单据进行实时归类,以提高任务下发的时效性,若任务类型众多且新增任务单据数量过大,通过归类模型确定新增任务单据对应的子任务类型,速度较慢,因此,在本实施例中,由于每一任务类型的新增任务单据中的字段不同,从而每个节点的权重不同,采用与任务类型对应的任务分类模型对与任务类型对应的新增任务单据进行识别,确定每一新增任务单据的子任务类型,提高确定新增任务单据的子任务类型的准确性和速度。
进一步地,将待处理任务单据数量和新增任务单据数量之和作为子任务类型对应的子任务数量。具体地,将每一新增任务单据归类至对应的子任务类型时,确定每一子任务类型对应的新增任务单据数量和每一子任务类型对应的待处理任务单据数量,将与子任务类型对应的新增任务单据数量和待处理任务单据数量之和作为与子任务类型对应的子任务数量,例如,第一稳单对应的新增任务单据数量为3,第一稳单对应的待处理任务单据数量为10,那么第一稳单对应的子任务数量为13。通过将与子任务类型对应的待处理任务单据数量和新增任务单据数量之和作为与子任务类型对应的任务数量,以保证子任务数量的准确性。
S40:对子任务类型中目标任务单据进行优先级排序,根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序。
其中,优先级排序是指按照任务单据中关键因素的重要程度对任务单据进行排序。关键因素是指预先设定的影响优先级排序的因素,例如,任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等。
具体地,先确定该子任务类型中的目标任务单据,目标任务单据是由子任务类型对应的新增任务单据和子任务类型对应的待处理任务单据组成,即将新增任务单据归类至子任务类型中后,与子任务类型对应的处理人员还未进行处理的所有的任务单据。服务端获取目标任务单据对应的任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等,其中,任务截止期限是指完成该目标任务单据的最后时间。若目标任务单据包含有与客户约定的完成时间,则将完成时间作为任务截止期限;若目标任务单据中未包含有与客户约定的完成时间,则调用预先配置的默认期限,将默认期限作为任务截止期限。根据任务截止期限、客户的重要程度、紧急程度确定、名单类型和回收天数等对目标任务单据进行优先级排序,再根据目标任务单据对应的优先级排序确定每一目标任务单据在子任务类型中的排序顺序。通过对子任务类型中的目标任务单据进行优先级排序,以实现将优先级较高对应的目标任务单据排序在前,便于处理人员对优先级较高的目标任务单据进行优先处理,提高任务处理时效,避免目标任务单据超期未处理。
S50:从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,形成并显示与子任务类型相对应的显示数据。
其中,预设表头字段是指预先设定的需要在子任务类型的显示区域进行显示的字段。需要说明的是,预设表头字段可与确定优先级排序的关键因素相同。显示数据包含预设表头字段及每一目标任务单据的与预设表头字段对应的字段内容、子任务数量和固定展示内容等。
具体地,从目标任务单据中获取与预设表头字段对应的字段内容,例如,获取与任务截止期限、客户名称、紧急程度、名单类型和回收天数等对应的字段内容。根据目标任务单据在子任务类型中的排序顺序对字段内容进行排序,可以理解地,字段内容排序越靠前,则对应的目标任务单据越重要,则急需处理,反之,字段内容排序越靠后,则对应的目标任务单据重要程度越低。可以理解地,当用户端打开子任务类型时,根据目标任务单据的优先级显示每一目标任务单据中与预设表头字段对应的字段内容,当以点击和滑动等方式查看排序靠后的目标任务单据时,此时预设表头字段固定不动,可上下查看目标任务单据中与预设表头字段任务对应的字段内容,其中预设表头字段可根据实际需求进行配置。通过只对预设表头字段对应的字段内容进行显示,使得突出目标任务单据的重要内容。进一步地,将任务单据与存储地址进行关联存储,以便后续用户点击任务单据时可查看任务单据的所有内容。
进一步地,定时更新每一目标任务单据对应的排序,可以理解地,随着时间推移,先前排序在后的目标任务单据中任务截止期限和回收天数对应的分值会随之变化,目标值也会随之变化,则对应的目标任务单据的排序也会变化。通过定时更新子任务类型中的目标任务单据对应的排序,避免遗漏目标任务单据未进行处理的情况,以保证任务单据处理时效。
步骤S10-S50中,通过实时对数据库进行监控,以实现实时对新增任务单据进行分发,以提高紧急任务单据的处理时效。采用预先训练好的归类模型对新增任务单据进行归类,提高归类速度,实时统计并显示每一任务类型对应的任务数量,以便部门管理人员实时了解任务数量,根据任务数量分配处理人员进行处理,以保证处理时效。采用预先训练好的与任务类型对应的任务分类模型对新增任务单据进行识别,确定新增任务单据对应的子任务类型,实时统计并显示每一子任务类型对应的子任务数量,以便确定任务类型中每一子任务类型的子任务数量,由每一子任务类型的管理人员对每一子任务类型的任务单据分配处理人员进行处理。根据实际需求预先将销售系统划分为任务类型和子任务类型,任务分类清晰,便于各级管理人员对任务单据时效的控制。对子任务类型中目标任务单据进行优先级排序,确定每一目标任务单据在子任务类型中的排序顺序,以保证任务单据的处理时效。从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,以清楚显示每一任务单据的重要内容,提升任务单据的处理效率。
在一实施例中,如图3所示,在步骤S20之前,即在根据任务单据归类请求,采用预先训练好的归类模型对任务单据进行归类之前,任务监控处理方法还包括如下步骤:
S201:获取历史任务单据,历史任务单据对应一任务类型。
具体地,获取大量的不同任务类型对应的历史任务单据,对每一历史任务单据进行任务类型标注,以便后续进行模型训练。
S202:对每一历史任务单据进行图像化和归一化处理,获取目标图像数据。
其中,目标图像数据是指经图像化和归一化处理后的图像数据。图像化处理是指获取与历史任务单据的图像。
具体地,由于历史任务单据获取的来源多样化,历史任务单据中也包含各种噪声,首先对历史任务单据进行图像化处理,获取与历史任务单据对应的历史任务单据的图像,图像化处理后的图像会存在各种背景信息,图像质量也参差不齐,会影响历史任务单据的质量和清晰度,即图像可能存在歪曲或倾斜的情况。然后对该图像进行全局优化处理,可以包括对获取到的图像进行二值化灰度处理,减少目标图像数据的复杂度和信息处理量,以突出目标图像数据中的特征;对历史任务单据进行去噪处理,提高目标图像数据的质量和清晰度;对历史任务单据进行校正处理,使得到的目标图像数据更规范化。全局优化处理之后的图像去除了复杂的背景,包含突出显示的历史任务单据的文字内容,最后对全局处理后的文字内容进行归一化处理,以获取目标图像数据。
优选地,全局优化处理中的二值化灰度处理、去噪处理和校正处理并不限定其处理顺序及步骤,可以根据历史任务单据的实际情况选择进行。
S203:将目标图像数据输入至卷积神经网络进行学习训练,以获取归类模型。
其中,基于深度学习的卷积神经网络(Convolutional Neural Networks,CNN)模型具体可以包括输入层、卷积层、池化层和全连接层,通过输入层对目标图像进行图像预处理,使用卷积层对预处理后的图像进行特征提取,通过池化层进行降维处理,并将提取出降维后的特征数据输入全连接层,通过全连接层的分类回归分析,确定目标图像属于各任务类型的概率值。
具体地,(1)将目标图像数据输入至卷积神经网络的输入层,通过输入层对目标图像进行预处理,获取待处理图像。(2)将待处理图像输入至卷积层,对待处理图像进行卷积运算,获取特征数据。其中,卷积层可以包括多个卷积单元,每个卷积单元依次对上一个卷积单元的输出数据进行卷积计算,该卷积计算用于提取待处理图像中的特征,每个卷积单元通过卷积计算提取的特征信息不同,最后一个卷积单元的输出即为待处理图像中任务所在区域的特征数据。(3)通过池化层对特征数据进行降维处理。(4)使用全连接层对降维处理后的特征数据采用用预设的激活函数对特征数据进行回归分析,其中,激活函数具体可以是sigmoid、rule和Softmax等,此处不做限制。获取与特征数据对应的属于各任务类型的概率值,全连接层最大概率值对应的任务类型为激励分类结果;通过卷积神经网络模型中的损失函数对激励分类结果与训练样本预先标注的任务类型进行比较,若激励分类结果与任务类型相同,则训练样本的训练结束;若激励分类结果与标准任务类型不相同,则将训练样本重新输入到卷积神经网络模型中进行训练,在重新训练之前通过反向传播算法,对卷积神经网络模型的各个权重和偏置进行调节,以不断迭代训练,直至激励分类结果与任务类型相同,则模型收敛,以获取归类模型。
步骤S201-S203中,通过卷积神经网络对各个任务类型的历史任务单据进行训练,以获取归类模型。通过预先训练归类模型,以便后续快速确定新增任务单据的任务类型。
在一实施例中,如图4所示,步骤S30中,即采用预先训练好的与任务类型对应的任务分类模型对新增任务单据进行识别,获取新增任务单据对应的子任务类型,实时统计并显示每一子任务类型对应的子任务数量,具体包括如下步骤:
S31:从新增任务单据中提取与预设特征字段相对应的字段数据。
具体地,预设特征字段是指预先设定的用于确定子任务类型的字段。字段数据是指任务单据中的数据,其中,字段数据包含字段以及对应的字段内容。例如,任务截止期限为字段,2018年X月X日为字段内容。从新增任务单据中提取与预设特征字段对应的字段数据,以便后续通过字段数据确定新增任务单据的子任务类型。
S32:采用预先训练好的与任务类型对应的任务分类模型对字段数据进行识别,获取与新增任务单据对应的子任务类型。
具体地,每一子任务类型对应的预设特征字段不同,预设特征字段对应的字段数据不同,最后决策出的子任务类型不同。通过将获取到的预设特征字段对应的字段数据输入至预先训练好的任务分类模型中,通过任务分类模型对新增任务单据的字段数据进行决策,以获取与新增任务单据对应的子任务类型。其中,任务归类模型具体为决策树模型,决策树算法具体可采用采用ID3算法,采用ID3算法对数据库中的历史任务单据进行训练,以获取到决策树模型。其中,ID3(Iterative Dichotomiser 3,迭代决策树)算法,是一种用来构建决策树的算法,它根据信息增益来进行属性选择。在算法的每一步迭代中,其遍历历史任务单据中的特征字段,计算该特征字段的熵或信息增益,从中选择具有最小熵或最大信息增益的特征字段作为决策树的根节点(即影响子任务类型最大的特征字段),再将特征字段中的字段数据分为不同的属性值(例如,支付方式分为现金支付、在线支付和信用支付等),通过ID3算法继续对每一特征字段进行递归处理,直至决策树建立完成。具体地,采用ID3算法对数据库中的客户数据进行训练的过程,即决策树的生长过程,决策树构建完成,以获取到决策树模型。
例如,新增任务单据的任务类型为审核任务,新增任务单据中预设特征字段包括支付方式,其字段内容为现金支付,那么通过与审核任务对应的任务分类模型对新增任务单据中的字段数据进行决策,可获取到新增任务单据的子任务类型为第一稳单任务(非在线支付)。
S33:将子任务类型对应的新增任务单据数量和待处理任务单据数量之和,作为子任务数量。
具体地,先确定新增任务单据所属的子任务类型,并确定归属至该子任务类型的新增任务单据数量,对该子任务类型对应的待处理任务单据进行统计,以获取到该子任务类型对应的待处理任务单据数量,将新增任务单据数量和待处理任务单据数量之和作为该子任务类型对应的子任务数量。
步骤S31-S33中,从新增任务单据中提取与预设特征字段相对应的字段数据,为后续模型决策提供技术支持。采用预先训练好的与任务类型对应的任务分类模型对字段数据进行识别,获取与新增任务单据对应的子任务类型,获取方法简单快速。将子任务类型对应的新增任务单据数量和待处理任务单据数量之和,作为子任务数量,以提高子任务数量的精准度。
在一实施例中,如图5所示,步骤S40中,即对子任务类型中目标任务单据进行优先级排序,根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序,具体包括如下步骤:
S41:确定子任务类型的关键因素。
其中,关键因素是值预先设定的与子任务类型相对应的因素,根据关键因素可确定目标任务单据的优先级排序。
具体地,先确定与子任务类型对应的关键因素,关键因素包括任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数。可以理解地,每一目标任务单据中包含有与关键因素对应的因素值。
S42:从目标任务单据中,获取与关键因素对应的因素值,根据因素值查找评分表,获取与因素值对应的分值。
其中,因素值是指从目标任务单据中提取的与关键因素对应的字段内容。评分表是指预先配置的因素值与分值的对应关系的表。
具体地,先从子任务类型的目标任务单据中,提取与关键因素对应的因素值,即提取与任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等对应的因素值,根据因素值查找评分表,获取与因素值对应的分值。可以理解地,任务截止期限越短,则对应的分值越大;客户的重要程度越高,则对应的分值越大;紧急程度越紧急则对应的分值越大,名单类型对应的名单系数越大,则分值越大;回收天数越大,则对应的分值越大。其中,名单类型是用于计算薪资,按照名单类型对应的系数计算提成,名单系数越大,提成越高,则分值越大。回收天数是指超出预先设定的任务有效期60天后强制回收,则剩余回收天数越大,则分值越大。
S43:根据因素值对应的分值和预设权值进行加权计算,获取每一目标任务单据对应的目标值。
其中,目标值是指与目标任务单据对应的值,通过目标值来确定优先级排序。
具体地,数据库中存储有关键因素对应的预设权重,即任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等对应的预设权重,其中,预设权重是根据任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数等的重要性确定的值。获取关键因素(即因素值)对应的预设权值和因素值对应的分值,通过加权公式进行加权处理,获取目标值。其中,加权公式为y为目标值,n为任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数,Ai表示任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数对应的分值,wi表示任务截止期限、客户的重要程度、紧急程度、名单类型和回收天数对应的预设权重。
S44:根据目标值进行优先级排序,根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序。
具体地,每一目标任务单据对应的目标值可不同,也可相同,根据目标值对目标任务单据进行优先级排序,并根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序。可以理解地,目标值较大,即该任务单据将到达目标完成期限,或者该任务单据中客户为较为重要的客户,或者该任务单据为较为紧急的单据,则将目标值较大的排序在前,以便提高处理的时效性。进一步地,若目标任务单据对应的目标值相同,则可根据紧急程度进行排序,如将紧急程度较高的排序在前,以确定每一目标任务单据在子任务类型中的排序顺序。
步骤S41-S44中,确定子任务类型的关键因素,以根据关键因素确定优先级排序。从目标任务单据中,获取与关键因素对应的因素值,根据因素值查找评分表,获取与因素值对应的分值,通过分值可确定因素值的重要程度,为优先级排序提供技术支持。根据因素值对应的分值和预设权值进行加权计算,获取每一目标任务单据对应的目标值,以根据目标值进行优先级排序。根据优先级排序确定目标任务单据在子任务类型中排序顺序,以便管理人员对目标任务单据进行监控,并分配处理人员对排序在前的目标任务单据进行处理,提高处理效率。
在一实施例中,子任务类型对应一子类型标识。其中,子类型标识是指为每一子任务类型配置的标识,根据子类型标识确定唯一的子任务类型。
如图6所示,步骤S50中,即从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,形成并显示与子任务类型相对应的显示数据中,具体包括如下步骤:
S51:根据子类型标识查找模板库,获取与子类型标识对应的显示模板,显示模板中包含预设表头字段和对应的填充区域。
具体地,根据子类型标识查找模板库,其中,模板库是用于存储预先配置的显示模板的数据库,获取预先配置的与子类型标识对应的显示模板,显示模板包含至少一个预设表头字段和填充区域,预设表头字段为预先设定的在子任务类型显示页面需要显示的字段,填充区域用于为目标任务单据中需要显示的字段内容提供的区域。通过预先设定每一子类型标识对应的显示模板,其中,子任务类型不同,显示不同的预设表头字段。通过预先配置显示模板,以实现根据用户需求进行配置显示模板,以便后续根据显示模板对目标任务单据的字段内容进行填充,避免显示页面显示目标任务单据的每一字段内容,导致显示页面显示众多数据,从而导致页面不清楚的情况。
S52:从目标任务单据中提取与预设表头字段对应的字段内容。
具体地,将目标任务单据中每一字段与预设表头字段进行匹配,例如,预设表头字段为任务截止期限、客户名称、紧急程度、名单类型和回收天数等,将目标任务单据中每一字段与预设表头字段进行匹配,获取与预设表头字段匹配成功的字段内容。
S53:根据排序顺序,将字段内容填充至与预设表头字段对应的填充区域,形成并显示与子任务类型相对应的显示数据。
具体地,获取目标任务单据在子任务类型中的排序顺序,将字段内容按照排序顺序填充至与表头字段对应的填充区域中,形成并显示与子任务类型相对应的显示数据。
步骤S51-S53中,根据子类型标识查找模板库,获取与子类型标识对应的显示模板,实现根据用户需求配置显示模板。从目标任务单据中提取与预设表头字段对应的字段内容,将字段内容填充至与预设表头字段对应的填充区域,形成显示数据,以清楚显示每一目标任务单据的重要内容,便于对目标任务单据的监控。
在一实施例中,如图7所示,在步骤S50之后,即在形成并显示与子任务类型相对应的显示数据之后,任务监控处理方法还具体包括如下步骤:
S511:获取处理人员信息表,处理人员信息表包括至少两个处理人员标识和与每一处理人员标识对应的处理人员信息。
其中,处理人员信息表是存储处理人员信息的表,可以理解地,每一子任务类型对应的处理人员信息表不同。处理人员标识是指预先为每一处理人员配置的标识,根据处理人员标识可确定对应的处理人员。
具体地,服务端对每一目标任务单据分发到子任务类型后,管理人员可对每一目标任务单据配置相应的处理人员,需要说明的是,只对未分配处理人员的目标任务单据(即新增任务单据)分配处理人员。先获取子任务类型对应的处理人员信息表,处理人员信息表中包含还可分配任务单据的处理人员标识和处理人员标识对应的处理人员信息,其中,处理人员信息包含已分配数量,可分配数量和处理人员等级。处理人员等级是指根据处理人员的自身能力确定的等级,具体可根据职位、处理速度和处理能力等来确定的等级。已分配数量是指管理人员或者系统已为该处理人员分配的目标任务单据的数量。可分配数量是预先配置的与处理人员等级对应的数量,可以理解地,处理人员标识对应的处理人员等级越高,在职年限越长等对应的可承接目标任务单据能力越强,则配置的可分配数量越大。
S512:根据处理人员信息确定处理人员标识对应的待处理数量。
其中,待处理数量是指处理人员标识对应的还可承接目标任务单据的数量。
具体地,根据处理人员信息中已分配数量和可分配数量以确定与待处理人员标识对应的待处理数量。具体为可分配数量与已分配数量之差,作为待处理数量。例如,某一处理人员标识对应的可分配数量为10,已分配数量为6,那么待处理数量为4。
S513:根据待处理数量,对每一处理人员标识分配相对应的目标任务单据,并获取目标任务单据对应的任务截止期限。
具体地,服务端获取到每一处理人员标识对应的待处理数量后,为每一处理人员标识分配与待处理数量相应的目标任务单据,使得处理人员能够在有效期限内对每一目标任务单据进行处理。通过确定分配的目标任务单据对应的任务截止期限,以便后续向处理人员发送提醒信息,避免超期。
S514:启动期限监控模块,获取系统当前时间距离每一目标任务单据的任务截止期限的处理时限。
其中,期限监控模板是指预先设定的对每一目标任务单据的任务截止期限进行监控的模块。处理时限是指系统当前时间到任务截止期限的所剩余的时限。例如,系统当前时间为1月1日,任务截止期限为1月5日,那么处理时限为4。
具体地,通过期限监控模块对每一目标任务单据的任务截止期限进行监控,采用current_date函数获取系统当前时间,根据系统当前时间和每一目标任务单据的任务截止期限确定处理时限。通过期限监控模块对每一目标任务单据的任务截止期限进行监控,避免目标任务单据超期未处理。
S515:若处理时限达到期限阈值,则生成任务提醒信息,将任务提醒信息反馈给处理人员标识对应的预设端口。
其中,期限阈值是指预先设定的用于判断是否向处理人员标识对应的预设端口反馈任务提醒信息的阈值,具体可根据任务截止期限设定相应的期限阈值。例如,期限阈值为在任务截止期限前三天。任务提醒信息是指用于提醒处理人员该目标任务单据临近超期的信息。
具体地,若期限监控模块监控到某一目标任务单据的处理时限达到期限阈值,则生成任务提醒信息,服务端将任务提醒信息发送给处理人员标识对应的接口,也可以为管理人员的接口。通过将任务提醒信息反馈给处理人员标识对应的预设端口,以便处理人员对处理时限达到期限阈值对应的目标任务单据进行加急处理,提高处理时效,避免目标任务单据超期未完成。
步骤S511-S515中,通过获取处理人员标识对应的处理人员信息,以根据处理人员信息确定处理人员标识对应的待处理数量,实现确定以处理人员标识还可承接目标任务单据的数量。对每一处理人员标识分配相对应的目标任务单据,以保证处理人员在有效期限内对目标任务单据进行处理,获取目标任务单据对应的任务截止期限,以便采用期限监控模块对每一目标任务单据的任务截止时间进行监控。若系统当前时间距离每一目标任务单据的任务截止期限的处理时限达到期限阈值,则生成任务提醒信息,处理人员根据任务提醒信息对目标任务单据进行处理,减少目标任务单据超期的情况,以保证目标任务单据的处理时效。
在一实施例中,如图8所示,在步骤S50之后,即在形成并显示与子任务类型相对应的显示数据之后,任务监控处理方法还包括如下步骤:
S521:获取状态修改请求,状态修改请求包含目标任务单据和对应的修改数据。
其中,修改数据是指目标任务单据将要修改至的状态数据。其中,状态数据包括待处理状态和已处理状态。
具体地,当处理人员完成目标任务单据后,向服务端发送状态修改请求,其中,状态修改请求中包含目标任务单据对应的修改数据,即先确定处理人员通过用户端选定的需要进行状态修改的目标任务单据和修改数据。
S522:根据修改数据,对目标任务单据进行状态修改。
具体地,修改数据中包含与目标任务单据对应的目标状态,根据目标状态对目标任务单据进行状态修改。例如,目标状态为已处理状态,则将目标任务单据的状态从待处理状态修改为已处理状态,可以理解地,对目标任务单据的状态进行修改以后,任务类型和子任务类型所对应的数量进行相应的更新修改。
进一步地,根据修改数据对目标任务单据对应的状态进行修改,并统计目标任务单据对应的回收天数和名单类型,以便后续计算处理人员的薪资。
S523:实时统计并更新显示子任务类型的子任务数量和任务类型的任务数量。
具体地,处理人员对对目标任务单据的状态进行修改后,子任务类型和任务类型对应的目标任务单据的数量会相应的更改,统计与子任务类型对应的处于待处理状态的目标任务单据的数量作为子任务数量并进行显示,统计与任务类型对应的处于待处理状态的目标任务单据的数量作为任务数量并进行显示。
步骤S521-S523中,根据修改数据,对目标任务单据进行状态修改,以根据状态确定对每一目标任务单据是否完成。实时统计并更新显示子任务类型的子任务数量和任务类型的任务数量,提高显示的任务数量和子任务数量的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种任务监控处理装置,该任务监控处理装置与上述实施例中任务监控处理方法一一对应。如图9所示,该任务监控处理装置包括监控模块10、任务类型获取模块20、子任务类型获取模块30、排序模块40和显示模块50。各功能模块详细说明如下:
监控模块10,用于实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求。
任务类型获取模块20,用于根据任务单据归类请求,采用预先训练好的归类模型对新增任务单据进行归类,获取与新增任务单据对应的任务类型,实时统计并显示每一任务类型对应的任务数量。
子任务类型获取模块30,用于采用预先训练好的与任务类型对应的任务分类模型对新增任务单据进行识别,获取新增任务单据对应的子任务类型,实时统计并显示每一子任务类型对应的子任务数量。
排序模块40,用于对子任务类型中目标任务单据进行优先级排序,根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序。
显示模块50,用于从目标任务单据中提取与预设表头字段对应的字段内容,根据排序顺序对字段内容进行排序,形成并显示与子任务类型相对应的显示数据。
在一实施例中,在任务类型获取模块20之前,任务监控处理装置还包括历史数据获取单元、目标图像数据获取单元和归类模型获取单元。
历史数据获取单元,用于获取历史任务单据,历史任务单据对应一任务类型。
目标图像数据获取单元,用于对每一历史任务单据进行图像化和归一化处理,获取目标图像数据。
归类模型获取单元,用于将目标图像数据输入至卷积神经网络进行学习训练,以获取归类模型。
在一实施例中,子任务类型获取模块30,包括字段数据获取单元、子任务类型获取单元和子任务数量获取单元。
字段数据获取单元,用于从新增任务单据中提取与预设特征字段相对应的字段数据。
子任务类型获取单元,用于采用预先训练好的与任务类型对应的任务分类模型对字段数据进行识别,获取与新增任务单据对应的子任务类型。
子任务数量获取单元,用于将子任务类型对应的新增任务单据数量和待处理任务单据数量之和,作为子任务数量。
在一实施例中,排序模块40,包括关键因素确定单元、分值确定单元、目标值获取单元和排序顺序确定单元。
关键因素确定单元,用于确定子任务类型的关键因素。
分值确定单元,用于从目标任务单据中,获取与关键因素对应的因素值,根据因素值查找评分表,获取与因素值对应的分值。
目标值获取单元,用于根据因素值对应的分值和预设权值进行加权计算,获取每一目标任务单据对应的目标值。
排序顺序确定单元,用于根据目标值进行优先级排序,根据优先级排序确定每一目标任务单据在子任务类型中的排序顺序。
在一实施例中,子任务类型对应一子类型标识。显示模块50,包括显示模板获取单元、字段内容获取单元和显示数据形成单元。
显示模板获取单元,用于根据子类型标识查找模板库,获取与子类型标识对应的显示模板,显示模板中包含预设表头字段和对应的填充区域。
字段内容获取单元,用于从目标任务单据中提取与预设表头字段对应的字段内容。
显示数据形成单元,用于根据排序顺序,将字段内容填充至与预设表头字段对应的填充区域,形成并显示与子任务类型相对应的显示数据。
在一实施例中,在显示模块50之后,任务监控处理装置还包括处理人员信息获取单元、待处理数量获取单元、任务截止期限确定单元、处理时限确定单元和信息反馈单元。
处理人员信息获取单元,用于获取处理人员信息表,处理人员信息表包括至少两个处理人员标识和与每一处理人员标识对应的处理人员信息。
待处理数量获取单元,用于根据处理人员信息确定处理人员标识对应的待处理数量。
任务截止期限确定单元,用于根据待处理数量,对每一处理人员标识分配相对应的目标任务单据,并获取目标任务单据对应的任务截止期限。
处理时限确定单元,用于启动期限监控模块,获取系统当前时间距离每一目标任务单据的任务截止期限的处理时限。
信息反馈单元,用于若处理时限达到期限阈值,则生成任务提醒信息,将任务提醒信息反馈给处理人员标识对应的预设端口。
在一实施例中,在显示模块50之后,任务监控处理装置还包括修改请求获取单元、修改单元和更新统计单元。
修改请求获取单元,用于获取状态修改请求,状态修改请求包含目标任务单据和对应的修改数据。
修改单元,用于根据修改数据,对目标任务单据进行状态修改。
更新统计单元,用于实时统计并更新显示子任务类型的子任务数量和任务类型的任务数量。
关于任务监控处理装置的具体限定可以参见上文中对于任务监控处理方法的限定,在此不再赘述。上述任务监控处理装置中的各个模块可全部或部分通过软件、硬件及其组和来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务端,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备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系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统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执行任务监控处理方法过程中生成或获取的数据,如任务单据、归类模型、任务分类模型和显示模板等。该计算机设备的网络接口用于与外部的终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一种任务监控处理方法。
在一实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中任务监控处理方法,例如,图2所示S10至步骤S50,或者图3至图8中所示的步骤。或者,处理器执行计算机程序时实现上述实施例中任务监控处理装置中的各模块的功能,例如,图9所示模块10至模块50的功能。为避免重复,此处不再赘述。
在一实施例中,提供了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上述方法实施例中任务监控处理方法,例如,图2所示S10至步骤S50,图3至图8中所示的步骤。或者,该计算机程序被处理器执行时实现上述实施例中任务监控处理装置中各模块的功能,例如,图9所示模块10至模块50的功能。为避免重复,此处不再赘述。
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,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,本申请所提供的各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)、双数据率SDRAM(DDRSDRAM)、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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种任务监控处理方法,其特征在于,包括:
实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求;
根据所述任务单据归类请求,采用预先训练好的归类模型对所述新增任务单据进行归类,获取与所述新增任务单据对应的任务类型,实时统计并显示每一所述任务类型对应的任务数量;所述归类模型是指预先训练好的用于确定新增任务单据的任务类型的模型,具体是基于深度学习的卷积神经网络模型对大量的原始任务单据进行训练,直至卷积神经网络模型收敛,以获取到的模型;
采用预先训练好的与所述任务类型对应的任务分类模型对所述新增任务单据进行识别,获取所述新增任务单据对应的子任务类型,实时统计并显示每一所述子任务类型对应的子任务数量,包括:
从所述新增任务单据中提取与预设特征字段相对应的字段数据;
采用预先训练好的与所述任务类型对应的任务分类模型对所述字段数据进行识别,获取与所述新增任务单据对应的子任务类型;
将所述子任务类型对应的新增任务单据数量和待处理任务单据数量之和,作为子任务数量;
所述任务分类模型是指预先训练好的用于确定新增任务单据的子任务类型的模型,具体采用决策树算法对历史任务单据进行训练,以获取任务分类模型;
对所述子任务类型中目标任务单据进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序;
从所述目标任务单据中提取与预设表头字段对应的字段内容,根据所述排序顺序对所述字段内容进行排序,形成并显示与所述子任务类型相对应的显示数据。
2.如权利要求1所述的任务监控处理方法,其特征在于,在所述根据所述任务单据归类请求,采用预先训练好的归类模型对所述任务单据进行归类之前,所述任务监控处理方法还包括:
获取历史任务单据,所述历史任务单据对应一任务类型;
对每一所述历史任务单据进行图像化和归一化处理,获取目标图像数据;
将所述目标图像数据输入至卷积神经网络进行学习训练,以获取归类模型。
3.如权利要求1所述的任务监控处理方法,其特征在于,所述对所述子任务类型中目标任务单据进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序,包括:
确定所述子任务类型的关键因素;
从所述目标任务单据中,获取与所述关键因素对应的因素值,根据所述因素值查找评分表,获取与所述因素值对应的分值;
根据所述因素值对应的分值和预设权值进行加权计算,获取每一所述目标任务单据对应的目标值;
根据所述目标值进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序。
4.如权利要求1所述的任务监控处理方法,其特征在于,所述子任务类型对应一子类型标识;
所述从所述目标任务单据中提取与预设表头字段对应的字段内容,根据所述排序顺序对所述字段内容进行排序,形成并显示与所述子任务类型相对应的显示数据,包括:
根据所述子类型标识查找模板库,获取与所述子类型标识对应的显示模板,所述显示模板中包含预设表头字段和对应的填充区域;
从所述目标任务单据中提取与所述预设表头字段对应的字段内容;
根据所述排序顺序,将所述字段内容填充至与所述预设表头字段对应的填充区域,形成并显示与所述子任务类型相对应的显示数据。
5.如权利要求1所述的任务监控处理方法,其特征在于,在所述形成并显示与所述子任务类型相对应的显示数据之后,所述任务监控处理方法还包括:
获取处理人员信息表,所述处理人员信息表包括至少两个处理人员标识和与每一所述处理人员标识对应的处理人员信息;
根据所述处理人员信息确定所述处理人员标识对应的待处理数量;
根据所述待处理数量,对每一所述处理人员标识分配相对应的目标任务单据,并获取所述目标任务单据对应的任务截止期限;
启动期限监控模块,获取系统当前时间距离每一所述目标任务单据的任务截止期限的处理时限;
若所述处理时限达到期限阈值,则生成任务提醒信息,将所述任务提醒信息反馈给所述处理人员标识对应的预设端口。
6.如权利要求1所述的任务监控处理方法,其特征在于,在所述形成并显示与所述子任务类型相对应的显示数据之后,所述任务监控处理方法还包括:
获取状态修改请求,所述状态修改请求包含所述目标任务单据和对应的修改数据;
根据所述修改数据,对所述目标任务单据进行状态修改;
实时统计并更新显示所述子任务类型的子任务数量和所述任务类型的任务数量。
7.一种任务监控处理装置,其特征在于,包括:
监控模块,用于实时对数据库进行监控,若检测到数据库中存在新增任务单据,则触发任务单据归类请求;
归类模型模块,用于根据预先训练好的功能,确定新增任务单据的任务类型,具体是基于深度学习的卷积神经网络模型对大量的原始任务单据进行训练,直至卷积神经网络模型收敛,以获取到的模型;
任务类型获取模块,用于根据所述任务单据归类请求,采用预先训练好的归类模型对所述新增任务单据进行归类,获取与所述新增任务单据对应的任务类型,实时统计并显示每一所述任务类型对应的任务数量;
任务分类模型模块,用于根据预先训练好的功能,确定新增任务单据的子任务类型,具体采用决策树算法对历史任务单据进行训练,以获取任务分类模型;
子任务类型获取模块,从所述新增任务单据中提取与预设特征字段相对应的字段数据;用于采用预先训练好的与所述任务类型对应的任务分类模型对所述新增任务单据进行识别,获取所述新增任务单据对应的子任务类型,实时统计并显示每一所述子任务类型对应的子任务数量,将所述子任务类型对应的新增任务单据数量和待处理任务单据数量之和,作为子任务数量;
排序模块,用于对所述子任务类型中目标任务单据进行优先级排序,根据所述优先级排序确定每一所述目标任务单据在所述子任务类型中的排序顺序;
显示模块,用于从所述目标任务单据中提取与预设表头字段对应的字段内容,根据所述排序顺序对所述字段内容进行排序,形成并显示与所述子任务类型相对应的显示数据。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述任务监控处理方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至6任一项所述任务监控处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433623.0A CN110288193B (zh) | 2019-05-23 | 2019-05-23 | 任务监控处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433623.0A CN110288193B (zh) | 2019-05-23 | 2019-05-23 | 任务监控处理方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288193A CN110288193A (zh) | 2019-09-27 |
CN110288193B true CN110288193B (zh) | 2024-04-09 |
Family
ID=68002324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433623.0A Active CN110288193B (zh) | 2019-05-23 | 2019-05-23 | 任务监控处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288193B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727791A (zh) * | 2019-10-11 | 2020-01-24 | 重庆紫光华山智安科技有限公司 | 信息分类方法、装置、电子设备和计算机可读存储介质 |
CN110930221B (zh) * | 2019-11-18 | 2022-11-18 | 珠海格力电器股份有限公司 | 异常订单处理方法、存储介质及计算机设备 |
CN111401691B (zh) * | 2020-02-21 | 2024-02-09 | 中国平安财产保险股份有限公司 | 业务进度监控方法、装置及计算机可读存储介质 |
CN111340401B (zh) * | 2020-03-27 | 2023-05-23 | 深圳市赤狐软件技术有限公司 | 工作任务智能分配方法、装置、计算机设备及存储介质 |
CN111768097B (zh) * | 2020-06-28 | 2023-09-29 | 京东科技控股股份有限公司 | 任务执行状态监控方法、装置、系统及存储介质 |
CN112381503A (zh) * | 2020-11-06 | 2021-02-19 | 上海瀚银信息技术有限公司 | 一种项目上线优化管理系统及方法 |
CN113516420A (zh) * | 2021-09-13 | 2021-10-19 | 能科科技股份有限公司 | 基于机器学习的系统工程支持系统 |
CN114840859B (zh) * | 2021-12-21 | 2023-03-24 | 许磊 | 一种通用数据的流媒体化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
WO2017117074A1 (en) * | 2015-12-30 | 2017-07-06 | Microsoft Technology Licensing, Llc | Categorizationing and prioritization of managing tasks |
CN108681805A (zh) * | 2018-03-30 | 2018-10-19 | 平安科技(深圳)有限公司 | 任务统计方法及装置 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109784654A (zh) * | 2018-12-17 | 2019-05-21 | 平安国际融资租赁有限公司 | 任务生成方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-23 CN CN201910433623.0A patent/CN110288193B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
WO2017117074A1 (en) * | 2015-12-30 | 2017-07-06 | Microsoft Technology Licensing, Llc | Categorizationing and prioritization of managing tasks |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108681805A (zh) * | 2018-03-30 | 2018-10-19 | 平安科技(深圳)有限公司 | 任务统计方法及装置 |
CN109784654A (zh) * | 2018-12-17 | 2019-05-21 | 平安国际融资租赁有限公司 | 任务生成方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110288193A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288193B (zh) | 任务监控处理方法、装置、计算机设备及存储介质 | |
WO2020000688A1 (zh) | 财务风险验证处理方法、装置、计算机设备及存储介质 | |
US20160267503A1 (en) | System and method for predicting sales | |
CN112639845A (zh) | 确定个人信息查找结果可信度的机器学习系统和方法 | |
CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
US10089640B2 (en) | Methods and systems for interpretable user behavior profiling in off-street parking | |
KR101914620B1 (ko) | 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 | |
CN110609954A (zh) | 数据获取方法、装置、计算机设备和存储介质 | |
US20220191232A1 (en) | Systems and methods for cybersecurity risk mitigation and management | |
CN110764902A (zh) | 基于ai的虚拟资源分配方法、装置、计算机设备及存储介质 | |
WO2021248132A1 (en) | Machine learning systems for collaboration prediction and methods for using same | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN116414874B (zh) | 一种招投标信息管理系统和方法 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
Pal et al. | Appropriate number of analogues in analogy based software effort estimation using quality datasets | |
CN110765110A (zh) | 泛化能力处理方法、装置、设备及存储介质 | |
CN116402546A (zh) | 店铺风险归因方法及其装置、设备、介质、产品 | |
CN116342137A (zh) | 客户数据回收再分配方法、装置、计算机设备及存储介质 | |
US11429644B2 (en) | Systems and methods for computer modeling using incomplete data | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN114298460A (zh) | 素材工单分派处理方法、装置、设备及存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN112669073A (zh) | 一种用户留存预测方法、装置、电子设备及存储介质 | |
CN111949857A (zh) | 一种航班查询请求的处理方法、装置及电子设备 |
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 |