CN110533383B - 事项督办方法、装置、计算机设备及存储介质 - Google Patents

事项督办方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110533383B
CN110533383B CN201910673236.4A CN201910673236A CN110533383B CN 110533383 B CN110533383 B CN 110533383B CN 201910673236 A CN201910673236 A CN 201910673236A CN 110533383 B CN110533383 B CN 110533383B
Authority
CN
China
Prior art keywords
initial
data
item data
item
supervision
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
CN201910673236.4A
Other languages
English (en)
Other versions
CN110533383A (zh
Inventor
王伟
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910673236.4A priority Critical patent/CN110533383B/zh
Priority to PCT/CN2019/118240 priority patent/WO2021012524A1/zh
Publication of CN110533383A publication Critical patent/CN110533383A/zh
Application granted granted Critical
Publication of CN110533383B publication Critical patent/CN110533383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了事项督办方法、装置、计算机设备及存储介质。该方法包括：接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；根据催办等级及预设的催办策略，对相应的接收端进行催办提示。该方法实现了根据不同对象、事件类型，设置不同的督办提醒流程，减少了人工确定督办时间和督办类型的随意性，提高了事项的督办效率。

Description

事项督办方法、装置、计算机设备及存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种事项督办方法、装置、计算机设备及存储介质。
背景技术
目前，随着企业信息化项目的增多，出于节省成本、加快项目进度等因素的考虑，越来越多的企业将信息化项目中非关键部分转包给专业的外包公司开发。
在外包项目开展的过程中，存在诸如进场审批、退场审批、工位申请等各类事务，需要涉及不同部门、不同人员处理，一个事务又由多个更细的事项构成。但经常由于事项办理人的工作繁忙、疏忽、遗忘等原因，导致事项拖沓，未能在应办结的时间内完成处理，影响了后续工作的正常开展，造成了不良影响，因此产生了对事项的督办需求。
发明内容
本发明实施例提供了一种事项督办方法、装置、计算机设备及存储介质，旨在解决现有技术中在项目开发所外包的项目存在多个更细的事项构成，但经常由于事项办理人因无事项及时督办的原因，导致事项拖沓，未能在应办结的时间内完成处理的问题。
第一方面，本发明实施例提供了一种事项督办方法，其包括：
接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点；
根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及
接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；
在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示。
第二方面，本发明实施例提供了一种事项督办装置，其包括：
数据预处理单元，用于接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点；
决策树模型训练单元，用于根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及
当前事项催办等级获取单元，用于接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；
督办单元，用于在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上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第一方面所述的事项督办方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的事项督办方法。
本发明实施例提供了一种事项督办方法、装置、计算机设备及存储介质。该方法包括接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示。该方法实现了根据不同对象、事件类型，设置不同的督办提醒流程，减少了人工确定督办时间和督办类型的随意性，提高了事项的督办效率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的事项督办方法的应用场景示意图；
图2为本发明实施例提供的事项督办方法的流程示意图；
图3为本发明实施例提供的事项督办方法的子流程示意图；
图4为本发明实施例提供的事项督办方法的另一子流程示意图；
图5为本发明实施例提供的事项督办方法的另一子流程示意图；
图6为本发明实施例提供的事项督办方法的另一子流程示意图；
图7为本发明实施例提供的事项督办方法中决策树的示意图；
图8为本发明实施例提供的事项督办装置的示意性框图；
图9为本发明实施例提供的事项督办装置的子单元示意性框图；
图10为本发明实施例提供的事项督办装置的另一子单元示意性框图；
图11为本发明实施例提供的事项督办装置的另一子单元示意性框图；
图12为本发明实施例提供的事项督办装置的另一子单元示意性框图；
图13为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的事项督办方法的应用场景示意图，图2为本发明实施例提供的事项督办方法的流程示意图，该事项督办方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S110～S140。
S110、接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点。
在本实施例中，为了对用户端上传的当前待判断事项数据进行催办等级的计算和判断，需在服务器中构建一个用于预测事项的催办等级的决策树模型。服务器可以从工单处理系统中获取初始事项数据集合，初始事项数据集合中每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点。将初始事项数据集合进行预处理转化为训练样本数据后，便于作为待训练的决策树模型的输入输出值。
在一实施例中，步骤S110包括：
获取所述初始事项数据集合所包括的各初始事项数据，根据各初始事项数据及预设的数据预处理策略获取事项对应的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级；其中，所述数据预处理策略至少包括第一预处理策略、第二预处理策略和第三预处理策略；所述第一预处理策略用于根据事项类型和事项描述获取对应重要程度参数，所述第二预处理策略用于根据事项处理人属性获取对应办理人属性等级，所述第三预处理策略用于根据重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效及各自对应的权重计算催办等级，或者所述第三预处理策略用于根据事项的延误指数计算催办等级。
在本实施例中，获取了各初始事项数据后进行预处理，以转化为训练样本数据集合，训练样本数据集合中每一训练样本数据的格式如下表1：
Figure BDA0002142387920000051
表1
也即每一训练样本数据至少包括重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级这六个字段。下面针对上述六个字段每一字段值的来源进行详细说明。
在一实施例中，如图3所示，步骤S110包括：
S1111、将各初始事项数据的事项描述通过词频-逆文本频率指数模型进行关键词信息抽取，得到与各初始事项数据对应的关键词列表；
S1112、将各关键词列表中每一关键词通过用于将关键词转化为词向量的转化模型转化为对应的词向量；
S1113、根据每一关键词列表各词向量及各词向量对应的权重，计算获取各关键词列表对应的语义向量；
S1114、将各初始事项数据对应的语义向量输入至预先训练的分类模型，得到与各初始事项数据对应的重要程度参数；其中，所述分类模型通过将历史事项数据集合各事项数据对应的各语义向量作为待训练的分类模型输入，将历史事项数据集合各事项数据对应的重要程度参数作为待训练的分类模型输入，进行训练以得到用于判断事项数据对应的重要程度参数的分类模型。
在本实施例中，首先根据事项类型，由专业人员对事项标注不同的重要程度参数，分别为：特别重要、非常重要、比较重要、一般重要。
事项又分为标准事项和非标准事项。对于标准事项，由事项提交人选择事项类型，即得到事项的重要程度。
对于非标准事项，可在事项描述中，对事项进行简单的描述，供事项处理人理解事项的含义。对非标准事项的重要程度判别过程如下：收集一定样本的非标准事项描述，进行中文分词(分词软件可选用jieba、LTP、HanLP等主流软件)，再词汇清洗(去除停用词、语气助词)和关键词抽取，得到关键词抽取后的关键词列表。再将各关键词列表中每一关键词通过用于将关键词转化为词向量的转化模型转化为对应的词向量；根据每一关键词列表各词向量及各词向量对应的权重，计算获取各关键词列表对应的语义向量。最后搭建卷积神经网络，以语义向量为输入、重要程度参数为输出，训练好一个分类模型；再将非标准事项的描述输入到分类模型中，即得到该事项的重要程度参数。
即采用自然语言处理、深度学习技术对非标准事项的重要程度进行判别，减少了人为主观因素的影响，提高判别准确性。
在一实施例中，如图4所示，步骤S110包括：
S1121、获取各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分；
S1122、根据各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分，以及职位级别、工作年限、及工作类别积分各自对应的权重，计算获取与各初始事项数据对应的办理人属性等级。
在本实施例中，事项处理人所处的职位、工作年限等因素均会影响该事项的处理时效。选取事项处理人所处的职位、工作年限、工作类别(内勤、外勤)三个子属性计算办理人属性等级。
具体方法如下：
A1)可按照事项处理人在公司中所处的m个职级，从高到低给予1至m的分数，例如：总经理职级得分为m，副总经理职级得分为m-1，以此类推。
A2)对工作年限，可按照<1年、1-3年、3-10年、10-20年的间隔进行划分，若划分为n个工作年限间隔，给予1至n的分数，每个间隔增加1分。例如事项处理人的工作年限<1年给予1分的工作年限分数；
A3)对工作类别，可赋予内勤1分，外勤2分。
利用层次分析法，计算事项处理人的职位、工作年限、工作类别三个子属性的所占权重，再求和，得到每个事项处理人的办理人属性等级。根据办理人属性等级，从低到高，赋予五个等级，分别是一等、二等、三等、四等和五等。通过上述方式，即可获取客观且准确的办理人属性等级。
在一实施例中，如图5所示，步骤S110包括：
S1131、获取与各初始事项数据对应的相同事项类型集合的事项办结时间；
S1132、根据德尔菲模型及与各初始事项数据对应的相同事项类型集合的事项办结时间，获取各初始事项数据对应的相同事项类型集合对应的平均时间周期，以作为各初始事项数据对应的建议处理时效。
在本实施例中，在确定各初始事项数据对应的建议处理时效时，可以先收集一段时间内的与该事项具有相同事项类型的事项办结时间，由delphi法(即德尔菲模型)确定一个平均时间周期，设为建议处理时效STi。之后可以每隔一个周期，可根据统计数据，调整建议处理时效。
其中，delphi法称为德尔菲法，是采用背对背的通信方式征询专家小组成员的预测意见，经过几轮征询，使专家小组的预测意见趋于集中，最后做出符合市场未来发展趋势的预测结论。德尔菲法又名专家意见法或专家函询调查法，是依据系统的程序，采用匿名发表意见的方式，即团队成员之间不得互相讨论，不发生横向联系，只能与调查人员发生关系，以反复的填写问卷，以集结问卷填写人的共识及搜集各方意见，可用来构造团队沟通流程，应对复杂任务难题的管理技术。德尔菲法(Delphi Method)，又称专家规定程序调查法。该方法主要是由调查者拟定调查表，按照既定程序，以函件的方式分别向专家组成员进行征询；而专家组成员又以匿名的方式(函件)提交意见。经过几次反复征询和反馈，专家组成员的意见逐步趋于集中，最后获得具有很高准确率的集体判断结果。
在一实施例中，如图6所示，步骤S110包括：
S1141、根据督办耗时算法获取与各初始事项数据对应的督办总耗时；其中，所述督办耗时算法为
Figure BDA0002142387920000081
Figure BDA0002142387920000082
为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔，re_totali为初始事项数据i的督办总耗时，αt-1为初始事项数据i的第t次督办的督办系数，STi为初始事项数据i的建议处理时效；
S1142、根据延误指数算法获取各初始事项数据对应的延误指数；其中，所述延误指数算法为
Figure BDA0002142387920000083
CTi为初始事项数据i的实际处理时效、且初始事项数据i对应的CTi＝初始事项数据i的第四时间点-初始事项数据i的第三时间点；
S1143、根据各初始事项数据对应的延误指数按降序排序，得到排序后初始事项数据集合；
S1144、将排序后初始事项数据集合中排名未超出第一排名阈值的初始事项数据设置第一催办等级，将排序后初始事项数据集合中排名超出第一排名阈值且未超出第二排名阈值的初始事项数据设置第二催办等级，将排序后初始事项数据集合中排名超出第二排名阈值的初始事项数据设置第三催办等级；其中，所述第一排名阈值为各初始事项数据对应的事项总数乘以预设的第一比率，所述第二排名阈值为各初始事项数据对应的事项总数乘以预设的第二比率，且所述第二比率大于所述第一比率。
在本实施例中，确定各初始事项数据对应的催办等级，即为训练样本数据进行目标值的标注。
作为确定各初始事项数据对应的催办等级的第一实施例，初次催办等级的设定为根据事项的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、涉及部门数、建议处理时效，采用层次分析法确定每个指标的权重，计算催办等级的总分，从高到低排序，对分别落入[0,25％]、(25％，50％]、(50％，100％]三个区间的事项，确定其催办等级分别为严重、重要和一般。
具有严重、重要或一般的催办等级的事项数据，督办方式可参考表2：
Figure BDA0002142387920000091
表2
作为确定各初始事项数据对应的催办等级的第二实施例，可以根据事项的延误指数、实际处理时效及建议处理时效来确定各初始事项数据的催办等级。
从第一次督办开始，初始事项数据的两次督办的时间间隔计算过程如下：
设初始事项数据i的建议处理时效为STi，
Figure BDA0002142387920000092
为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔。设第t次督办的督办系数则为αt-1(α<1)，即
Figure BDA0002142387920000093
当上一次督办不成功时，下一次督办到来的时间间隔就会呈现指数级缩短。当事项处理人在工单系统里确认处理该事项(例如：点击“开始处理”标识)时，即认为该次督办成功，最后可统计出初始事项数据i的督办总耗时re_totali。
设初始事项数据i的实际处理时间为CTi。定义事项i延误指数为delay_indexi，延误指数为该事项督办总耗时与实际处理时间之和与其建议处理时效的比值，即：
Figure BDA0002142387920000094
对每个初始事项数据的延误指数从高到低排序，按照[0,25％]、(25％，50％]、(50％，100％]三个区间，确定调整后催办等级为严重、重要和一般。区间设置的分位数可根据实际情况调整。对于初次设定催办等级低于调整后催办等级的事项，其最终催办等级设为调整后催办等级，这样就完成了对催办等级的标注。
S120、根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型。
在本实施例中，对于训练样本数据集合，选择部分训练样本数据作为机器学习模型的训练数据。
在一实施例中，步骤S120包括：
获取所述训练样本数据集合中事项处理效果为十分满意级别、比较满意级别、或满意级别的初始事项数据，以组成训练集。
具体过程如下：在事项处理完结后，向事项处理申请人终端发送通知，以通知评价事项处理效果评分。设置五级评价指标，分别为：十分满意，比较满意，满意，不满意，其他。选取事项处理人评价位于前三级指标的事项作为训练集，剩余数据则作为测试集。
之后调用待训练决策树模型，由训练集对待训练决策树模型进行训练，生成用于预测事项的催办等级的决策树模型。当决策树模型在测试集上表现达到预期准确率后，即可投入使用。对于新样本数据，使用该决策树模型得到该事项的催办等级。
在训练决策树模型时，其具体过程如下：
输入：训练数据集D，特征集A，阈值ε(预剪枝用，后剪枝不需要此项)；
输出：决策树T。
1)若D中所有样本属于同一类Ck,则T为单节点树，并将Ck作为该节点的类标记，返回T；
2)若
Figure BDA0002142387920000101
则T为单节点树，并将D中样本数最多的类Ck作为该节点的类标记，返回T；
3)否则，计算A中各个特征对D的信息增益或者信息增益比，选择信息增益或信息增益比最大的特征Ag；
4)如果Ag的信息增益或信息增益比小于阈值ε，则置T为单节点树，并将D中样本数最多的类Ck作为该节点的类标记，返回T；(后剪枝没有这步)
5)如果Ag的每一种可能值ai，依Ag＝ai将D分割为若干非空子集Di，将Di中样本数最多的类作为标记，构建子节点，由节点及其子节点构成树T，返回T；
6)对第i个子节点，以Di为训练集，以A-{Ag}为特征集，递归地调用步骤1)～5)，得到子树Ti，返回Ti。
其中，信息熵是代表随机变量的复杂度(不确定度)，条件熵代表在某一个条件下随机变量的复杂度(不确定度)，而信息增益恰好是：信息增益＝信息熵-条件熵。即信息增益代表了在一个条件下，信息复杂度(不确定性)减少的程度。信息增益比则等于惩罚参数*信息增益，特征个数较多时，惩罚参数较小；特征个数较少时，惩罚参数较大。
上述过程中生成的决策树可能对训练数据有很好的分类能力，但对未知的测试数据却未必有很好的分类能力，即可能发生过拟合现象。故需要对已生成的树自上而下进行剪枝，将树变得更简单，从而使它具有更好的泛化能力。具体地，就是去掉过于细分的叶节点，使其回退到父节点，甚至更高的节点，然后将父节点或更高的节点改为新的叶节点。具体实施时，可以初始事项数据中的紧急程度参数作为根节点，以重要程度参数作为第一层叶节点，具体生成的决策树如图7所示。
S130、接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级。
在本实施例中，按照预定的第一次督办时间点，根据决策树模型的判断分支，确定每个事项的催办等级。对每个事项开始进行督办，按照设定的催办等级和督办间隔，进行督办。通过机器学习的方法，从历史记录中学习到合理的督办提醒时间、督办次数，从而自动提醒督办，减轻专职督办流程管理的成本，减少因遗忘、疏忽造成的不利后果。而且通过机器学习的方法，从历史记录中学习到合理的督办提醒时间、督办次数，从而自动提醒督办，减轻专职督办流程管理的成本，减少因遗忘、疏忽造成的不利后果。
S140、在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示。
在本实施例中，预先设置的催办策略集合可参考如表2所示的督办方式。通过上述决策树模型，即可确定当前待判断事项数据的催办等级，并结合与催办等级对应的催办策略进行催办即可。
该方法实现了根据不同对象、事件类型，设置不同的督办提醒流程，减少了人工确定督办时间和督办类型的随意性，提高了事项的督办效率。
本发明实施例还提供一种事项督办装置，该事项督办装置用于执行前述事项督办方法的任一实施例。具体地，请参阅图8，图8是本发明实施例提供的事项督办装置的示意性框图。该事项督办装置100可以配置于服务器中。
如图8所示，事项督办装置100包括数据预处理单元110、决策树模型训练单元120、当前事项催办等级获取单元130、督办单元140。
数据预处理单元110，用于接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点。
在本实施例中，为了对用户端上传的当前待判断事项数据进行催办等级的计算和判断，需在服务器中构建一个用于预测事项的催办等级的决策树模型。服务器可以从工单处理系统中获取初始事项数据集合，初始事项数据集合中每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点。将初始事项数据集合进行预处理转化为训练样本数据后，便于作为待训练的决策树模型的输入输出值。
在一实施例中，数据预处理单元110包括：
集合数据处理单元，用于获取所述初始事项数据集合所包括的各初始事项数据，根据各初始事项数据及预设的数据预处理策略获取事项对应的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级；其中，所述数据预处理策略至少包括第一预处理策略、第二预处理策略和第三预处理策略；所述第一预处理策略用于根据事项类型和事项描述获取对应重要程度参数，所述第二预处理策略用于根据事项处理人属性获取对应办理人属性等级，所述第三预处理策略用于根据重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效及各自对应的权重计算催办等级，或者所述第三预处理策略用于根据事项的延误指数计算催办等级。
在本实施例中，获取了各初始事项数据后进行预处理，以转化为训练样本数据集合，训练样本数据集合中每一训练样本数据的格式如下表1。也即每一训练样本数据至少包括重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级这六个字段。下面针对上述六个字段每一字段值的来源进行详细说明。
在一实施例中，如图9所示，数据预处理单元110包括：
关键词抽取单元1111，用于将各初始事项数据的事项描述通过词频-逆文本频率指数模型进行关键词信息抽取，得到与各初始事项数据对应的关键词列表；
词向量转化单元1112，用于将各关键词列表中每一关键词通过用于将关键词转化为词向量的转化模型转化为对应的词向量；
语义向量获取1113，用于根据每一关键词列表各词向量及各词向量对应的权重，计算获取各关键词列表对应的语义向量；
分类单元1114，用于将各初始事项数据对应的语义向量输入至预先训练的分类模型，得到与各初始事项数据对应的重要程度参数；其中，所述分类模型通过将历史事项数据集合各事项数据对应的各语义向量作为待训练的分类模型输入，将历史事项数据集合各事项数据对应的重要程度参数作为待训练的分类模型输入，进行训练以得到用于判断事项数据对应的重要程度参数的分类模型。
在本实施例中，首先根据事项类型，由专业人员对事项标注不同的重要程度参数，分别为：特别重要、非常重要、比较重要、一般重要。
事项又分为标准事项和非标准事项。对于标准事项，由事项提交人选择事项类型，即得到事项的重要程度。
对于非标准事项，可在事项描述中，对事项进行简单的描述，供事项处理人理解事项的含义。对非标准事项的重要程度判别过程如下：收集一定样本的非标准事项描述，进行中文分词(分词软件可选用jieba、LTP、HanLP等主流软件)，再词汇清洗(去除停用词、语气助词)和关键词抽取，得到关键词抽取后的关键词列表。再将各关键词列表中每一关键词通过用于将关键词转化为词向量的转化模型转化为对应的词向量；根据每一关键词列表各词向量及各词向量对应的权重，计算获取各关键词列表对应的语义向量。最后搭建卷积神经网络，以语义向量为输入、重要程度参数为输出，训练好一个分类模型；再将非标准事项的描述输入到分类模型中，即得到该事项的重要程度参数。
即采用自然语言处理、深度学习技术对非标准事项的重要程度进行判别，减少了人为主观因素的影响，提高判别准确性。
在一实施例中，如图10所示，数据预处理单元110包括：
事项处理人信息获取单元1121，用于获取各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分；
办理人属性等级计算单元1122，用于根据各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分，以及职位级别、工作年限、及工作类别积分各自对应的权重，计算获取与各初始事项数据对应的办理人属性等级。
在本实施例中，事项处理人所处的职位、工作年限等因素均会影响该事项的处理时效。选取事项处理人所处的职位、工作年限、工作类别(内勤、外勤)三个子属性计算办理人属性等级。
具体方法如下：
A1)可按照事项处理人在公司中所处的m个职级，从高到低给予1至m的分数，例如：总经理职级得分为m，副总经理职级得分为m-1，以此类推。
A2)对工作年限，可按照<1年、1-3年、3-10年、10-20年的间隔进行划分，若划分为n个工作年限间隔，给予1至n的分数，每个间隔增加1分。例如事项处理人的工作年限<1年给予1分的工作年限分数；
A3)对工作类别，可赋予内勤1分，外勤2分。
利用层次分析法，计算事项处理人的职位、工作年限、工作类别三个子属性的所占权重，再求和，得到每个事项处理人的办理人属性等级。根据办理人属性等级，从低到高，赋予五个等级，分别是一等、二等、三等、四等和五等。通过上述方式，即可获取客观且准确的办理人属性等级。
在一实施例中，如图11所示，数据预处理单元110包括：
事项办结时间获取单元1131，用于获取与各初始事项数据对应的相同事项类型集合的事项办结时间；
平均时间周期获取单元1132、根据德尔菲模型及与各初始事项数据对应的相同事项类型集合的事项办结时间，获取各初始事项数据对应的相同事项类型集合对应的平均时间周期，以作为各初始事项数据对应的建议处理时效。
在本实施例中，在确定各初始事项数据对应的建议处理时效时，可以先收集一段时间内的与该事项具有相同事项类型的事项办结时间，由delphi法(即德尔菲模型)确定一个平均时间周期，设为建议处理时效STi。之后可以每隔一个周期，可根据统计数据，调整建议处理时效。
在一实施例中，如图12所示，数据预处理单元110包括：
督办总耗时获取单元1141，用于根据督办耗时算法获取与各初始事项数据对应的督办总耗时；其中，所述督办耗时算法为
Figure BDA0002142387920000151
Figure BDA0002142387920000152
为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔，re_totali为初始事项数据i的督办总耗时，αt-1为初始事项数据i的第t次督办的督办系数，STi为初始事项数据i的建议处理时效；
延误指数获取单元1142，用于根据延误指数算法获取各初始事项数据对应的延误指数；其中，所述延误指数算法为
Figure BDA0002142387920000153
CTi为初始事项数据i的实际处理时效、且初始事项数据i对应的CTi＝初始事项数据i的第四时间点-初始事项数据i的第三时间点；
延误指数排序单元1143，用于根据各初始事项数据对应的延误指数按降序排序，得到排序后初始事项数据集合；
催办等级标注单元1144，用于将排序后初始事项数据集合中排名未超出第一排名阈值的初始事项数据设置第一催办等级，将排序后初始事项数据集合中排名超出第一排名阈值且未超出第二排名阈值的初始事项数据设置第二催办等级，将排序后初始事项数据集合中排名超出第二排名阈值的初始事项数据设置第三催办等级；其中，所述第一排名阈值为各初始事项数据对应的事项总数乘以预设的第一比率，所述第二排名阈值为各初始事项数据对应的事项总数乘以预设的第二比率，且所述第二比率大于所述第一比率。
在本实施例中，确定各初始事项数据对应的催办等级，即为训练样本数据进行目标值的标注。
作为确定各初始事项数据对应的催办等级的第一实施例，初次催办等级的设定为根据事项的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、涉及部门数、建议处理时效，采用层次分析法确定每个指标的权重，计算催办等级的总分，从高到低排序，对分别落入[0,25％]、(25％，50％]、(50％，100％]三个区间的事项，确定其催办等级分别为严重、重要和一般。
具有严重、重要或一般的催办等级的事项数据，督办方式可参考表2，作为确定各初始事项数据对应的催办等级的第二实施例，可以根据事项的延误指数、实际处理时效及建议处理时效来确定各初始事项数据的催办等级。
从第一次督办开始，初始事项数据的两次督办的时间间隔计算过程如下：
设初始事项数据i的建议处理时效为STi，
Figure BDA0002142387920000161
为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔。设第t次督办的督办系数则为αt-1(α<1)，即
Figure BDA0002142387920000162
当上一次督办不成功时，下一次督办到来的时间间隔就会呈现指数级缩短。当事项处理人在工单系统里确认处理该事项(例如：点击“开始处理”标识)时，即认为该次督办成功，最后可统计出初始事项数据i的督办总耗时re_totali。
设初始事项数据i的实际处理时间为CTi。定义事项i延误指数为delay_indexi，延误指数为该事项督办总耗时与实际处理时间之和与其建议处理时效的比值，即：
Figure BDA0002142387920000163
对每个初始事项数据的延误指数从高到低排序，按照[0,25％]、(25％，50％]、(50％，100％]三个区间，确定调整后催办等级为严重、重要和一般。区间设置的分位数可根据实际情况调整。对于初次设定催办等级低于调整后催办等级的事项，其最终催办等级设为调整后催办等级，这样就完成了对催办等级的标注。
决策树模型训练单元120，用于根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型。
在本实施例中，对于训练样本数据集合，选择部分训练样本数据作为机器学习模型的训练数据。
在一实施例中，决策树模型训练单元120包括：
训练集选取单元，用于获取所述训练样本数据集合中事项处理效果为十分满意级别、比较满意级别、或满意级别的初始事项数据，以组成训练集。
具体过程如下：在事项处理完结后，向事项处理申请人终端发送通知，以通知评价事项处理效果评分。设置五级评价指标，分别为：十分满意，比较满意，满意，不满意，其他。选取事项处理人评价位于前三级指标的事项作为训练集，剩余数据则作为测试集。
之后调用待训练决策树模型，由训练集对待训练决策树模型进行训练，生成用于预测事项的催办等级的决策树模型。当决策树模型在测试集上表现达到预期准确率后，即可投入使用。对于新样本数据，使用该决策树模型得到该事项的催办等级。
当期事项催办等级获取单元130，用于接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级。
在本实施例中，按照预定的第一次督办时间点，根据决策树模型的判断分支，确定每个事项的催办等级。对每个事项开始进行督办，按照设定的催办等级和督办间隔，进行督办。通过机器学习的方法，从历史记录中学习到合理的督办提醒时间、督办次数，从而自动提醒督办，减轻专职督办流程管理的成本，减少因遗忘、疏忽造成的不利后果。而且通过机器学习的方法，从历史记录中学习到合理的督办提醒时间、督办次数，从而自动提醒督办，减轻专职督办流程管理的成本，减少因遗忘、疏忽造成的不利后果。
督办单元140，用于在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示。
在本实施例中，预先设置的催办策略集合可参考如表2所示的督办方式。通过上述决策树模型，即可确定当前待判断事项数据的催办等级，并结合与催办等级对应的催办策略进行催办即可。
该装置实现了根据不同对象、事件类型，设置不同的督办提醒流程，减少了人工确定督办时间和督办类型的随意性，提高了事项的督办效率。
上述事项督办装置可以实现为计算机程序的形式，该计算机程序可以在如图13所示的计算机设备上运行。
请参阅图13，图13是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图13，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行事项督办方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行事项督办方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图13中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如本发明实施例提供的事项督办方法。
本领域技术人员可以理解，图13中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图13所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现如本发明实施例提供的事项督办方法。
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，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种事项督办方法，其特征在于，包括：
接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点；
根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及
接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；
在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示；
所述将所述初始事项数据集合进行预处理，得到训练样本数据集合，包括：
获取所述初始事项数据集合所包括的各初始事项数据，根据各初始事项数据及预设的数据预处理策略获取事项对应的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级；其中，所述数据预处理策略至少包括第一预处理策略、第二预处理策略和第三预处理策略；所述第一预处理策略用于根据事项类型和事项描述获取对应重要程度参数，所述第二预处理策略用于根据事项处理人属性获取对应办理人属性等级，所述第三预处理策略用于根据重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效及各自对应的权重计算催办等级，或者所述第三预处理策略用于根据事项的延误指数计算催办等级；
所述根据各初始事项数据及预设的数据预处理策略获取事项对应的建议处理时效，包括：
获取与各初始事项数据对应的相同事项类型集合的事项办结时间；
根据德尔菲模型及与各初始事项数据对应的相同事项类型集合的事项办结时间，获取各初始事项数据对应的相同事项类型集合对应的平均时间周期，以作为各初始事项数据对应的建议处理时效；
所述根据各初始事项数据及预设的数据预处理策略获取事项对应的催办等级，包括：
根据督办耗时算法获取与各初始事项数据对应的督办总耗时；其中，所述督办耗时算法为
Figure FDA0004181460390000021
re_intervalit为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔，re_totali为初始事项数据i的督办总耗时，αt-1为初始事项数据i的第t次督办的督办系数，STi为初始事项数据i的建议处理时效；
根据延误指数算法获取各初始事项数据对应的延误指数；其中，所述延误指数算法为
Figure FDA0004181460390000022
CTi为初始事项数据i的实际处理时效、且初始事项数据i对应的CTi＝初始事项数据i的第四时间点-初始事项数据i的第三时间点；
根据各初始事项数据对应的延误指数按降序排序，得到排序后初始事项数据集合；
将排序后初始事项数据集合中排名未超出第一排名阈值的初始事项数据设置第一催办等级，将排序后初始事项数据集合中排名超出第一排名阈值且未超出第二排名阈值的初始事项数据设置第二催办等级，将排序后初始事项数据集合中排名超出第二排名阈值的初始事项数据设置第三催办等级；其中，所述第一排名阈值为各初始事项数据对应的事项总数乘以预设的第一比率，所述第二排名阈值为各初始事项数据对应的事项总数乘以预设的第二比率，且所述第二比率大于所述第一比率。
2.根据权利要求1所述的事项督办方法，其特征在于，所述根据各初始事项数据及预设的数据预处理策略获取事项对应的重要程度参数，包括：
将各初始事项数据的事项描述通过词频-逆文本频率指数模型进行关键词信息抽取，得到与各初始事项数据对应的关键词列表；
将各关键词列表中每一关键词通过用于将关键词转化为词向量的转化模型转化为对应的词向量；
根据每一关键词列表各词向量及各词向量对应的权重，计算获取各关键词列表对应的语义向量；
将各初始事项数据对应的语义向量输入至预先训练的分类模型，得到与各初始事项数据对应的重要程度参数；其中，所述分类模型通过将历史事项数据集合各事项数据对应的各语义向量作为待训练的分类模型输入，将历史事项数据集合各事项数据对应的重要程度参数作为待训练的分类模型输入，进行训练以得到用于判断事项数据对应的重要程度参数的分类模型。
3.根据权利要求1所述的事项督办方法，其特征在于，所述根据各初始事项数据及预设的数据预处理策略获取事项对应的办理人属性等级，包括：
获取各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分；
根据各初始事项数据对应的事项处理人的职位级别、工作年限、及工作类别积分，以及职位级别、工作年限、及工作类别积分各自对应的权重，计算获取与各初始事项数据对应的办理人属性等级。
4.根据权利要求1所述的事项督办方法，其特征在于，所述根据预设的选择策略从所述训练样本数据集合中获取训练集，包括：
获取所述训练样本数据集合中事项处理效果为十分满意级别、比较满意级别、或满意级别的初始事项数据，以组成训练集。
5.一种事项督办装置，其特征在于，包括：
数据预处理单元，用于接收初始事项数据集合，将所述初始事项数据集合进行预处理，得到训练样本数据集合；其中，所述初始事项数据集合中的每一初始事项数据均至少包括事项类型、事项描述、用于表示事项督办通知发出时间的第一时间点、用于表示事项提交时间的第二时间点、用于表示事项处理人确认开始处理事项的开始时间的第三时间点、及用于表示事项处理人办结事项的结束时间的第四时间点；
决策树模型训练单元，用于根据预设的选择策略从所述训练样本数据集合中获取训练集，通过所述训练集对待训练决策树模型进行训练，得到用于预测事项的催办等级的决策树模型；以及
当前事项催办等级获取单元，用于接收当前待判断事项数据，若当前时间为当前待判断事项数据的督办时间点，根据所述决策树模型获取所述当前待判断事项数据的催办等级；
督办单元，用于在预先设置的催办策略集合中获取与所述当前待判断事项数据的催办等级对应的催办策略，根据所述催办策略对与所述当前待判断事项数据对应的接收端进行催办提示；
所述数据预处理单元，用于：
获取所述初始事项数据集合所包括的各初始事项数据，根据各初始事项数据及预设的数据预处理策略获取事项对应的重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效、催办等级；其中，所述数据预处理策略至少包括第一预处理策略、第二预处理策略和第三预处理策略；所述第一预处理策略用于根据事项类型和事项描述获取对应重要程度参数，所述第二预处理策略用于根据事项处理人属性获取对应办理人属性等级，所述第三预处理策略用于根据重要程度参数、紧急程度参数、办理人属性等级、涉及部门数、建议处理时效及各自对应的权重计算催办等级，或者所述第三预处理策略用于根据事项的延误指数计算催办等级；
所述数据预处理单元，用于：
获取与各初始事项数据对应的相同事项类型集合的事项办结时间；
根据德尔菲模型及与各初始事项数据对应的相同事项类型集合的事项办结时间，获取各初始事项数据对应的相同事项类型集合对应的平均时间周期，以作为各初始事项数据对应的建议处理时效；
所述数据预处理单元，用于：
根据督办耗时算法获取与各初始事项数据对应的督办总耗时；其中，所述督办耗时算法为
Figure FDA0004181460390000051
Figure FDA0004181460390000053
为初始事项数据i的第t-1次督办与第t次督办之间的时间间隔，re_totali为初始事项数据i的督办总耗时，αt-1为初始事项数据i的第t次督办的督办系数，STi为初始事项数据i的建议处理时效；
根据延误指数算法获取各初始事项数据对应的延误指数；其中，所述延误指数算法为
Figure FDA0004181460390000052
CTi为初始事项数据i的实际处理时效、且初始事项数据i对应的CTi＝初始事项数据i的第四时间点-初始事项数据i的第三时间点；
根据各初始事项数据对应的延误指数按降序排序，得到排序后初始事项数据集合；
将排序后初始事项数据集合中排名未超出第一排名阈值的初始事项数据设置第一催办等级，将排序后初始事项数据集合中排名超出第一排名阈值且未超出第二排名阈值的初始事项数据设置第二催办等级，将排序后初始事项数据集合中排名超出第二排名阈值的初始事项数据设置第三催办等级；其中，所述第一排名阈值为各初始事项数据对应的事项总数乘以预设的第一比率，所述第二排名阈值为各初始事项数据对应的事项总数乘以预设的第二比率，且所述第二比率大于所述第一比率。
6.一种计算机设备，包括存储器、处理器及存储在所述存储器上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4中任一项所述的事项督办方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的事项督办方法。
CN201910673236.4A 2019-07-24 2019-07-24 事项督办方法、装置、计算机设备及存储介质 Active CN110533383B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910673236.4A CN110533383B (zh) 2019-07-24 2019-07-24 事项督办方法、装置、计算机设备及存储介质
PCT/CN2019/118240 WO2021012524A1 (zh) 2019-07-24 2019-11-14 事项督办方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910673236.4A CN110533383B (zh) 2019-07-24 2019-07-24 事项督办方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110533383A CN110533383A (zh) 2019-12-03
CN110533383B true CN110533383B (zh) 2023-06-06

Family

ID=68661796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910673236.4A Active CN110533383B (zh) 2019-07-24 2019-07-24 事项督办方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN110533383B (zh)
WO (1) WO2021012524A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062477B (zh) * 2019-12-17 2023-12-08 腾讯云计算（北京）有限责任公司 一种数据处理方法、装置及存储介质
US20220108274A1 (en) * 2020-10-01 2022-04-07 Bank Of America Corporation Automated system for administering iterations in a continuous software development lifecyle framework
CN113627490A (zh) * 2021-07-15 2021-11-09 上海齐网网络科技有限公司 基于多核异构处理器的运维多模态决策方法及系统
CN113505936A (zh) * 2021-07-26 2021-10-15 平安信托有限责任公司 项目审批结果的预测方法、装置、设备及存储介质
CN113822531A (zh) * 2021-08-20 2021-12-21 华迪计算机集团有限公司 一种督查事项的安全管理及排序方法、系统及电子设备
CN114186607A (zh) * 2021-11-03 2022-03-15 张俊杰 应用于云办公的大数据处理方法及人工智能服务器
CN116205613B (zh) * 2023-05-04 2023-08-04 益企商旅(山东)科技服务有限公司 一种用于差旅自动巡检系统的在线监测方法及系统
CN116629804B (zh) * 2023-06-06 2024-01-09 河北华正信息工程有限公司 一种信访督查跟踪管理系统及管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015072041A1 (ja) * 2013-11-18 2015-05-21 株式会社日立製作所 セキュリティ対策訓練システム、セキュリティ対策訓練方法
CN104700199A (zh) * 2014-12-19 2015-06-10 深圳市燃气集团股份有限公司 一种一次催办方法及其系统
CN105787697A (zh) * 2016-02-02 2016-07-20 成都市泰牛科技股份有限公司 一种员工各工作节点的提醒和督办系统及方法
CN107798508A (zh) * 2017-09-22 2018-03-13 平安科技（深圳）有限公司 月度结算管理方法及终端设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002019224A1 (en) * 2000-09-01 2002-03-07 Togethersoft Corporation Methods and systems for integrating process modeling and project planning
US11354755B2 (en) * 2014-09-11 2022-06-07 Intuit Inc. Methods systems and articles of manufacture for using a predictive model to determine tax topics which are relevant to a taxpayer in preparing an electronic tax return
CN105956742B (zh) * 2016-04-21 2019-08-23 中国电子科技集团公司第二十八研究所 一种指挥任务管理信息与进度监视一体化显示方法
CN108694561A (zh) * 2018-05-21 2018-10-23 平安科技（深圳）有限公司 工作流管理方法、系统、计算机设备和存储介质
CN109657696B (zh) * 2018-11-05 2023-06-30 创新先进技术有限公司 多任务监督学习模型训练、预测方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015072041A1 (ja) * 2013-11-18 2015-05-21 株式会社日立製作所 セキュリティ対策訓練システム、セキュリティ対策訓練方法
CN104700199A (zh) * 2014-12-19 2015-06-10 深圳市燃气集团股份有限公司 一种一次催办方法及其系统
CN105787697A (zh) * 2016-02-02 2016-07-20 成都市泰牛科技股份有限公司 一种员工各工作节点的提醒和督办系统及方法
CN107798508A (zh) * 2017-09-22 2018-03-13 平安科技（深圳）有限公司 月度结算管理方法及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于文本分类和评分机制的软件缺陷分配方法;史小婉;马于涛;;计算机科学(第11期);第200-205页 *
强化督查催办管理 推动决策有效落实;邹光银;;中国经贸导刊(第25期);第63-64页 *

Also Published As

Publication number Publication date
WO2021012524A1 (zh) 2021-01-28
CN110533383A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110533383B (zh) 事项督办方法、装置、计算机设备及存储介质
CN109411082B (zh) 一种医疗质量评价及就诊推荐方法
Afshari et al. Simple additive weighting approach to personnel selection problem
CN107688967A (zh) 客户购买意向的预测方法及终端设备
WO2019037202A1 (zh) 目标客户的识别方法、装置、电子设备及介质
JP2008529168A (ja) 地域内の各サービス地点の住所データの登録および維持
EP2761550A1 (en) Requirements characterisation
CN110890146A (zh) 一种用于智慧病房的床旁智能交互系统
CN109740160B (zh) 一种基于人工智能语义分析的任务发布方法
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
CN111079941A (zh) 结合专家经验模型与有监督机器学习算法的信用信息系统
CN109685670A (zh) 社保违规检测方法、装置、设备及计算机可读存储介质
CN111477328B (zh) 一种非接触式的心理状态预测方法
WO2022160817A1 (zh) 翻译订单推送方法及系统
JP6569585B2 (ja) 業務評価システム
Cuadrado-Gallego et al. Analogies and differences between machine learning and expert based software project effort estimation
JP6481794B1 (ja) 学習用データ生成方法、学習用データ生成プログラム
CN112734142B (zh) 基于深度学习的资源学习路径规划方法及装置
CN113537759B (zh) 一种基于权重自适应的用户体验度量模型
CN111090805A (zh) 推荐指数归因方法、装置及电子设备
CN109191354A (zh) 一种基于自然语言处理的全民社管任务分发方法
CN114445141A (zh) 一种客户需求获取方法
US20210073840A1 (en) Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics
CN116777148B (zh) 一种基于数据分析的服务工单智能分配处理系统
CN109658267A (zh) 社保违规检测方法、装置、设备及计算机存储介质

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