CN112804304A - 基于多点输出模型的任务节点分配方法、装置及相关设备 - Google Patents
基于多点输出模型的任务节点分配方法、装置及相关设备 Download PDFInfo
- Publication number
- CN112804304A CN112804304A CN202011626846.8A CN202011626846A CN112804304A CN 112804304 A CN112804304 A CN 112804304A CN 202011626846 A CN202011626846 A CN 202011626846A CN 112804304 A CN112804304 A CN 112804304A
- Authority
- CN
- China
- Prior art keywords
- prediction
- target
- parameter
- parameter values
- model
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Abstract
本发明公开了一种基于多点输出模型的任务节点分配方法,应用于人工智能技术领域,用于解决现有的系统对任务节点的分配效率低的技术问题。本发明提供的方法包括:接收携带有员工特征信息和预测事件的至少一个目标预测对象;获取预先训练好的回归模型及训练得到的多个目标参数值;通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果;将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件;将与该预测事件对应的任务节点发送至能够完成该预测事件的目标预测对象。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于多点输出模型的任务节点分配方法、装置、计算机设备及存储介质。
背景技术
我们常见的预测任务一般通过机器学习模型来完成,即Y=F(X),通过输入已知的X,通过模型F得到预测结果Y,而常见的预测一般是点预测,即预测的结果是一个确定的值,通常也叫做最大期望值的预测。这种的点预测方式需要大量的样本数据作为基础条件对模型进行训练,即需要有足够的历史数据为支撑,同时,模型的参数完全通过对已有数据集合进行学习得到,不能灵活调整。
在对模型进行训练的过程中,会遇到实际训练样本数据十分有限的情况,比如经过业务调整后发生的数据一般是可数的,如果以此为样本数据来进行点预测,会导致预测结果不准确的问题。
此外,通过目前模型的常规预测方式给出的点预测只能给出一个确定的预测值,而在实际预测的场景中,例如在对员工的绩效产出进行预测的过程中,预测的对象一般是一个随机变量,点预测无法对随机变量的分布进行更多的刻画,进而影响基于模型结果的决策,通过目前的点预测模型在对随机变量进行预测的过程中,预测结果不准确的缺陷变得更加明显。
例如在有些场景中,系统需要对任务节点进行下发,对于比较重要的需要保证在一定时限内完成的任务,难以通过人工判断对应节点的处理人是否能完成该任务,如果通过现有的常规模型对某员工的执行力进行预测,首先是这种这类样本数据本身比较少,难以训练出损失函数收敛效果比较好的预测模型,另一方面,某一员工能否在预定时限内完成某一任务属于对随机变量的结果进行预测,现有的模型只能进行一个预测结果输出,无法准确的对此类问题进行预测。通过人工对处理人是否能完成该任务进行预估一方面预估结果不够准确,另一方面,系统在对该任务节点进行分配时,需要等待人工进行预估的时间,导致任务节点分配效率低,对于紧急事件的任务节点分配,十分不适用。
发明内容
本发明实施例提供一种基于多点输出模型的任务节点分配方法、装置、计算机设备及存储介质,以解决现有的系统对任务节点的分配效率低的技术问题。
一种基于多点输出模型的任务节点分配方法,该方法包括:
接收携带有员工特征信息和预测事件的至少一个目标预测对象;
获取预先训练好的回归模型及训练得到的多个目标参数值;
通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果;
将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;
当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件;
将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象。
一种基于多点输出模型的任务节点分配装置,该装置包括:
预测对象接收模块,用于接收携带有员工特征信息和预测事件的至少一个目标预测对象;
模型获取模块,用于获取预先训练好的回归模型及训练得到的多个目标参数值;
预测模块,用于通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果;
预测结果确定模块,用于将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;
预测事件判断模块,用于当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件;
任务节点发送模块,用于将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象。
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基于多点输出模型的任务节点分配方法的步骤。
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基于多点输出模型的任务节点分配方法的步骤。
本发明提出的基于多点输出模型的任务节点分配方法、装置、计算机设备及存储介质,在接收到至少一个目标预测对象时,获取预先训练好的回归模型及训练得到的多个目标参数值,并通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果,将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果,当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件,最后将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象,本发明通过利用该多点输出模型预测出目标预测对象能够完成所述预测事件时,将与所述预测事件对应的任务节点发送至所述目标预测对象,一方面由于多点输出模型对目标预测对象的预测结果比较准确,使得通过该多点输出模型挑选出的员工本身就适合处理该任务节点对应的事件,另一方面在进行节点任务的分配时系统直接将任务节点发送至能够完成该预测事件的该目标预测对象,可以节约审批人人工对该事件的处理人的审批时间,提高任务节点的分配效率,对于紧急处理事件的处理人的挑选相比于现有人工挑选方法,其优势更加明显。
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基于多点输出模型的任务节点分配方法的一应用环境示意图;
图2是本发明一实施例中基于多点输出模型的任务节点分配方法的一流程图;
图3是本发明一实施例中训练回归模型的一流程图;
图4是本发明一实施例中从参数值的概率分布中选取多个参数值作为该回归模型的目标参数值的一流程图;
图5是本发明一实施例中模型参数的各参数值的概率分布示意图;
图6是本发明另一实施例中模型参数的各参数值的概率分布示意图;
图7是本发明一实施例中基于多点输出模型的任务节点分配装置的结构示意图;
图8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。
本申请提供的基于多点输出模型的任务节点分配方法,以对员工针对特定事件的执行力进行准确预测,便于在预测出某一员工能够完成对应事件时,系统自行将该事件的任务节点分配至对应的员工,节省人工审核的时间,从而达到提高系统对任务节点的分配效率,该方法可应用在如图1所示的应用环境中。其中,该计算机设备可以但不限于服务器、各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图1所示,提供一种基于多点输出模型的任务节点分配方法,以该方法应用在图1中的计算机设备为例进行说明,包括如下步骤S101至S106。
S101、接收携带有员工特征信息和预测事件的至少一个目标预测对象。
在其中一个实施例中,该目标预测对象携带的特征信息的类型与参与训练的训练样本集中标注的员工样本特征相同,当训练样本中标注的特征包括该员工过去学习的紧急避险专业课程的课时、临场演练时长、历史参与该情况下进行人群疏导任务的次数、该员工的综合素质评分时,该目标预测对象携带的特征信息也应包括该目标预测对象过去学习的紧急避险专业课程的课时、临场演练时长、历史参与该情况下进行人群疏导任务的次数、该员工的综合素质评分等。
S102、获取预先训练好的回归模型及训练得到的多个目标参数值。
在其中一个实施例中,该回归模型可以是逻辑回归LR(Logistic Regression)模型,也可以是支持向量机SVM(support vector machine)模型,还可以是其它回归模型。该多个目标参数值通过对该回归模型进行训练得到。
S103、通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果。
可以理解的是,得到的预测结果的个数与该目标参数值的个数相同。目标参数值的个数越多或者目标参数值自身的密度就比较高的情况下,得到与各所述目标参数值相对应的预测结果参与后续计算的结果也更加准确,回归模型的预测结果也更加准确。
S104、将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果。
可以理解的是,所述预测结果表示对应员工与该预测事件的匹配程度,匹配程度越高表示该员工能够如约完成该预测事件的可能性更高。
S105、当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件。
在其中一个实施例中,该预设概率例如90%。
S106、将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象。
在其中一个实施例中,当所述目标预测对象包括多个时,该步骤S108进一步包括:
获取与各所述目标预测对象对应的预测结果;
获取各所述预测结果中取值大于所述预设概率对应的目标预测对象,将与所述预测事件对应的任务节点发送至获取的各所述目标预测对象。
本实施例提出的基于多点输出模型的任务节点分配方法在接收到至少一个目标预测对象时,获取预先训练好的回归模型及训练得到的多个目标参数值,并通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果,将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果,当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件,最后将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象,本发明通过利用该多点输出模型预测出目标预测对象能够完成所述预测事件时,将与所述预测事件对应的任务节点发送至所述目标预测对象,一方面由于多点输出模型对目标预测对象的预测结果比较准确,使得通过该多点输出模型挑选出的员工本身就适合处理该任务节点对应的事件,另一方面在进行节点任务的分配时系统直接将任务节点发送至能够完成该预测事件的该目标预测对象,可以节约审批人人工对该事件的处理人的审批时间,提高任务节点的分配效率,对于紧急处理事件的处理人的挑选相比于现有人工挑选方法,其优势更加明显。
图3是本发明一实施例中训练回归模型的一流程图,在其中一个实施例中,如图3所示,训练该回归模型的步骤包括:
S301、获取标注有员工样本特征、与各员工样本对应的实际处理事件的训练样本集及回归模型。
该训练样本集中包括有限个训练样本。其中,各训练样本中标注的特征根据与所述实际处理事情的相关性而定。例如当该实际处理事件为突发的紧急避险情况下的人群疏导任务时,该训练样本中标注的特征包括但不限于该员工过去学习的紧急避险专业课程的课时、临场演练时长、历史参与该情况下进行人群疏导任务的次数、该员工的综合素质评分等。
在其中一个实施例中,该回归模型包括但不限于逻辑回归LR(LogisticRegression)模型、支持向量机SVM(support vector machine)模型等。
S302、从该训练样本集中选出多个训练样本子集,通过该训练样本子集携带的员工样本特征和实际处理事件对该回归模型分别进行训练,得到与各训练样本子集相对应的模型参数的参数值。
可以理解的是,该训练样本子集可以从该训练样本集中随机选取,训练样本子集选取的个数越多,得到的模型参数的参数值的个数也越多,对最终的预测结果越有利。
S303、根据训练得到的该模型参数的参数值计算该模型参数的各参数值的概率分布。
图5是本发明一实施例中模型参数的各参数值的概率分布示意图,根据本实施例步骤得到的各参数值的概率分布如图5所示,其中,横轴θ表示模型参数θ的取值,纵轴y表示模型参数θ在某个取值下的概率。
进一步地,可以将同一参数值的个数除以参数值的总个数得到该参数值对应的概率。
考虑到对于某些待预测事件的特殊性,会存在训练样本比较少的情况,为了进一步提高该回归模型预测准确性,根据本申请的一个实施例,在上述步骤S303中计算该模型参数的各参数值的概率分布的步骤之前,该方法还包括:
接收用户输入的与该实际处理事件相对应的参数先验概率值。
该步骤S303的步骤进一步为:
根据训练得到的模型参数的参数值和该参数先验概率值计算该模型参数的各参数值的后验分布。
其中,该先验参数根据专家经验或业务经验人为来设定。
本实施例通过在计算该回归模型的各参数值的后验分布中融合专家先验概率值,使得即使在样本量很少的情况下训练出的参数值由于结合了专家经验,使得通过本实施例训练出的回归模型预测出的结果更接近真值,使得该回归模型的预测结果更加准确。
在其中一个实施例中,通过以下公式(1)计算该模型参数的参数值的后验分布:
其中,p(θ|x)表示该参数θ的参数值的后验分布,p(θ)表示该参数θ的参数先验概率值,p(x)表示归一化因子,p(x|θ)表示该回归模型选用训练得到的对应参数值对训练样本子集x进行预测的预测结果。
进一步地,当回归模型各参数值的维度较高时,可通过马尔科夫算法计算该归一化因子,其中,具体通过以下公式(2)计算该归一化因子:
p(x)=∫p(x|θ)p(θ)dθ (2)
其中,p(x|θ)表示该回归模型选用训练得到的对应参数值对训练样本子集x进行预测的预测结果,p(θ)表示该参数θ的参数先验概率值。
图6是本发明另一实施例中模型参数的各参数值的概率分布示意图,根据本实施例计算得到的各参数值的概率分布示意图如图6所示,当回归模型各参数值的维度较高时,通过马尔科夫算法结合贝叶斯原理计算出的各参数值的概率分布如图6所示。其中,横轴θ表示模型参数θ的取值,纵轴y表示模型参数θ在某个取值下的概率。
在其中一个实施例中,上述步骤S103中通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测的步骤进一步包括:
通过以下公式(3)计算与各该目标参数值相对应的预测结果:
p(y*|x*,X)=∫p(y*|x*,θ)p(θ|x)dθ (3)
其中,x*表示该目标预测对象,X表示该训练样本集,p(y*|x*,θ)表示在参数θ对应的参数值下通过该回归模型预测出的结果,p(θ|x)表示该模型参数的参数值的后验概率分布,p(y*|x*,X)表示该目标预测对象x*随着参数θ的参数值的变化而变化的预测结果y*的概率分布。
在其中一个实施例中,当通过该公式(3)计算出目标预测对象x*随着参数θ值的变化而变化的预测结果y*的概率分布时,可以直接在预测结果y*的分布中随机选取所述参数θ的多个参数值,获取与参数θ各参数值对应的预测结果y*的取值,即可得到目标预测对象x*通过对应参数值的回归模型进行预测的预测结果。
S304、根据该模型参数的参数值的概率分布选取多个参数值作为该回归模型的目标参数值。
在其中一个实施例中,从所述参数值的后验概率分布中选取多个参数值的方式例如:
从所述参数值的后验概率分布中随机选取的所述目标参数值,选取的所述目标参数值的个数大于预设个数。进一步地,该预设个数例如为1000个。
可以理解的是,通过该步骤对目标参数值进行选取的方式,尽可能随机选择更多个目标参数值,使得选择的目标参数值中靠近后验概率分布的峰值的点比较多,使得与各所述目标参数值相对应的预测结果也更多,从而使得根据各个预测结果计算出的平均值更为准确,能够进一步提高该回归模型对随机变量进行预测的准确性。
图4是本发明一实施例中从参数值的概率分布中选取多个参数值作为该回归模型的目标参数值的一流程图,在其中一个实施例中,上述步骤S304中根据该模型参数的参数值的概率分布选取多个参数值作为该回归模型的目标参数值的步骤进一步包括以下步骤S401至S403。
S401、从该参数值的后验概率分布中随机选取若干个参数值,得到第一参数组。
在其中一个实施例中,从该参数值的后验概率分布中随机选取若干个参数值例如为2000个。
S402、从该第一参数组中选取参数值的概率大于第一预设值的参数值,得到第二参数组。
在其中一个实施例中,该第一预设值可以根据参数的最大取值来确定,可以将该模型参数的最大取值与预设系数的乘积作为该第一预设值。进一步地,该预设系数大于0且小于1。作为优选地,该预设系数例如为0.7。
S403、从该第二参数组中随机选取多个参数值作为该回归模型的目标参数值。
本实施例提出的目标参数值的选取方法包括两步,首先从所述第一参数组中获取参数值的概率大于第一预设值的参数值,得到第二参数组,使得更为接近后验概率分布的峰值附近的点被选取在该第二参数组中,再在该第二参数组中随机选取多个参数值作为该回归模型的目标参数值时,选出的目标参数值本身就是出现概率更高的参数值,使得回归模型利用该目标参数值分别对所述目标预测对象进行预测的预测结果更加准确,再通过计算与各所述目标参数值相对应的预测结果的平均值,可以更进一步地提高该回归模型对随机变量进行预测的准确性。
在其中一个实施例中,上述步骤S104中将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果的步骤进一步包括:
可以通过以下公式(4)计算目标预测对象x*的预测结果y*:
其中,p(y*|x*,X)表示目标预测对象x*在通过训练样本集X训练得到的模型中的预测结果y*,p(y*|x*,θj)表示目标预测对象x*在通过选用参数值为θj的模型中的预测结果y*,k表示所述目标参数值的选取个数。
本实施例在回归模型各参数值的维度较高时通过贝叶斯公式结合MCMC马尔科夫算法将离散的参数值的后验概率分布处理成连续的具有上下限的参数值的后验概率分布,然后利用贝叶斯结合该回归模型进行预测时,对该目标预测对象预测参数θ无限个取值(参数θ的取值受该上下限的限制)对应的无限个预测结果中,通过二次采点或一次采集足够多的K点的方式,计算对应点预测结果的平均值,以使得预测结果更加准确。
本实施例提出的基于多点输出模型的任务节点分配方法通过获取标注有员工样本特征和实际处理事件的训练样本集及回归模型的参数先验概率值,从所述训练样本集中选出多个训练样本子集,通过所述训练样本子集携带的员工样本特征和实际处理事件对所述回归模型分别进行训练,得到与各训练样本子集相对应的模型参数的参数值,然后根据训练得到的模型参数的参数值和所述参数先验概率值计算所述模型参数的参数值的后验概率分布,由于计算该模型参数的参数值的后验概率分布的过程中结合了专家先验的经验,使得训练出的该模型参数的参数值更加准确,本申请进一步从所述模型参数的参数值的后验概率分布中选取多个参数值作为所述模型的目标参数值,在对携带有特征信息的目标预测对象进行预测时,通过该回归模型利用各所述目标参数值分别对所述目标预测对象进行预测,得到与各所述目标参数值相对应的预测结果,然后计算与各所述目标参数值相对应的预测结果的平均值,将计算出的平均值确定为所述目标预测对象的预测结果,进一步提高回归模型预测的准确率。
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,提供一种基于多点输出模型的任务节点分配装置,该基于多点输出模型的任务节点分配装置与上述实施例中基于多点输出模型的任务节点分配方法一一对应。如图7所示,该基于多点输出模型的任务节点分配装置100包括预测对象接收模块11、模型获取模块12、预测模块13、预测结果确定模块14、预测事件判断模块15和任务节点发送模块16。各功能模块详细说明如下:
预测对象接收模块11,用于接收携带有员工特征信息和预测事件的至少一个目标预测对象;
模型获取模块12,用于获取预先训练好的回归模型及训练得到的多个目标参数值;
预测模块13,用于通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果;
预测结果确定模块14,用于将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;
预测事件判断模块15,用于当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件;
任务节点发送模块16,用于将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象。
在其中一个实施例中,该基于多点输出模型的任务节点分配装置100还包括:
样本获取模块,用于获取标注有员工样本特征、与各员工样本对应的实际处理事件的训练样本集及回归模型;
训练模块,用于从该训练样本集中选出多个训练样本子集,通过该训练样本子集携带的员工样本特征和实际处理事件对该回归模型分别进行训练,得到与各训练样本子集相对应的模型参数的参数值;
计算模块,用于根据训练得到的该模型参数的参数值计算该模型参数的各参数值的概率分布;
目标参数值选取模块,用于根据该模型参数的参数值的概率分布选取多个参数值作为该回归模型的目标参数值。
在其中一个实施例中,该目标参数值选取模块具体包括:
第一选取单元,用于从该参数值的后验概率分布中随机选取若干个参数值,得到第一参数组;
第二选取单元,用于从该第一参数组中选取参数值的概率大于第一预设值的参数值,得到第二参数组;
随机选取单元,用于从该第二参数组中随机选取多个参数值作为该回归模型的目标参数值。
在其中一个实施例中,该基于多点输出模型的任务节点分配装置100还包括:
先验概率值接收单元,用于接收用户输入的与该实际处理事件相对应的参数先验概率值。
该计算模块具体用于根据训练得到的模型参数的参数值和该参数先验概率值计算该模型参数的各参数值的后验分布。
在其中一个实施例中,该计算模块通过以下公式(1)计算该模型参数的参数值的后验分布:
其中,p(θ|x)表示该参数θ的参数值的后验分布,p(θ)表示该参数θ的参数先验概率值,p(x)表示归一化因子,p(x|θ)表示该回归模型选用训练得到的对应参数值对训练样本子集x进行预测的预测结果。
进一步地,该计算模块具体通过以下公式(2)计算该归一化因子:
p(x)=∫p(x|θ)p(θ)dθ (2);
其中,p(x|θ)表示该回归模型选用训练得到的对应参数值对训练样本子集x进行预测的预测结果,p(θ)表示该参数θ的参数先验概率值。
在其中一个实施例中,该预测模块13具体用于通过以下公式(3)计算与各该目标参数值相对应的预测结果:
p(y*|x*,X)=∫p(y*|x*,θ)p(θ|x)dθ (3);
其中,x*表示该目标预测对象,X表示该训练样本集,p(y*|x*,θ)表示在参数θ对应的参数值下通过该回归模型预测出的结果,p(θ|x)表示该模型参数的参数值的后验概率分布,p(y*|x*,X)表示该目标预测对象x*随着参数θ的参数值的变化而变化的预测结果y*的概率分布。
在其中一个实施例中,当通过该公式(3)计算出目标预测对象x*随着参数θ值的变化而变化的预测结果y*的概率分布时,可以直接在预测结果y*的分布中随机选取所述参数θ的多个参数值,获取与参数θ各参数值对应的预测结果y*的取值,即可得到目标预测对象x*通过对应参数值的回归模型进行预测的预测结果。
在其中一个实施例中,上述预测结果确定模块14包括预测结果计算单元。
该预测结果计算单元具体用于通过以下公式(4)计算目标预测对象x*的预测结果y*:
其中,p(y*|x*,X)表示目标预测对象x*在通过训练样本集X训练得到的模型中的预测结果y*,p(y*|x*,θj)表示目标预测对象x*在通过选用参数值为θj的模型中的预测结果y*,k表示所述目标参数值的选取个数。
本实施例提出的基于多点输出模型的任务节点分配装置在回归模型各参数值的维度较高时通过贝叶斯公式结合MCMC马尔科夫算法将离散的参数值的后验概率分布处理成连续的具有上下限的参数值的后验概率分布,然后利用贝叶斯结合该回归模型进行预测时,对该目标预测对象预测参数θ无限个取值对应的无限个预测结果,通过二次采点或一次采集足够多的K点的方式,计算对应点预测结果的平均值,以使得预测结果更加准确。
本实施例提出的基于多点输出模型的任务节点分配装置通过获取标注有员工样本特征和实际处理事件的训练样本集及回归模型的参数先验概率值,从所述训练样本集中选出多个训练样本子集,通过所述训练样本子集携带的员工样本特征和实际处理事件对所述回归模型分别进行训练,得到与各训练样本子集相对应的模型参数的参数值,然后根据训练得到的模型参数的参数值和所述参数先验概率值计算所述模型参数的参数值的后验概率分布,由于计算该模型参数的参数值的后验概率分布的过程中结合了专家先验的经验,使得训练出的该模型参数的参数值更加准确,本申请进一步从所述模型参数的参数值的后验概率分布中选取多个参数值作为所述模型的目标参数值,在对携带有特征信息的目标预测对象进行预测时,通过该回归模型利用各所述目标参数值分别对所述目标预测对象进行预测,得到与各所述目标参数值相对应的预测结果,然后计算与各所述目标参数值相对应的预测结果的平均值,将计算出的平均值确定为所述目标预测对象的预测结果,进一步提高回归模型预测的准确率。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分,并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块,本申请中所出现的模块的划分,仅仅是一种逻辑上的划分,实际应用中实现时可以有另外的划分方式。
关于基于多点输出模型的任务节点分配装置的具体限定可以参见上文中对于基于多点输出模型的任务节点分配方法的限定,在此不再赘述。上述基于多点输出模型的任务节点分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。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器。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基于多点输出模型的任务节点分配方法中涉及到的数据。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基于多点输出模型的任务节点分配方法。
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终端,其内部结构图可以如图8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、显示屏和输入装置。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和计算机程序。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。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多点输出模型的任务节点分配方法。
在一个实施例中,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基于多点输出模型的任务节点分配方法的步骤,例如图2所示的步骤101至步骤106及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机程序时实现上述实施例中基于多点输出模型的任务节点分配装置的各模块/单元的功能,例如图7所示模块11至模块16的功能。为避免重复,这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,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。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,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中,也可以与所述处理器分开设置。
在一个实施例中,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实施例中基于多点输出模型的任务节点分配方法的步骤,例如图2所示的步骤101至步骤106及该方法的其它扩展和相关步骤的延伸。或者,计算机程序被处理器执行时实现上述实施例中基于多点输出模型的任务节点分配装置的各模块/单元的功能,例如图7所示模块11至模块16的功能。为避免重复,这里不再赘述。
本实施例提出的基于多点输出模型的任务节点分配方法、装置、计算机设备及存储介质,在接收到至少一个目标预测对象时,获取预先训练好的回归模型及训练得到的多个目标参数值,并通过该回归模型利用各该目标参数值分别对每个该目标预测对象进行预测,得到与各该目标参数值相对应的该目标预测对象对该预测事件的预测结果,将与各该目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果,当该预测结果大于预设概率时,判断该目标预测对象能够完成该预测事件,最后将与该预测事件对应的任务节点发送至能够完成该预测事件的该目标预测对象,本发明通过利用该多点输出模型预测出目标预测对象能够完成所述预测事件时,将与所述预测事件对应的任务节点发送至所述目标预测对象,一方面由于多点输出模型对目标预测对象的预测结果比较准确,使得通过该多点输出模型挑选出的员工本身就适合处理该任务节点对应的事件,另一方面在进行节点任务的分配时系统直接将任务节点发送至能够完成该预测事件的该目标预测对象,可以节约审批人人工对该事件的处理人的审批时间,提高任务节点的分配效率,对于紧急处理事件的处理人的挑选相比于现有人工挑选方法,其优势更加明显。
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,所述的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,即将所述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。
以上所述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 (10)
1.一种基于多点输出模型的任务节点分配方法,其特征在于,所述方法包括:
接收携带有员工特征信息和预测事件的至少一个目标预测对象;
获取预先训练好的回归模型及训练得到的多个目标参数值;
通过所述回归模型利用各所述目标参数值分别对每个所述目标预测对象进行预测,得到与各所述目标参数值相对应的所述目标预测对象对所述预测事件的预测结果;
将与各所述目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;
当所述预测结果大于预设概率时,判断所述目标预测对象能够完成所述预测事件;
将与所述预测事件对应的任务节点发送至能够完成所述预测事件的所述目标预测对象。
2.根据权利要求1所述的基于多点输出模型的任务节点分配方法,其特征在于,训练所述回归模型的步骤包括:
获取标注有员工样本特征、与各员工样本对应的实际处理事件的训练样本集及回归模型;
从所述训练样本集中选出多个训练样本子集,通过所述训练样本子集携带的员工样本特征和实际处理事件对所述回归模型分别进行训练,得到与各训练样本子集相对应的模型参数的参数值;
根据训练得到的所述模型参数的参数值计算所述模型参数的各参数值的概率分布;
根据所述模型参数的参数值的概率分布选取多个参数值作为所述回归模型的目标参数值。
3.根据权利要求2所述的基于多点输出模型的任务节点分配方法,其特征在于,所述根据所述模型参数的参数值的概率分布选取多个参数值作为所述回归模型的目标参数值的步骤包括:
从所述参数值的后验概率分布中随机选取若干个参数值,得到第一参数组;
从所述第一参数组中选取参数值的概率大于第一预设值的参数值,得到第二参数组;
从所述第二参数组中随机选取多个参数值作为所述回归模型的目标参数值。
4.根据权利要求2所述的基于多点输出模型的任务节点分配方法,其特征在于,在所述计算所述模型参数的各参数值的概率分布的步骤之前,所述方法还包括:
接收用户输入的与所述实际处理事件相对应的参数先验概率值;
所述根据训练得到的所述模型参数的参数值计算所述模型参数的各参数值的概率分布的步骤进一步为:
根据训练得到的模型参数的参数值和所述参数先验概率值计算所述模型参数的各参数值的后验分布。
6.根据权利要求5所述的基于多点输出模型的任务节点分配方法,其特征在于,通过以下公式计算所述归一化因子:
p(x)=∫p(x|θ)p(θ)dθ;
其中,p(x)表示所述归一化因子,p(x|θ)表示所述回归模型选用训练得到的对应参数值对训练样本子集x进行预测的预测结果,p(θ)表示所述参数θ的参数先验概率值。
7.根据权利要求6所述的基于多点输出模型的任务节点分配方法,其特征在于,所述通过所述回归模型利用各所述目标参数值分别对每个所述目标预测对象进行预测的步骤进一步包括:
通过以下公式计算与各所述目标参数值相对应的预测结果:
p(y*|x*,X)=∫p(y*|x*,θ)p(θ|x)dθ;
其中,x*表示所述目标预测对象,X表示所述训练样本集,p(y*|x*,θ)表示在参数θ对应的参数值下通过所述回归模型预测出的结果,p(θ|x)表示所述模型参数的参数值的后验概率分布,p(y*|x*,X)表示所述目标预测对象x*随着参数θ的参数值的变化而变化的预测结果y*的概率分布。
8.一种基于多点输出模型的任务节点分配装置,其特征在于,所述装置包括:
预测对象接收模块,用于接收携带有员工特征信息和预测事件的至少一个目标预测对象;
模型获取模块,用于获取预先训练好的回归模型及训练得到的多个目标参数值;
预测模块,用于通过所述回归模型利用各所述目标参数值分别对每个所述目标预测对象进行预测,得到与各所述目标参数值相对应的所述目标预测对象对所述预测事件的预测结果;
预测结果确定模块,用于将与各所述目标参数值相对应的预测结果的平均值确定为对应目标预测对象的预测结果;
预测事件判断模块,用于当所述预测结果大于预设概率时,判断所述目标预测对象能够完成所述预测事件;
任务节点发送模块,用于将与所述预测事件对应的任务节点发送至能够完成所述预测事件的所述目标预测对象。
9.一种计算机设备,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7中任一项所述基于多点输出模型的任务节点分配方法的步骤。
10.一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7中任一项所述基于多点输出模型的任务节点分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626846.8A CN112804304B (zh) | 2020-12-31 | 2020-12-31 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011626846.8A CN112804304B (zh) | 2020-12-31 | 2020-12-31 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112804304A true CN112804304A (zh) | 2021-05-14 |
CN112804304B CN112804304B (zh) | 2022-04-19 |
Family
ID=75807882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011626846.8A Active CN112804304B (zh) | 2020-12-31 | 2020-12-31 | 基于多点输出模型的任务节点分配方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112804304B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570207A (zh) * | 2021-07-09 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793604A (zh) * | 2014-01-25 | 2014-05-14 | 华南理工大学 | 一种基于相关向量机的污水处理软测量方法 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN109598625A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于大数据的保费计算方法、装置、介质及电子设备 |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
CN110579186A (zh) * | 2019-08-26 | 2019-12-17 | 中国农业大学 | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 |
CN111091416A (zh) * | 2019-12-10 | 2020-05-01 | 北京云迹科技有限公司 | 一种预测酒店购买机器人的概率的方法和装置 |
CN111178533A (zh) * | 2018-11-12 | 2020-05-19 | 第四范式(北京)技术有限公司 | 实现自动半监督机器学习的方法及装置 |
CN111340244A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 预测方法、训练方法、装置、服务器及介质 |
EP3716160A1 (en) * | 2019-03-26 | 2020-09-30 | Robert Bosch GmbH | Learning parameters of a probabilistic model comprising gaussian processes |
CN111898764A (zh) * | 2020-06-23 | 2020-11-06 | 华为技术有限公司 | 联邦学习的方法、装置和芯片 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-31 CN CN202011626846.8A patent/CN112804304B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793604A (zh) * | 2014-01-25 | 2014-05-14 | 华南理工大学 | 一种基于相关向量机的污水处理软测量方法 |
CN109598625A (zh) * | 2018-10-23 | 2019-04-09 | 平安科技(深圳)有限公司 | 基于大数据的保费计算方法、装置、介质及电子设备 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN111178533A (zh) * | 2018-11-12 | 2020-05-19 | 第四范式(北京)技术有限公司 | 实现自动半监督机器学习的方法及装置 |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
EP3716160A1 (en) * | 2019-03-26 | 2020-09-30 | Robert Bosch GmbH | Learning parameters of a probabilistic model comprising gaussian processes |
CN110579186A (zh) * | 2019-08-26 | 2019-12-17 | 中国农业大学 | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 |
CN111091416A (zh) * | 2019-12-10 | 2020-05-01 | 北京云迹科技有限公司 | 一种预测酒店购买机器人的概率的方法和装置 |
CN111340244A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 预测方法、训练方法、装置、服务器及介质 |
CN111898764A (zh) * | 2020-06-23 | 2020-11-06 | 华为技术有限公司 | 联邦学习的方法、装置和芯片 |
CN112036648A (zh) * | 2020-09-02 | 2020-12-04 | 中国平安财产保险股份有限公司 | 基于模型的任务分配方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
乔梁: ""基于工人多技能的实时众包任务分配"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570207A (zh) * | 2021-07-09 | 2021-10-29 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
CN113570207B (zh) * | 2021-07-09 | 2024-04-26 | 北京淇瑀信息科技有限公司 | 用户策略分配方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112804304B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902708B (zh) | 一种推荐模型训练方法及相关装置 | |
CN110610242B (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
Zhao et al. | Seismic: A self-exciting point process model for predicting tweet popularity | |
CN110490335A (zh) | 一种计算参与者贡献率的方法及装置 | |
KR20180081101A (ko) | 사용자 신용 점수를 최적화하기 위한 방법 및 장치 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN111325416A (zh) | 预测叫车平台的用户流失的方法和装置 | |
CN110231984B (zh) | 多工作流任务分配方法、装置、计算机设备和存储介质 | |
CN108390775B (zh) | 一种基于spice的用户体验质量评价方法及系统 | |
CN110929867B (zh) | 神经网络结构的评估、确定方法、装置和存储介质 | |
CN111598213A (zh) | 网络训练方法、数据识别方法、装置、设备和介质 | |
CN110727943A (zh) | 一种入侵检测方法及装置 | |
CN112804304B (zh) | 基于多点输出模型的任务节点分配方法、装置及相关设备 | |
Llanos et al. | Causal treatment effects in time series: CO2 emissions and energy consumption effect on GDP | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN113902116A (zh) | 一种面向深度学习模型推理批处理优化方法与系统 | |
CN112101674A (zh) | 基于群智能算法资源配置匹配方法、装置、设备及介质 | |
CN113420722A (zh) | 一种机场安全管理平台的突发事件联动方法及系统 | |
CN111405081A (zh) | 基于决策树的dns调整方法、装置、计算机设备和存储介质 | |
CN114912627A (zh) | 推荐模型训练方法、系统、计算机设备及存储介质 | |
CN115016950A (zh) | 一种基于多线程模型的数据分析方法及系统 | |
CN110502715B (zh) | 点击概率的预测方法及装置 | |
Sun et al. | Optimizing task-specific timeliness with edge-assisted scheduling for status update | |
CN112070162A (zh) | 多类别处理任务训练样本构建方法、设备及介质 | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 |
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 |