CN113342518A - 任务处理方法和装置 - Google Patents
任务处理方法和装置 Download PDFInfo
- Publication number
- CN113342518A CN113342518A CN202110601581.4A CN202110601581A CN113342518A CN 113342518 A CN113342518 A CN 113342518A CN 202110601581 A CN202110601581 A CN 202110601581A CN 113342518 A CN113342518 A CN 113342518A
- Authority
- CN
- China
- Prior art keywords
- task
- object identifier
- target
- identifier
- processing
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 115
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书涉及大数据和人工智能技术领域,具体地公开了一种任务处理方法和装置,其中,该方法包括:接收任务处理请求,其中,任务处理请求中包括目标任务类型;获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据;对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据;根据各对象标识对应的特征数据,确定各对象标识对应的分类标签;基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,其中,目标对象标识对应的目标对象用于执行目标任务。上述方案可以提高任务处理效果,改善任务处理效果,节约成本。
Description
技术领域
本说明书涉及大数据和人工智能技术领域,特别涉及一种任务处理方法和装置。
背景技术
各种企业或机构往往会利用对象(例如,计算机硬件或者软件程序等)对任务进行处理。在执行任务时,需要根据任务类型来选取合适的对象执行该任务。目前,通过人工的方式从对象集合中选取合适的对象来执行任务。然而,通过人工选取的方式效率较低,而且依赖于人员经验,所选择出的对象可能并不是最适合处理任务的对象,导致任务处理效率低,执行效果差。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书实施例提供了一种任务处理方法和装置,以解决现有技术中任务处理效率低且执行效果差的问题。
本说明书实施例提供了一种任务处理方法,包括:接收任务处理请求,其中,任务处理请求中包括目标任务类型;获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据;对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据;根据各对象标识对应的特征数据,确定各对象标识对应的分类标签;基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,其中,目标对象标识对应的目标对象用于执行目标任务。
在一个实施例中,特征工程处理包括以下至少之一:非法值处理、缺失值处理、归一化处理、衍生特征生成、降维处理。
在一个实施例中,根据各对象标识对应的特征数据,确定各对象标识对应的分类标签,包括:将各对象标识对应的特征数据输入训练好的分类器中,得到各对象标识对应的分类标签。
在一个实施例中,分类器通过以下方式训练得到:获取训练样本集和标签集,其中,训练样本集中包括多个对象中各对象对应的特征数据,标签集中包括训练样本集中各训练样本对应的分类标签;根据预设机器学习算法,利用训练样本集和标签集构建分类器。
在一个实施例中,预设机器学习算法包括随机森林算法或梯度增强决策树算法。
在一个实施例中,在接收任务处理请求之后,还包括:获取任务对象关系表,其中,任务对象关系表中记录有任务类型与对象标识集之间的对应关系;根据目标任务类型和任务对象关系表,确定目标对象标识集,并获取目标对象标识集。
本说明书实施例还提供了一种任务处理装置,包括:接收模块,用于接收任务处理请求,其中,任务处理请求中包括目标任务类型;获取模块,用于获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据;特征工程模块,用于对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据;确定模块,用于根据各对象标识对应的特征数据,确定各对象标识对应的分类标签;选择模块,用于基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,其中,目标对象标识对应的目标对象用于执行目标任务。
本说明书实施例还提供一种计算机设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述任意实施例中所述的任务处理方法的步骤。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述任意实施例中所述的任务处理方法的步骤。
在本说明书实施例中,提供了一种任务处理方法,可以接收携带有目标任务类型的任务处理请求,获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据,对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据,根据各对象标识对应的特征数据,确定各对象标识对应的分类标签,基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,以利用目标对象标识对应的目标对象用于执行目标任务。上述方案中,在接收到任务处理请求之后,获取多个对象标识中各对象标识对应的特征数据,并根据各对象标识对应的特征数据确定各对象标识的分类标签,由于特征数据中包括对象的历史任务执行数据和对象属性数据,因而可以表征对象的任务执行能力,基于特征数据可以准确地确定出对象的分类标签;之后,可以根据分类标签和任务类型确定出用于执行目标任务的目标对象标识,进而利用目标对象标识对应的目标对象执行目标任务,无需人工根据经验选取对象,效率高,可以有效节约时间成本和人力成本,因而可以提高任务执行效率、改善任务执行效果、节约成本。通过上述方案解决了现有的任务处理效率低且执行效果差的技术问题,达到了有效提升任务处理效率、改善任务执行效果以及节约成本的技术效果。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1示出了本说明书一实施例中的任务处理方法的流程图;
图2示出了本说明书一实施例中的执行任务处理方法的装置示意图;
图3示出了本说明书一实施例中的任务处理方法的流程图;
图4示出了本说明书一实施例中的任务处理装置的示意图;
图5示出了本说明书一实施例中的计算机设备的示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书,而并非以任何方式限制本说明书的范围。相反,提供这些实施方式是为了使本说明书公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道,本说明书的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此,本说明书公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
本说明书实施例提供了一种任务处理方法。在本说明的一个场景实例中,任务处理方法可以应用于执行任务的设备,可以是服务器或者服务器集群。该设备可以接收任务处理请求。所述任务处理请求可以由业务终端发出,也可以由其他设备发出。其中,任务处理请求中可以携带有要执行的任务的目标任务类型。在接收到任务处理请求之后,该设备可以响应于该任务处理请求,获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据。其中,目标对象标识集可以包括多个对象标识。其中,对象可以是用于执行目标任务的处理器、计算机、人员或其他硬件设施。所述任务如可以包括提供或者推荐给用户的服务、产品,也可以包括大数据处理任务等。
在得到多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据之后,可以对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据。之后,可以根据各对象标识对应的特征数据,确定各对象标识对应的分类标签。其中,各对象标识对应的分类标签可以表征该对象标识对应的对象适用于处理的任务类型相关信息。在得到个对象标识对应的分类标签之后,可以根据各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识。目标对象标识对应的对象可以用于执行目标任务。
图1示出了本说明书一实施例中任务处理方法的流程图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至分布式处理环境)。
具体地,如图1所示,本说明书一种实施例提供的任务处理方法可以包括以下步骤:
步骤S101,接收任务处理请求,其中,任务处理请求中包括目标任务类型。
本实施例中的任务处理方法可以应用于任务处理设备。任务处理设备可以是服务器,也可以是包括多个服务器的服务器集群。任务处理设备可以接收业务终端发送的任务处理请求。任务处理请求中可以包括目标任务类型。例如,目标任务类型可以包括以下至少之一:数据分析、模型构建、模型预测、数据采集等。
步骤S102,获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据。
响应于接收到的任务处理请求,该设备可以获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据。
在一个实施例中,任务处理设备接收到任务处理请求之后,可以向数据服务器发送获取请求,其中,所述获取请求中包括目标对象标识集中的多个对象标识。数据服务器中可以存储有多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据。数据服务器在接收到获取请求之后,可以将目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和和对象属性数据返回给任务处理设备。
在另一个实施例中,任务处理服务器的存储器中可以存储有大量对象标识的历史任务执行数据和对象属性数据。在接收到任务处理请求之后,可以从存储器中读取目标对象标识集中各对象标识对应的历史任务执行数据和对象属性数据。
其中,历史任务执行数据可以包括该对象标识对应的对象在过去预设时间段内所执行的历史任务类型、任务执行时间和任务执行结果等信息。对象属性信息可以包括该对象标识对应的对象的属性信息,例如,在对象为计算机时,对象属性信息可以包括计算机的CPU指标、内存量、系统版本等各种参数。
步骤S103,对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据。
在得到各对象标识对应的历史任务执行数据和对象属性数据之后,可以对各对象标识对应的历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据。其中,特征数据可以是特征向量。
步骤S104,根据各对象标识对应的特征数据,确定各对象标识对应的分类标签。
在得到各对象标识对应的特征数据之后,可以根据各对象标识对应的特征数据,确定各对象标识对应的分类标签。例如,任务处理设备中可以存储有多种分类标签中各分类标签对应的特征数据。可以计算各对象标识对应的特征数据与多种分类标签中各种分类标签对应的特征数据之间的距离或者相似度。在一个示例中,可以将距离最小或者相似度最高的分类标签确定为各对象标识对应的分类标签。在另一个示例中,可以将距离小于预设阈值或者相似度高于预设阈值的至少一个分类标签确定为各对象标识对应的分类标签。本领域技术人员可以理解的是,还可以采用其他方式来确定各对象标识对应的分类标签。
步骤S105,基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,其中,目标对象标识对应的目标对象用于执行目标任务。
在得到各对象标识对应的分类标签之后,可以基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识。在确定出目标对象标识之后,可以利用目标对象标识对应的目标对象执行目标任务。
上述实施例中,在接收到任务处理请求之后,任务处理设备可以获取多个对象标识中各对象标识对应的特征数据,并根据各对象标识对应的特征数据确定各对象标识的分类标签,由于特征数据中包括对象的历史任务执行数据和对象属性数据,因而可以表征对象的任务执行能力,基于特征数据可以准确地确定出对象的分类标签;之后,可以根据分类标签和任务类型确定出用于执行目标任务的目标对象标识,进而利用目标对象标识对应的目标对象执行目标任务,无需人工根据经验选取对象,效率高,可以有效节约时间成本和人力成本,因而可以提高任务执行效率、改善任务执行效果、节约成本。
在本说明书一些实施例中,特征工程处理可以包括以下至少之一:非法值处理、缺失值处理、归一化处理、衍生特征生成、降维处理。通过上述方式,可以基于目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据生成各对象标识对应的特征数据。
在本说明书一些实施例中,根据各对象标识对应的特征数据,确定各对象标识对应的分类标签,可以包括:将各对象标识对应的特征数据输入训练好的分类器中,得到各对象标识对应的分类标签。通过将特征数据输入训练好的分类器中,可以准确快速地得到各对象标识对应的分类标签,从而可以提高任务处理的效率和准确率,节约成本。
在本说明书一些实施例中,分类器可以通过以下方式训练得到:获取训练样本集和标签集,其中,训练样本集中包括多个对象中各对象对应的特征数据,标签集中包括训练样本集中各训练样本对应的分类标签;根据预设机器学习算法,利用训练样本集和标签集构建分类器。
分类器可以由任务处理设备训练得到,也可以由其他服务器训练得到后发送至任务处理设备。可以先按获取训练样本集和标签集。其中,训练样本集中可以包括多个对象中各对象对应的特征数据。可以先采集多个对象中各对象的历史任务执行数据和对象属性数据。可以对多个对象中各对象的历史任务执行数据和对象属性数据进行特征工程处理,得到各对象的特征数据。标签集中可以包括各训练样本对应的分类标签。可以根据预设机器学习算法,利用训练样本集和标签集构建分类器。通过上述方式,可以构建用于确定对象的分类标签的分类器。
在本说明书一些实施例中,预设机器学习算法可以包括随机森林算法或梯度增强决策树算法。由于对象的分类标签可能包括两种以上的类别,因此可以采用支持多分类的机器学习算法,包括但不限于随机森林算法和梯度增强决策树算法等。通过上述方式,可以将对象分类到多种分类标签中的一类中。
在本说明书一些实施例中,在接收任务处理请求之后,还可以包括:获取任务对象关系表,其中,任务对象关系表中记录有任务类型与对象标识集之间的对应关系;根据目标任务类型和任务对象关系表,确定目标对象标识集,并获取目标对象标识集。
具体地,在接收到任务处理请求之后,任务处理设备可以获取任务对象关系表。对象关系表中记录有任务类型与对象标识集之间的对应关系。任务处理设备可以根据目标任务类型从任务对象关系表中确定出与目标任务类型对应的目标对象标识集,并获取目标对象标识集。即,每一种任务类型可以对应一个对象标识集,即适用于处理该任务类型的一组对象标识的集合。之后,从该目标对象标识集中选取出最适配的对象来执行任务。通过先获取目标对象标识集,可以缩小选取范围,减少数据处理量,节约计算资源。
在本说明书一些实施例中,任务处理设备中可以存储有预设对应关系表。预设对应关系表中可以包括分类标签与任务类型之间的对应关系。可以从预设对应关系表中选取与目标类型对应的分类标签,并将该分类标签对应的对象标识确定为目标对象标识。通过上述方式,可以根据各对象标识对应的分类标签和目标任务类型确定出目标对象标识。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本说明书,并不构成对本说明书的不当限定。
请参考图2和图3,图2示出了本具体实施例中执行任务处理方法的装置示意图,图3示出了本说明书一实施例中的任务处理方法的流程图。
如图2所示,该装置可以包括:任务控制模块201、数据采集和机器学习模块202、用户交互模块203、网络总线204。各个模块之间通过网络总线204相连,可以完成相互间的通信。
任务控制模块201,可以用于:(1)建立或更新模型:在模型管理员认为必要时,向数据采集和机器学习模块202发出建模指令,完成重新建模;(2)确定员工岗位标签:接收用户交互模块203发来的员工清单;向数据采集和机器学习模块202发出采集清单中员工的数据、并用最新模型确定员工岗位标签指令;将员工岗位标签发送给用户交互模块203进行展现。
数据采集和机器学习模块202,可以用于:(1)根据任务控制模块201的指令进行建模,建模过程包括数据采集、特征工程和机器学习,并存储建模结果;(2)根据任务控制模块201发来的员工清单,采集员工工作行为数据和基本信息数据并加工为模型的输入格式,用存储的最新模型确定员工岗位标签,并返回给任务控制模块201。
用户交互模块203,可以用于:(1)用户输入需要确定岗位标签的员工清单,并发送给任务控制模块201;(2)从任务控制模块201接收员工岗位标签结果并展现给用户。
如图3所示,任务处理方法的执行流程包括如下步骤:
步骤S301,员工岗位标签建模和存储。
按用户指令完成员工岗位标签建模和存储,具体如下:
任务控制模块201按用户指令向数据采集和机器学习模块202发出建模指令;
数据采集和机器学习模块202接收到建模指令后进行数据采集。采集的数据具体包括员工工作行为数据、员工基本信息数据、和员工岗位标签。其中:员工工作行为数据包括员工在观察期内(例如一个季度)登录本公司各个IT系统的系统名称和次数,从各IT系统的日志中采集,是机器学习的特征变量;员工基本信息数据包括观察期末(例如一个季度末)时点的员工年龄、工龄、本公司工龄、岗位名称、岗位级别、专业技术资格、最高学历、最高学历专业等,从人力资源管理系统中采集,是机器学习的特征变量;员工岗位标签是通过人工调查确定的员工岗位标签,从人力资源管理系统中采集,是机器学习的目标变量。
数据采集和机器学习模块202对采集到的员工数据进行特征工程处理,包括但不限于非法值处理、缺失值处理、归一化处理、衍生特征生成、降维和最终的宽表生成。
数据采集和机器学习模块202基于宽表进行机器学习。机器学习可以采用多种算法并按一定标准进行比较,选用最优的模型。由于岗位标签的数量一般会有多个(大型企业会有数十个),因此需要选用支持多分类的机器学习算法,包括但不限于RF(随机森林)、GBDT(梯度增强决策树)等算法。业务部门一般对岗位标签的准确率最为关注,因此模型的选择可用准确率作为标准。
数据采集和机器学习模块202将建模结果存储在服务器上,用于后续确定员工岗位标签。
步骤S302,接收需要确定岗位标签的员工清单。可以由用户交互模块203接收用户需要确定岗位标签的员工清单并发送给任务控制模块201。
步骤S303,用最新的模型对用户输入的员工清单确定员工岗位标签。具体如下:任务控制模块201将需要确定岗位标签的员工清单转发给数据采集和机器学习模块202;数据采集和机器学习模块202接收到员工清单后,进行如下处理:采集清单上员工的数据,数据范围包括如上所述员工工作行为数据和员工基本信息数据;进行特征工程处理,包括但不限于非法值处理、缺失值处理、归一化处理、衍生特征生成、降维和最终的宽表生成;将宽表格式数据输入最新的模型,输出员工岗位标签数据;数据采集和机器学习模块202将标签结果数据发送给任务控制模块201。
步骤S304,将员工岗位标签返回给用户。
任务控制模块201将标签结果数据发送给用户交互模块203,用户交互模块203将其展现给用户。
上述具体实施例中提供的方法,可以基于机器学习生成员工岗位标签,能够克服现有的人工调查方法确定员工岗位标签成本较高的缺陷,通过采集员工工作行为数据和员工基本信息数据进行机器学习建模,实现自动确定员工岗位标签,大大提高了工作效率,节省了人力资源管理成本。
基于同一发明构思,本说明书实施例中还提供了一种任务处理装置,如下面的实施例所述。由于任务处理装置解决问题的原理与任务处理方法相似,因此任务处理装置的实施可以参见任务处理方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图4是本说明书实施例的任务处理装置的一种结构框图,如图4所示,包括:接收模块401、获取模块402、特征工程模块403、确定模块404和选择模块405,下面对该结构进行说明。
接收模块401用于接收任务处理请求,其中,任务处理请求中包括目标任务类型。
获取模块402用于获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据。
特征工程模块403用于对历史任务执行数据和对象属性数据执行特征工程处理,得到多个对象标识中各对象标识对应的特征数据。
确定模块404用于根据各对象标识对应的特征数据,确定各对象标识对应的分类标签。
选择模块405用于基于各对象标识对应的分类标签和目标任务类型,从多个对象标识中选择出目标对象标识,其中,目标对象标识对应的目标对象用于执行目标任务。
在本说明书一些实施例中,特征工程处理可以包括以下至少之一:非法值处理、缺失值处理、归一化处理、衍生特征生成、降维处理。
在本说明书一些实施例中,确定模块可以用于:将各对象标识对应的特征数据输入训练好的分类器中,得到各对象标识对应的分类标签。
在本说明书一些实施例中,分类器可以通过以下方式训练得到:获取训练样本集和标签集,其中,训练样本集中包括多个对象中各对象对应的特征数据,标签集中包括训练样本集中各训练样本对应的分类标签;根据预设机器学习算法,利用训练样本集和标签集构建分类器。
在本说明书一些实施例中,预设机器学习算法可以包括随机森林算法或梯度增强决策树算法。
在本说明书一些实施例中,获取模块还可以用于:在接收任务处理请求之后,获取任务对象关系表,其中,任务对象关系表中记录有任务类型与对象标识集之间的对应关系;根据目标任务类型和任务对象关系表,确定目标对象标识集,并获取目标对象标识集。
从以上的描述中,可以看出,本说明书实施例实现了如下技术效果:在接收到任务处理请求之后,获取多个对象标识中各对象标识对应的特征数据,并根据各对象标识对应的特征数据确定各对象标识的分类标签,由于特征数据中包括对象的历史任务执行数据和对象属性数据,因而可以表征对象的任务执行能力,基于特征数据可以准确地确定出对象的分类标签;之后,可以根据分类标签和任务类型确定出用于执行目标任务的目标对象标识,进而利用目标对象标识对应的目标对象执行目标任务,无需人工根据经验选取对象,效率高,可以有效节约时间成本和人力成本,因而可以提高任务执行效率、改善任务执行效果、节约成本。通过上述方案解决了现有的任务处理效率低且执行效果差的技术问题,达到了有效提升任务处理效率、改善任务执行效果以及节约成本的技术效果。
本说明书实施方式还提供了一种计算机设备,具体可以参阅图5所示的基于本说明书实施例提供的任务处理方法的计算机设备组成结构示意图,所述计算机设备具体可以包括输入设备51、处理器52、存储器53。其中,所述存储器53用于存储处理器可执行指令。所述处理器52执行所述指令时实现上述任意实施例中所述的任务处理方法的步骤。
在本实施方式中,所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等;输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
在本实施方式中,该计算机设备具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
本说明书实施方式中还提供了一种基于任务处理方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现上述任意实施例中所述任务处理方法的步骤。
在本实施方式中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施方式中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
显然,本领域的技术人员应该明白,上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本说明书实施例不限制于任何特定的硬件和软件结合。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此,本说明书的范围不应该参照上述描述来确定,而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上所述仅为本说明书的优选实施例而已,并不用于限制本说明书,对于本领域的技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
Claims (10)
1.一种任务处理方法,其特征在于,包括:
接收任务处理请求,其中,所述任务处理请求中包括目标任务类型;
获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据;
对所述历史任务执行数据和对象属性数据执行特征工程处理,得到所述多个对象标识中各对象标识对应的特征数据;
根据所述各对象标识对应的特征数据,确定所述各对象标识对应的分类标签;
基于所述各对象标识对应的分类标签和所述目标任务类型,从所述多个对象标识中选择出目标对象标识,其中,所述目标对象标识对应的目标对象用于执行目标任务。
2.根据权利要求1所述的方法,其特征在于,所述特征工程处理包括以下至少之一:非法值处理、缺失值处理、归一化处理、衍生特征生成、降维处理。
3.根据权利要求1所述的方法,其特征在于,根据所述各对象标识对应的特征数据,确定所述各对象标识对应的分类标签,包括:
将所述各对象标识对应的特征数据输入训练好的分类器中,得到所述各对象标识对应的分类标签。
4.根据权利要求3所述的方法,其特征在于,所述分类器通过以下方式训练得到:
获取训练样本集和标签集,其中,所述训练样本集中包括多个对象中各对象对应的特征数据,所述标签集中包括所述训练样本集中各训练样本对应的分类标签;
根据预设机器学习算法,利用所述训练样本集和标签集构建分类器。
5.根据权利要求4所述的方法,其特征在于,所述预设机器学习算法包括随机森林算法或梯度增强决策树算法。
6.根据权利要求1所述的方法,其特征在于,在接收任务处理请求之后,还包括:
获取任务对象关系表,其中,所述任务对象关系表中记录有任务类型与对象标识集之间的对应关系;
根据所述目标任务类型和所述任务对象关系表,确定目标对象标识集,并获取所述目标对象标识集。
7.一种任务处理装置,其特征在于,包括:
接收模块,用于接收任务处理请求,其中,所述任务处理请求中包括目标任务类型;
获取模块,用于获取目标对象标识集中的多个对象标识中各对象标识对应的历史任务执行数据和对象属性数据;
特征工程模块,用于对所述历史任务执行数据和对象属性数据执行特征工程处理,得到所述多个对象标识中各对象标识对应的特征数据;
确定模块,用于根据所述各对象标识对应的特征数据,确定所述各对象标识对应的分类标签;
选择模块,用于基于所述各对象标识对应的分类标签和所述目标任务类型,从所述多个对象标识中选择出目标对象标识,其中,所述目标对象标识对应的目标对象用于执行目标任务。
8.根据权利要求7所述的装置,其特征在于,所述确定模块具体用于:
将所述各对象标识对应的特征数据输入训练好的分类器中,得到所述各对象标识对应的分类标签。
9.一种计算机设备,其特征在于,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601581.4A CN113342518A (zh) | 2021-05-31 | 2021-05-31 | 任务处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110601581.4A CN113342518A (zh) | 2021-05-31 | 2021-05-31 | 任务处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113342518A true CN113342518A (zh) | 2021-09-03 |
Family
ID=77472930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110601581.4A Pending CN113342518A (zh) | 2021-05-31 | 2021-05-31 | 任务处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342518A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431319A (zh) * | 2023-06-14 | 2023-07-14 | 云阵(杭州)互联网技术有限公司 | 任务处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
CN109359798A (zh) * | 2018-08-21 | 2019-02-19 | 平安科技(深圳)有限公司 | 任务分配方法、装置及存储介质 |
CN109872036A (zh) * | 2019-01-10 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于分类算法的任务分配方法、装置及计算机设备 |
CN109902901A (zh) * | 2017-12-11 | 2019-06-18 | 广东智动力知识产权运营有限公司 | 任务分配方法、装置、存储介质和计算机设备 |
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
-
2021
- 2021-05-31 CN CN202110601581.4A patent/CN113342518A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902901A (zh) * | 2017-12-11 | 2019-06-18 | 广东智动力知识产权运营有限公司 | 任务分配方法、装置、存储介质和计算机设备 |
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
CN109359798A (zh) * | 2018-08-21 | 2019-02-19 | 平安科技(深圳)有限公司 | 任务分配方法、装置及存储介质 |
CN109872036A (zh) * | 2019-01-10 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于分类算法的任务分配方法、装置及计算机设备 |
CN110414862A (zh) * | 2019-08-05 | 2019-11-05 | 中国工商银行股份有限公司 | 基于分类模型的任务调整方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431319A (zh) * | 2023-06-14 | 2023-07-14 | 云阵(杭州)互联网技术有限公司 | 任务处理方法及装置 |
CN116431319B (zh) * | 2023-06-14 | 2023-09-12 | 云阵(杭州)互联网技术有限公司 | 任务处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
WO2019218475A1 (zh) | 异常行为对象的识别方法、装置、终端设备及介质 | |
CN109726763B (zh) | 一种信息资产识别方法、装置、设备及介质 | |
CN110413786B (zh) | 基于网页文本分类的数据处理方法、智能终端及存储介质 | |
CN113128478B (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
CN112446399A (zh) | 标签确定方法、装置和系统 | |
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
JP2020102211A (ja) | システム復旧のための自動化された機械学習に基づくチケット解決 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN113516340A (zh) | 一种智能工单的推送方法和装置 | |
CN105450445A (zh) | 一种大容量分组传送系统下的高性能告警处理系统及方法 | |
CN113342518A (zh) | 任务处理方法和装置 | |
CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
JP2019144872A (ja) | 機械学習を行なう計算モデルを有するシステム、及び機械学習の方法 | |
CN112860736A (zh) | 大数据查询优化方法、设备及可读存储介质 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
US11782923B2 (en) | Optimizing breakeven points for enhancing system performance | |
CN113535522A (zh) | 一种异常情况的检测方法、装置和设备 | |
CN110874465B (zh) | 基于半监督学习算法的移动设备实体识别方法及装置 | |
CN113392867A (zh) | 一种图像识别方法、装置、计算机设备及存储介质 | |
CN113496256B (zh) | 一种图像标注模型训练方法、标注方法、装置、设备及介质 | |
CN116564423B (zh) | 一种微生物宏基因组数据库构建方法及系统 | |
CN116796133A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN117077809A (zh) | 基于风控决策和可视化的异常数据分析方法及系统 |
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 |