CN113570260A - 任务分配方法和计算机可读存储介质、电子设备 - Google Patents
任务分配方法和计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN113570260A CN113570260A CN202110873348.1A CN202110873348A CN113570260A CN 113570260 A CN113570260 A CN 113570260A CN 202110873348 A CN202110873348 A CN 202110873348A CN 113570260 A CN113570260 A CN 113570260A
- Authority
- CN
- China
- Prior art keywords
- value
- contribution value
- feature data
- contribution
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 230000008859 change Effects 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 10
- 238000007637 random forest analysis Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/16—Real estate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种任务分配方法和计算机可读存储介质、电子设备，其中，方法包括：获取当前经纪人对应至少一个维度的多个特征数据；其中，每个维度中包括至少一个特征数据，每个所述特征数据对应一个任务；基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值；基于所述预测目标值确定至少一个第一贡献值；基于所述至少一个第一贡献值，从所述多个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务；本实施例通过确定每个特征数据在预测目标值中的贡献值来确定可以快速提升经纪人能力的任务，以贡献值确定的目标任务对当前经纪人更具有针对性，实现了个性化的任务分配。
Description
技术领域
本公开涉及人工智能技术领域，尤其是一种任务分配方法和计算机可读存储介质、电子设备。
背景技术
房地产经纪人，是指通过全国房地产经纪人资格考试或者资格互认，依法取得房地产经纪人资格，并经过注册，从事房地产经纪活动的专业人员。经纪人有自己的能力评判标准(比如各种认证证书)，经纪人需要成长时，需要自己去学习，去参加各种委派的阶段性任务。
发明内容
为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种任务分配方法和计算机可读存储介质、电子设备。
根据本公开实施例的一个方面，提供了一种任务分配方法，包括：
获取当前经纪人对应至少一个维度的多个特征数据；其中，每个维度中包括至少一个特征数据，每个所述特征数据对应一个任务；
基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值；
基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；
基于所述至少一个第一贡献值从所述多个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
可选地，所述基于所述至少一个第一贡献值从所述至少一个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务，包括：
确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值；
基于所述至少一个第二贡献值确定至少一个目标特征数据，将所述至少一个目标特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
可选地，所述基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值，包括：
利用模型可解释性算法基于所述预测目标值和至少一个所述特征数据对应的权重值，确定至少一个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，所述权重值基于所述预设算法模型确定。
可选地，在确定所述至少一个第一贡献值中大于预设贡献值的至少一个第一贡献值作为第二贡献值之前，还包括：
对所述至少一个第一贡献值按照取值大小进行排序，按照所述排序确定预设比例的至少一个第一贡献值作为第三贡献值；
按照预设变化比例对所述至少一个第三贡献值对应的至少一个特征数据进行处理，得到至少一个变化后的特征数据；
基于所述至少一个变化后的特征数据得到至少一个第四贡献值；
所述确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值，包括：
确定所述至少一个第四贡献值中大于第二预设贡献值的至少一个第四贡献值作为第二贡献值。
可选地，所述基于所述至少一个变化后的特征数据得到至少一个第四贡献值，包括：
基于所述预设算法模型对所述至少一个变化后的特征数据进行预测，得到所述当前经纪人的变化预测目标值；
基于所述变化预测目标值确定所述至少一个变化后的特征数据中每个所述变化后的特征数据对所述变化预测目标值的第四贡献值，得到所述至少一个第四贡献值。
可选地，所述预设算法模型中包括至少一个深度神经网络模型；
所述基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值，包括：
基于所述至少一个深度神经网络模型分别对所述至少一个特征数据进行预测，得到至少一个初始预测值；
基于所述至少一个初始预测值，确定所述当前经纪人的预测目标值。
可选地，在基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值之前，还包括：
分别对所述预设算法模型中包括的至少一个深度神经网络模型进行训练。
根据本公开实施例的另一方面，提供了一种任务分配装置，包括：
数据获取模块，用于获取当前经纪人对应至少一个维度的至少一个特征数据；其中，所述维度中包括至少一个特征数据，所述特征数据对应一个任务；
目标预测模块，用于基于预设算法模型对所述至少一个特征数据进行预测，得到所述当前经纪人的预测目标值；
贡献值确定模块，用于基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；
任务分配模块，用于基于所述至少一个第一贡献值，从所述至少一个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
可选地，所述任务分配模块，包括：
第一筛选单元，用于确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值；
任务确定单元，用于基于所述至少一个第二贡献值确定至少一个目标特征数据，将所述至少一个目标特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
可选地，所述贡献值确定模块，具体用于利用模型可解释性算法基于所述预测目标值和至少一个所述特征数据对应的权重值，确定至少一个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，所述权重值基于所述预设算法模型确定。
可选地，所述任务分配模块，还包括：
第二筛选单元，用于对所述至少一个第一贡献值按照取值大小进行排序，按照所述排序确定预设比例的至少一个第一贡献值作为第三贡献值；按照预设变化比例对所述至少一个第三贡献值对应的至少一个特征数据进行处理，得到至少一个变化后的特征数据；基于所述至少一个变化后的特征数据得到至少一个第四贡献值；
所述第一筛选单元，具体用于确定所述至少一个第四贡献值中大于第二预设贡献值的至少一个第四贡献值作为第二贡献值。
可选地，所述第二筛选单元在基于所述至少一个变化后的特征数据得到至少一个第四贡献值时，具体用于基于所述预设算法模型对所述至少一个变化后的特征数据进行预测，得到所述当前经纪人的变化预测目标值；基于所述变化预测目标值确定所述至少一个变化后的特征数据中每个所述变化后的特征数据对所述变化预测目标值的第四贡献值，得到所述至少一个第四贡献值。
可选地，预设算法模型中包括至少一个深度神经网络模型；
所述目标预测模块，具体用于基于所述至少一个深度神经网络模型分别对所述至少一个特征数据进行预测，得到至少一个初始预测值；基于所述至少一个初始预测值，确定所述当前经纪人的预测目标值。
可选地，所述目标预测模块，还用于分别对所述预设算法模型中包括的至少一个深度神经网络模型进行训练。
根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的任务分配方法。
根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的任务分配方法。
根据本公开实施例的再一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的任务分配方法的步骤。
基于本公开上述实施例提供的一种任务分配方法和计算机可读存储介质、电子设备，获取当前经纪人对应至少一个维度的多个特征数据；其中，每个维度中包括至少一个特征数据，每个所述特征数据对应一个任务；基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值；基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；基于所述至少一个第一贡献值从所述多个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务；本实施例通过确定每个特征数据在预测目标值中的贡献值来确定可以快速提升经纪人能力的任务，以贡献值确定的目标任务对当前经纪人更具有针对性，实现了个性化的任务分配，避免了通用任务分配方法不适用具体经纪人，无法使每个经纪人的能力都得到提升的问题。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的任务分配方法的流程示意图。
图2是本公开图1所示的实施例中步骤108的一个流程示意图。
图3是本公开图1所示的实施例中步骤108的另一流程示意图。
图4是本公开一示例性实施例提供的任务分配装置的结构示意图。
图5是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。本公开中所指数据可以包括文本、图像、视频等非结构化数据，也可以是结构化数据。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中，发明人发现，现有技术中，对于经纪人的成长，通常是对所有经纪人统一分配同样的任务，但现有任务分配方式至少存在以下问题：统一分配的任务并不能适合所有的经纪人，不能带来相应能力的提升；其中，任务可以包括但不限于：商机转化、客户评价、经纪人评价、学历提升、400电话接听率等。
示例性方法
图1是本公开一示例性实施例提供的任务分配方法的流程示意图。本实施例可应用在电子设备上，如图1所示，包括如下步骤：
步骤102，获取当前经纪人对应至少一个维度的多个特征数据。
其中，每个维度中包括至少一个特征数据，每个特征数据对应一个任务。
可选地，任务可以包括但不限于：商机转化、客户评价、经纪人评价、学历提升、400电话接听率等；每个特征数据对应一个任务，例如，基础素质维度中的学历数据对应的任务为提升学历；服务质量维度中的客户评价对应增加客户评价等等。
可选地，维度可以包括但不限于：基础素质、服务质量、平台合作、平台参与、行业影响力等中的至少一个，其中，不同维度的特征数据可以以数值型特征或枚举型特征表示；数值型特征以数值表示，枚举型特征可编码为向量表示。可选地，在一些示例中，基础素质维度包括但不限于：a)学历：经纪人的最高学历(枚举型)；b)从业时间：入职公司的时长(例如，以天数表示，数值型)；c)岗位相关证书：北京经纪人、全国经纪人、北京协理、全国协理等(枚举型)；d)博考：一年一度的经纪人博学考试(可选地，可以采用0,1表示是否通过考试，例如，1表示通过，0表示未通过等)。
服务质量维度包括但不限于：a)客户评价：客户对经纪人的服务评价；b)被投诉量和等级：经纪人收到的客户投诉和投诉等级(重大、一级、二级和三级等)；c)好房维护：经纪人维护房源属于好房的房源量；d)闭环带看：经纪人所做的既有客户评价又有经纪人评价的带看量；e)维护人跨店陪看：维护人带看的时候既属于跨店也参加了陪看的带看量；f)400接通率：400电话的接通比例；g)IM的1分钟响应率：IM消息在1分钟内响应的比例；h)商机转化：经纪人的7日商机转委托和15日商机转带看。
平台合作维度包括但不限于：a)信用分：经纪人维护的诚信分；b)验真通过率：经纪人房源任务完成验真的比例；c)本房他店售：经纪人维护的房源在其他门店的成交量；d)本客推荐成交：经纪人维护的客户推荐给其他人的成交量；e)合作成交：经纪人作为合作人的成交量；f)经纪人评价：经纪人对经纪人的评价。
平台参与维度包括但不限于：a)陪审团：经纪人作为陪审团成员；b)违规行为举报量：经纪人成功举报的违规行为量；c)楼盘字典贡献：经纪人所做的楼盘字典贡献；d)红星任务：经纪人完成的平台派发的红星任务量和比例。
行业影响力维度包括但不限于：a)带教：经纪人作为师傅带的徒弟量；b)价值观标杆：经纪人作为价值观标杆(可选地，可以采用0,1表示是否)。
可选地，维度类型还可以包括评分卡模型维度，评分卡模型对应标签(label)值，标签值取0或1，可以将评分大于评分阈值的经纪人对应的标签值设置为1，小于评分阈值的经纪人对应的标签值设置为0，其中，评分卡模型中的评分可以根据人为评分或其他评分方式获得，本实施例不限制获得评分的方式。
步骤104，基于预设算法模型对多个特征数据进行预测，得到当前经纪人的预测目标值。
在一实施例中，预设算法模型是机器学习方法，例如，通过深度神经网络模型对多个特征数据进行预测；得到的预测目标值可以是经纪人的业绩等对经纪人成长的评价值。可选地，预设算法模型中可包括的至少一个深度神经网络模型；预设算法模型中包括但不限于以下至少之一：神经网络算法(例如，回归网络、预测网络等)、随机森林(RF)算法、梯度下降树(GBDT)算法、支持向量机(SVM)算法、逻辑回归(LR)算法等。
步骤106，基于预测目标值确定至少一个特征数据中每个特征数据对预测目标值的第一贡献值，得到至少一个第一贡献值。
其中，每个第一贡献值对应一个特征数据；可选地，第一贡献值可以表示每个特征数据对预测目标值的贡献大小，越大的第一贡献值对应的任务提升当前经纪人能力越快，反之，越小的第一贡献值对应的任务提升当前经纪人能力越慢。
步骤108，基于至少一个第一贡献值，从多个特征数据中确定至少一个特征数据对应的至少一个任务作为当前经纪人的目标任务。
本实施例基于第一贡献值，确定每个特征数据对预测目标值的贡献，实现了对预设算法模型进行解释，增强了业务解释性；并且为不同经纪人可以提供不同的任务和任务量，实现了个性化的任务分配，极大的提高了经纪人能力提升的速度。
本公开上述实施例提供的一种任务分配方法，获取当前经纪人对应至少一个维度的多个特征数据；其中，每个维度中包括至少一个特征数据，每个所述特征数据对应一个任务；基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值；基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；基于所述至少一个第一贡献值，从所述多个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务；本实施例通过确定每个特征数据在预测目标值中的贡献值来确定可以快速提升经纪人能力的任务，以贡献值确定的目标任务对当前经纪人更具有针对性，实现了个性化的任务分配，避免了通用任务分配方法不适用具体经纪人，无法使每个经纪人的能力都得到提升的问题。
如图2所示，在上述图1所示实施例的基础上，步骤108可包括如下步骤：
步骤1081，确定至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值。
步骤1082，基于至少一个第二贡献值确定至少一个目标特征数据，将至少一个目标特征数据对应的至少一个任务作为当前经纪人的目标任务。
本实施例通过第一预设贡献值进行筛选，得到的第二贡献值大于第一预设贡献值，实现通过模型可解释性将对预测目标值的贡献达到一定程度的贡献值筛选出来，进而实现获得对当前经纪人能力提升更快的特征数据；为当前经纪人分配这些特征数据对应的任务，可以加快当前经纪人的能力提升，实现对不同经纪人的个性化定制和任务推荐。
可选地，上述实施例中步骤106可以包括：
利用模型可解释性算法基于预测目标值和至少一个特征数据对应的权重值，确定至少一个特征数据对预测目标值的第一贡献值，得到至少一个第一贡献值。
其中，权重值基于预设算法模型确定。
可选地，预设算法模型为深度学习算法，权重值在预设算法模型训练结束后即可确定，每个特征数据对应一个权重值。
本实施例中，可通过模型可解释性(SHAP)算法实现每个特征数据的贡献值确定；SHAP算法用于确定某一个样本的预测中各个特征对预测结果产生的影响，对应本实施例中是确定至少一个特征数据中每个特征数据对预测目标值产生的影响。本实施例中SHAP值的计算可基于以下公式(1)实现：
yi＝ybase+f(xi1)+f(xi2)+…+f(xik) 公式(1)
其中，假设第i个样本为xi，第i个样本的第k个特征数据为xik，预设算法模型对该样本的预测目标值为yi，整个预设算法模型的边际贡献(边际贡献可根据实际应用场景进行设置，本实施例中可以为经纪人基础业绩)为ybase，那么SHAP值服从上述公式(1)，其中f(xik)为xik的SHAP值。直观上看，f(xi1)就是第i个样本中第1个特征对预测目标值yi的贡献值，当f(xi1)>0，说明该特征提升了预测目标值，是正向作用；反之，当f(xi1)＜0说明该特征使得预测目标值降低，有反作用。SHAP产出的特征SHAP值作为业务的解释，SHAP值越高，说明特征对目标(业绩)的贡献度越高。
如图3所示，在上述图1所示实施例的基础上，步骤108还可包括如下步骤：
步骤301，基于预测目标值确定至少一个特征数据中每个特征数据对预测目标值的第一贡献值，得到至少一个第一贡献值。
其中，每个第一贡献值对应一个特征数据。
步骤302，对至少一个第一贡献值按照取值大小进行排序，按照排序确定预设比例的至少一个第一贡献值作为第三贡献值。
步骤303，按照预设变化比例对至少一个第三贡献值对应的至少一个特征数据进行特征扰动，得到至少一个变化后的特征数据。
本实施例中，通过筛选设定比例的第一贡献值，再将筛选得到的第三贡献值进行特征扰动，例如，通过预设变化比例将第三贡献值对应的特征数据进行相应比例的放大，通过放大特征数据观察贡献值的增大程度，以确定对预测目标值的贡献度大小，通过特征扰动，得到利于预测目标值最明显的特征和变化幅度。
步骤304，基于至少一个变化后的特征数据得到至少一个第四贡献值。
步骤305，确定至少一个第四贡献值中大于第二预设贡献值的至少一个第四贡献值作为第二贡献值。
可选地，第二预设贡献值通常大于第一预设贡献值；通过第二预设贡献值实现对第四贡献值的进一步筛选，实现通过模型可解释性将对预测目标值的贡献达到更好程度的贡献值筛选出来，进而实现获得对当前经纪人能力提升更快的特征数据。
步骤306，基于至少一个第二贡献值确定至少一个目标特征数据，将至少一个目标特征数据对应的至少一个任务作为当前经纪人的目标任务。
本实施例中，为了便于确定变化幅度，可对至少一个第一贡献值执行归一化，或对筛选得到的至少一个第二贡献值执行归一化，经过归一化后，可快速确定最能提升经纪人能力的任务。
可选地，在上述实施例的基础上，步骤304可以包括：
基于预设算法模型对至少一个变化后的特征数据进行预测，得到当前经纪人的变化预测目标值；
基于变化预测目标值确定至少一个变化后的特征数据中每个变化后的特征数据对变化预测目标值的第四贡献值，得到至少一个第四贡献值。
本实施例中，对于经过扰动处理后的特征数据进行模型预测，得到变化预测目标值，再利用SHAP算法确定每个变化后的特征数据对变化预测目标值的贡献值，得到至少一个第四贡献值，该预测以及贡献值确定过程与确定第一贡献值的过程相似，在此不再赘述；本实施例通过对特征数据的扰动处理，突出了更利于预测目标值的更明显的特征数据和变化幅度。
上述实施例中步骤104可以包括：
基于至少一个深度神经网络模型分别对至少一个特征数据进行预测，得到至少一个初始预测值；
基于至少一个初始预测值，确定当前经纪人的预测目标值。
其中，预设算法模型中包括至少一个深度神经网络模型；可选地，预设算法模型中包括但不限于以下至少之一：神经网络算法(例如，回归网络、预测网络等)、随机森林(RF)算法、梯度下降树(GBDT)算法、支持向量机(SVM)算法、逻辑回归(LR)算法等；本实施例可将至少一个深度神经网络模型组合为一个预设算法模型，再基于该预设算法模型确定预测目标值，或分别通过至少一个深度神经网络模型确定至少一个初始预测值，再计算至少一个初始预测值的加权求和(权重在训练过程中确定)结果，以该加权求和的结果作为预测目标值。
可选地，对于神经网络算法：A、确定神经网络的层数，以及每层单元的个数；B、特征向量(特征数据)标准化到0-1之间(为了加速学习过程)；C、离散型变量被编码成每一个输入单元对应一个特征值可能赋的值；比如：特征值A可能取三个值(a0,a1,a2)，可以使用3个输入单元来代表A；如果A＝a0，那么代表a0的单元值就取1，其他取0，具体表达为(1,0,0)；如果A＝a1，那么代表a1的单元值就取1，其他取0，具体表达为(0,1,0)，以此类推。
对于RF算法：A、构建随机森林，确定树的个数和深度；B、设置随机森林算法参数，如最大叶子节点数、节点的划分标准(如基尼系数等)、叶子节点最小的样本权重和、节点可分的最小样本数等。
对于GBDT算法：A、构建GBDT梯度提升决策树树；B、设置GBDT算法参数，如弱学习器的最大迭代次数、每个弱学习器的权重缩减系数、初始化的时候的弱学习器、损失函数等。
对于SVM算法：构建支持向量机SVM算法模型。
对于逻辑回归LR算法：A、对因变量做如下假设：hθ(x(i))＝θ1x(i)+θ0；B、确定损失函数：
C、优化梯度迭代算法(最小二乘法或梯度下降法)。
另外，在使用预设算法模型进行预测之前，还可以包括：
分别对预设算法模型中包括的至少一个深度神经网络模型进行训练。
其中，可选地，对神经网络算法：利用训练样本集；根据测试和误差以及精准度来改善隐藏层数；反复迭代，调参，进行交叉验证获取最优的神经网络算法参数和预测目标值(如经纪人业绩)。对于RF算法：反复迭代调节参数，获取最优随机森林算法参数和预测目标值(如经纪人业绩)。对于GBDT算法：反复迭代调节参数，获取最优随机森林算法参数和预测目标值(如经纪人业绩)。对于SVM算法：设置算法参数，如样本特征集、样本结果、样本占比、随机数种子等；训练svm分类器，反复训练、迭代得到SVM最优参数和预测目标值(如经纪人业绩)。对于逻辑回归LR算法：反复优化、迭代得到最优预测目标值(如经纪人业绩)。
本公开实施例提供的任一种任务分配方法可以由任意适当的具有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种任务分配方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种任务分配方法。下文不再赘述。
示例性装置
图4是本公开一示例性实施例提供的任务分配装置的结构示意图。如图4所示，本实施例提供的装置包括：
数据获取模块41，用于获取当前经纪人对应至少一个维度的至少一个特征数据。
其中，维度中包括至少一个特征数据，特征数据对应一个任务。
目标预测模块42，用于基于预设算法模型对至少一个特征数据进行预测，得到当前经纪人的预测目标值。
贡献值确定模块43，用于基于预测目标值确定至少一个特征数据中每个特征数据对预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个第一贡献值对应一个特征数据；
任务分配模块44，用于基于至少一个第一贡献值，从至少一个特征数据中确定至少一个特征数据对应的至少一个任务作为当前经纪人的目标任务。
本公开上述实施例提供的一种任务分配装置，获取当前经纪人对应至少一个维度的多个特征数据；其中，每个维度中包括至少一个特征数据，每个所述特征数据对应一个任务；基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值；基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；基于所述至少一个第一贡献值从所述多个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务；本实施例通过确定每个特征数据在预测目标值中的贡献值来确定可以快速提升经纪人能力的任务，以贡献值确定的目标任务对当前经纪人更具有针对性，实现了个性化的任务分配，避免了通用任务分配方法不适用具体经纪人，无法使每个经纪人的能力都得到提升的问题。
可选地，任务分配模块44，包括：
第一筛选单元，用于确定至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值；
任务确定单元，用于基于至少一个第二贡献值确定至少一个目标特征数据，将至少一个目标特征数据对应的至少一个任务作为当前经纪人的目标任务。
可选地，贡献值确定单元，具体用于利用模型可解释性算法基于预测目标值和至少一个特征数据对应的权重值，确定至少一个特征数据对预测目标值的第一贡献值，得到至少一个第一贡献值；其中，权重值基于所述预设算法模型确定。
可选地，任务分配模块43，还包括：
第二筛选单元，用于对至少一个第一贡献值按照取值大小进行排序，按照排序确定预设比例的至少一个第一贡献值作为第三贡献值；按照预设变化比例对至少一个第三贡献值对应的至少一个特征数据进行特征扰动，得到至少一个变化后的特征数据；基于至少一个变化后的特征数据得到至少一个第四贡献值；
第一筛选单元，具体用于确定至少一个第四贡献值中大于第二预设贡献值的至少一个第四贡献值作为第二贡献值。
可选地，第二筛选单元在基于至少一个变化后的特征数据得到至少一个第四贡献值时，具体用于基于预设算法模型对至少一个变化后的特征数据进行预测，得到当前经纪人的变化预测目标值；基于变化预测目标值确定至少一个变化后的特征数据中每个变化后的特征数据对变化预测目标值的第四贡献值，得到至少一个第四贡献值。
可选地，预设算法模型中包括至少一个深度神经网络模型；
目标预测模块，具体用于基于至少一个深度神经网络模型分别对至少一个特征数据进行预测，得到至少一个初始预测值；基于至少一个初始预测值，确定当前经纪人的预测目标值。
可选地，目标预测模块，还用于分别对预设算法模型中包括的至少一个深度神经网络模型进行训练。
示例性电子设备
下面，参考图5来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图5图示了根据本公开实施例的电子设备的框图。
如图5所示，电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器52可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器51可以运行所述程序指令，以实现上文所述的本公开的各个实施例的任务分配方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备50还可以包括：输入装置53和输出装置54，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是第一设备100或第二设备200时，该输入装置53可以是上述的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置53可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。
此外，该输入设备53还可以包括例如键盘、鼠标等等。
该输出装置54可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备54可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备50中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备50还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的任务分配方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的任务分配方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种任务分配方法，其特征在于，包括：
获取当前经纪人对应至少一个维度的至少一个特征数据；其中，所述维度中包括至少一个特征数据，所述特征数据对应一个任务；
基于预设算法模型对所述至少一个特征数据进行预测，得到所述当前经纪人的预测目标值；
基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，每个所述第一贡献值对应一个所述特征数据；
基于所述至少一个第一贡献值从所述至少一个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一个第一贡献值从所述至少一个特征数据中确定至少一个特征数据对应的至少一个任务作为所述当前经纪人的目标任务，包括：
确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值；
基于所述至少一个第二贡献值确定至少一个目标特征数据，将所述至少一个目标特征数据对应的至少一个任务作为所述当前经纪人的目标任务。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述预测目标值确定所述至少一个特征数据中每个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值，包括：
利用模型可解释性算法基于所述预测目标值和至少一个所述特征数据对应的权重值，确定至少一个所述特征数据对所述预测目标值的第一贡献值，得到至少一个第一贡献值；其中，所述权重值基于所述预设算法模型确定。
4.根据权利要求2或3所述的方法，其特征在于，在确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值之前，还包括：
对所述至少一个第一贡献值按照取值大小进行排序，按照所述排序确定预设比例的至少一个第一贡献值作为第三贡献值；
按照预设变化比例对所述至少一个第三贡献值对应的至少一个特征数据进行特征扰动，得到至少一个变化后的特征数据；
基于所述至少一个变化后的特征数据得到至少一个第四贡献值；
所述确定所述至少一个第一贡献值中大于第一预设贡献值的至少一个第一贡献值作为第二贡献值，包括：
确定所述至少一个第四贡献值中大于第二预设贡献值的至少一个第四贡献值作为第二贡献值。
5.根据权利要求4所述的方法，其特征在于，所述基于所述至少一个变化后的特征数据得到至少一个第四贡献值，包括：
基于所述预设算法模型对所述至少一个变化后的特征数据进行预测，得到所述当前经纪人的变化预测目标值；
基于所述变化预测目标值确定所述至少一个变化后的特征数据中每个所述变化后的特征数据对所述变化预测目标值的第四贡献值，得到所述至少一个第四贡献值。
6.根据权利要求1-5任一所述的方法，其特征在于，所述预设算法模型中包括至少一个深度神经网络模型；
所述基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值，包括：
基于所述至少一个深度神经网络模型分别对所述至少一个特征数据进行预测，得到至少一个初始预测值；
基于所述至少一个初始预测值，确定所述当前经纪人的预测目标值。
7.根据权利要求6所述的方法，其特征在于，在基于预设算法模型对所述多个特征数据进行预测，得到所述当前经纪人的预测目标值之前，还包括：
分别对所述预设算法模型中包括的至少一个深度神经网络模型进行训练。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的任务分配方法。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-7任一所述的任务分配方法。
10.计算机程序产品，所述计算机程序产品包括计算机程序，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1-7中任一项所述的任务分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873348.1A CN113570260B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873348.1A CN113570260B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机可读存储介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570260A true CN113570260A (zh) | 2021-10-29 |
| CN113570260B CN113570260B (zh) | 2024-09-13 |
Family
ID=78169526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873348.1A Active CN113570260B (zh) | 2021-07-30 | 2021-07-30 | 任务分配方法和计算机可读存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570260B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004504A (zh) * | 2021-11-02 | 2022-02-01 | 贝壳技术有限公司 | 学习任务的调度方法和装置、电子设备和存储介质 |
| CN115204386A (zh) * | 2022-07-14 | 2022-10-18 | 贝壳找房(北京)科技有限公司 | 预测模型的训练方法、用于推荐经纪人的方法 |
| CN115953248A (zh) * | 2023-03-01 | 2023-04-11 | 支付宝(杭州)信息技术有限公司 | 基于沙普利可加性解释的风控方法、装置、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046799A (zh) * | 2019-03-08 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 决策优化方法及装置 |
| CN110110848A (zh) * | 2019-05-05 | 2019-08-09 | 武汉烽火众智数字技术有限责任公司 | 一种组合预测模型构建方法及装置 |
| CN110766269A (zh) * | 2019-09-02 | 2020-02-07 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
| CN110837895A (zh) * | 2019-11-07 | 2020-02-25 | 秒针信息技术有限公司 | 模型解释方法和装置、电子设备及计算机可读存储介质 |
| CN111523678A (zh) * | 2020-04-21 | 2020-08-11 | 京东数字科技控股有限公司 | 业务的处理方法、装置、设备及存储介质 |
| CN111915231A (zh) * | 2020-08-22 | 2020-11-10 | 武汉空心科技有限公司 | 一种基于深度学习的工作平台任务分配方法 |
| CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
| CN112784986A (zh) * | 2021-02-08 | 2021-05-11 | 中国工商银行股份有限公司 | 深度学习计算结果的特征解释方法、装置、设备及介质 |
-
2021
- 2021-07-30 CN CN202110873348.1A patent/CN113570260B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046799A (zh) * | 2019-03-08 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 决策优化方法及装置 |
| CN110110848A (zh) * | 2019-05-05 | 2019-08-09 | 武汉烽火众智数字技术有限责任公司 | 一种组合预测模型构建方法及装置 |
| CN110766269A (zh) * | 2019-09-02 | 2020-02-07 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
| CN110837895A (zh) * | 2019-11-07 | 2020-02-25 | 秒针信息技术有限公司 | 模型解释方法和装置、电子设备及计算机可读存储介质 |
| CN111523678A (zh) * | 2020-04-21 | 2020-08-11 | 京东数字科技控股有限公司 | 业务的处理方法、装置、设备及存储介质 |
| CN111915231A (zh) * | 2020-08-22 | 2020-11-10 | 武汉空心科技有限公司 | 一种基于深度学习的工作平台任务分配方法 |
| CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
| CN112784986A (zh) * | 2021-02-08 | 2021-05-11 | 中国工商银行股份有限公司 | 深度学习计算结果的特征解释方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 徐扬斌等: "基于改进BP-MIV算法的某地产经纪人行为研究", 《工业工程与管理》, vol. 23, no. 05, 10 October 2018 (2018-10-10), pages 144 - 147 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004504A (zh) * | 2021-11-02 | 2022-02-01 | 贝壳技术有限公司 | 学习任务的调度方法和装置、电子设备和存储介质 |
| CN115204386A (zh) * | 2022-07-14 | 2022-10-18 | 贝壳找房(北京)科技有限公司 | 预测模型的训练方法、用于推荐经纪人的方法 |
| CN115953248A (zh) * | 2023-03-01 | 2023-04-11 | 支付宝(杭州)信息技术有限公司 | 基于沙普利可加性解释的风控方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570260B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113570260A (zh) | 任务分配方法和计算机可读存储介质、电子设备 | |
| CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
| CN108520324A (zh) | 用于生成信息的方法和装置 | |
| CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
| CN110929799A (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
| CN108388563A (zh) | 信息输出方法和装置 | |
| CN107247728B (zh) | 文本处理方法、装置及计算机存储介质 | |
| US20180349476A1 (en) | Evaluating theses using tree structures | |
| CN113724010A (zh) | 客户流失预测方法及装置 | |
| CN113570257A (zh) | 基于评分模型的指标数据评估方法和装置、介质、设备 | |
| Tran et al. | A contractor's classification of owner payment practices | |
| CN112966189A (zh) | 一种基金产品推荐系统 | |
| CN114638695A (zh) | 信用评估方法、装置、设备及介质 | |
| JP6611068B1 (ja) | 企業情報処理装置、企業のイベント予測方法及び予測プログラム | |
| CN115130573A (zh) | 数据处理方法、装置、存储介质、设备及产品 | |
| CN110765110A (zh) | 泛化能力处理方法、装置、设备及存储介质 | |
| CN114218077A (zh) | 一种软件的质量评价方法、装置、设备及可读存储介质 | |
| CN113379124A (zh) | 基于预测模型的人员稳定性预测方法及装置 | |
| CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
| CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
| CN115033785A (zh) | 一种岗位推荐方法、装置、可读存储介质和电子设备 | |
| CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、存储介质 | |
| CN112801226A (zh) | 数据筛选方法和装置、计算机可读存储介质、电子设备 | |
| CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
| CN110852854A (zh) | 一种量化收益模型的生成方法和风险控制策略的评价方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240801 Address after: Room 102, floor 1, building 1, No. 2, Chuangye Road, Haidian District, Beijing 100085 Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Country or region after: China Address before: 101300 room 24, 62 Farm Road, Erjie village, Yangzhen Town, Shunyi District, Beijing Applicant before: Beijing fangjianghu Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |