CN113656686B - 一种基于产教融合的任务报告的生成方法及服务系统 - Google Patents
一种基于产教融合的任务报告的生成方法及服务系统 Download PDFInfo
- Publication number
- CN113656686B CN113656686B CN202110845306.7A CN202110845306A CN113656686B CN 113656686 B CN113656686 B CN 113656686B CN 202110845306 A CN202110845306 A CN 202110845306A CN 113656686 B CN113656686 B CN 113656686B
- Authority
- CN
- China
- Prior art keywords
- task
- user
- behavior
- group
- personality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 title abstract description 6
- 238000004519 manufacturing process Methods 0.000 title abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 264
- 238000011156 evaluation Methods 0.000 claims description 81
- 238000007726 management method Methods 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 238000007621 cluster analysis Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 21
- 230000000875 corresponding effect Effects 0.000 description 182
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 3
- 241000209504 Poaceae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明适用于数据处理技术领域,提供了一种基于产教融合的任务报告的生成方法及服务系统,包括:若接收到目标对象发布任务的任务信息,则基于任务信息确定任务特征参量;根据各个候选群组内的各个候选用户的用户行为数据,生成候选群组对应的行为特征参量;将任务特征参量与行为特征参量导入到预设的匹配推荐算法,计算候选群组与任务信息之间的匹配度;将与任务信息之间的匹配度大于预设的推荐阈值的候选群组识别为目标群组,并从目标群组中选取与任务信息对应的目标用户;采集目标用户在执行任务时的任务执行记录,并生成任务对应的任务管理报告。采用本发明减少了大量无效的匹配操作,提高了用户匹配操作的效率以及任务管理的效率。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种基于产教融合的任务报告的生成方法及服务系统。
背景技术
随着信息技术的不断发展,互联网内的信息的种类以及数量以几何级的方式增长,在需要匹配与发布的任务对应的目标用户时,需要从大量的用户信息中搜索出合适用户,需要耗费大量的时间以及精力,此时,用户匹配则能够减轻数据搜索的压力。因而,如何能够准确地为任务匹配合适的用户进行处理,成为了亟需解决的问题。
现有的用户匹配技术,一般是获取用户的个人资料,并逐一根据各个个人资料与任务进行相关匹配,在候选的用户数量较多的情况下,需要执行大量的匹配操作,从而大大降低了用户匹配的效率,从而影响了对于任务管理的效率。
发明内容
有鉴于此,本发明实施例提供了一种基于产教融合的任务报告的生成方法及服务系统,以解决现有的用户匹配技术,需要执行大量的匹配操作,用户匹配的效率较低,从而影响了对于任务管理的效率的问题。
本发明实施例的第一方面提供了一种任务报告的生成方法,包括:
若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量;
根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量;
将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度;
将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户;
采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告。
本发明实施例的第二方面提供了一种任务报告的生成装置,包括:
任务特征参量确定单元,用于若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量;
行为特征参量确定单元,用于根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量;
匹配度计算单元,用于将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度;
目标用户选取单元,用于将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户;
任务管理报告生成单元,用于采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告。
本发明实施例的第三方面提供了一种服务系统,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第一方面的各个步骤。
本发明实施例的第四方面提供了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第一方面的各个步骤。
实施本发明实施例提供的一种基于产教融合的任务报告的生成方法及服务系统具有以下有益效果:
本发明实施例通过在接收到目标对象发布的任务时,根据该任务的任务信息生成对应的任务特征参量,然后对各个候选群组中的候选用户的用户行为数据,生成与属于该候选群组的所有候选用户相关的行为特征参量,并通过行为特征参量以及任务特征参量计算任务与候选群组之间的匹配度,选取出目标群组,继而从目标群组中确定出与任务相关的目标用户,并在用户执行任务时获取对应的任务执行记录,生成任务管理报告,实现了自动为任务匹配执行的目标用户并对任务进行管理。与现有的用户匹配技术相比,本申请实施例在确定任务的目标用户时,会生成将候选用户划分为多个不同的候选群组,并生成候选群组对应的行为特征参量,通过候选群组的行为特征参量选取出目标群组,因此无需分别对各个候选用户均进行匹配度计算,而是通过候选用户之间的关联性,通过识别目标群组即可以过滤大量的无效群组,从而减少了大量无效的匹配操作,提高了用户匹配操作的效率以及任务管理的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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是本发明第一实施例提供的一种任务报告的生成方法的实现流程图;
图2是本发明第二实施例提供的一种任务报告的生成方法S105具体实现流程图;
图3是本发明第三实施例提供的一种任务报告的生成方法具体实现流程图;
图4是本发明第四实施例提供的一种任务报告的生成方法S1052具体实现流程图;
图5是本发明第五实施例提供的一种任务报告的生成方法S102具体实现流程图;
图6是本发明第六实施例提供的一种任务报告的生成方法S1023具体实现流程图;
图7是本发明第六实施例提供的一种任务报告的生成方法S101具体实现流程图;
图8是本发明一实施例提供的一种任务报告的生成装置的结构框图;
图9是本发明一实施例提供的一种服务系统的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例通过在接收到目标对象发布的任务时,根据该任务的任务信息生成对应的任务特征参量,然后对各个候选群组中的候选用户的用户行为数据,生成与属于该候选群组的所有候选用户相关的行为特征参量,并通过行为特征参量以及任务特征参量计算任务与候选群组之间的匹配度,选取出目标群组,继而从目标群组中确定出与任务相关的目标用户,并在用户执行任务时获取对应的任务执行记录,生成任务管理报告,实现了自动为任务匹配执行的目标用户并对任务进行管理,解决了现有的用户匹配技术,需要执行大量的匹配操作,用户匹配的效率较低,从而影响了对于任务管理的效率的问题。
在本发明实施例中,流程的执行主体为服务系统,该服务系统包括但不限于:服务器、计算机、智能手机、笔记本电脑以及平板电脑等能够执行任务报告的生成设备。图1示出了本发明第一实施例提供的任务报告的生成方法的实现流程图,详述如下:
在S101中,若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量。
在本实施例中,目标对象在需要对任务进行处理时,可以通过终端设备发布对应的任务。例如,目标对象可以在本地的终端创建一个任务,并将与该任务对应的任务信息封装于该任务的数据包中,将对应的数据包发送给服务系统,服务系统在接收到该任务后可以进行发布操作,并根据该任务的数据包中携带有的任务信息,确定完成该任务对应的目标用户。
在本实施例中,该任务信息可以包含与任务相关的信息,如任务内容、任务领域、目标用户范围、目标用户个数等等。其中,目标用户范围可以包含有目标用户的年龄范围、学历范围、技能等级范围等等。其中,任务领域具体限定于该任务属于的领域,如化工领域、机械领域、计算机领域等等。
在本实施例中,服务系统可以根据目标对象发布的任务对应的任务信息,确定多个预设特征维度的参数值,并基于各个特征维度对应的参数值,生成该任务对应的任务特征参量。
举例性地,该目标对象可以为一企业,企业可以发布对应的项目任务,服务系统接收到企业对应的终端发送的项目任务,可以启动任务管理流程,即执行S101~S105的操作。
在S102中,根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量。
在本实施例中,服务系统内可以存储有多个不同的候选用户,根据候选用户的用户信息,可以将不同的候选用户划分为不同的候选群组。例如,将属于同一学校或同一单位的多个候选用户,划分到同一候选群组。该候选群组可以部署一个分布式数据节点,服务系统可以通过接收各个分布式数据节点接收关于候选用户的用户信息,其中,上述用户信息包括但不限于:用户年龄、用户学历、用户身高体重等静态特征信息,也可以包括用户移动轨迹、动作轨迹等动态特征信息,特别地,上述用户信息包含用户行为数据。
在本实施例中,该服务系统具体可以一数据推送平台的服务器,各个分布式数据节点可以与该数据推送平台的服务器建立通信连接,并在满足预设的采集条件时,接收各个分布式数据节点上传候选群组内候选用户的用户信息。又或者,各个分布式数据节点在采集到新的用户信息时,可以将新采集的用户信息发送给该数据推送平台的服务器(即本申请提供的服务系统),以便服务系统根据新接收到的用户信息确定该候选群组对应的群组特征参量。
在一种可能的实现方式中,服务系统可以配置有对应的采集触发条件,在检测到满足预设的采集触发条件时,可以向分布式数据节点发送用户信息采集指令,在分布式数据节点接收到上述用户信息采集指令时,将本地存储的用户信息发送给服务系统。
在本实施例中,服务系统可以对属于同一候选群组内的各个候选用户的行为特征数据进行聚类分析,从而可以生成关于该候选群组的行为特征参量。
在一种可能的实现方式中,服务系统生成行为特征参量的方式可以为:基于所有候选用户的行为特征参量提取得到用户共性信息以及用户个性信息,基于所有用户共性信息确定关于所述候选群组对应的共性特征信息,以及根据不同用户对应的用户个性信息,确定所述候选群组对应的离散特征信息,基于所述共性特征信息以及离散特征信息生成所述候选群组的行为特征参量。
在S103中,将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度。
在本实施例中,服务系统可以将任务特征参量以及候选群组对应的行为特征参量导入到匹配推荐算法中,从而能够计算得到目标对象与候选群组之间的匹配度,若目标对象与候选群组之间的匹配度小于或等于预设的推荐阈值,则表示两者的相关性较低,并将该候选群组不适合处理上述目标对象发布的任务,即该候选群组内的候选用户并非任务所需的用户;反之,若目标对象与候选群组之间的匹配度大于预设的推荐阈值,则执行S104的操作。
在一种可能的实现方式中,计算上述候选群组与任务信息之间的匹配度时,可以基于任务特征参量与行为特征参量之间的向量距离,确定两者之间的匹配度。若两个参量之间的向量距离越近,则上述匹配度越大;反之,若两个参量之间的向量距离越远,则上述匹配度越小。其中,服务系统可以在预设的坐标系上标记出上述的任务特征参量以及行为特征参量,从而确定了上述两个参量对应的坐标向量,以计算得到上述的向量距离。
进一步地,作为本申请的另一实施例,在计算两者之间的匹配度之前,还可以包括:基于所有已发布的标准文本,生成至少一个用户推荐匹配算法。
在本实施例中,服务系统除了可以接收各个分布式数据节点上传候选群组内用户的用户行为数据外,还可以从互联网上获取各个已经发布的标准文本,从而能够根据已发布的标准文本,确定当前适用的匹配推荐算法,即基于标准文本确定推送何种类型的用户给目标对象以处理发布的任务。其中,上述标准文本包括但不限于:当前已发布的法律文本、法律文本以及与用户推荐相关的政策文本等。
示例性地,以一种应用场景为例进行说明,用户群组为学校内的学生,目标对象为企业等用人单位,则上述的标准文本具体可以是人才引进、人才输送相关的法律文本、法规文本以及相关的政策信息等。
在一种可能的实现方式中,上述基于标准文本生成的用户推荐匹配算法的个数为多个,在该情况下,每个目标对象可以根据关联的标准文本,确定与目标对象对应的匹配推荐算法,并基于对应的匹配推荐算法计算该目标对象发布的任务与各个候选群组之间的匹配度。
在一种可能的实现方式中,基于标准文本确定用户推荐匹配算法的方式具体可以为:服务系统可以提取该标准文本携带有的文本关键词,将所述文本关键词转换为对应的匹配规则,基于所有匹配规则得到对应的用户推荐匹配算法。举例性地,若某一标准文本内携带有的文本关键词为“本科”以及“互联网专业”,则可以分别为上述两个文本关键词配置对应的匹配规则,用于筛选与上述两个条件相关联的用户,并生成对应的匹配推荐算法。
需要说明的是,一个匹配推荐算法可以对应的标准文本的数量可以为一个,也可以为多个,具体根据实际情况确定。
在一种可能的实现方式中,服务系统可以存储有一对象数据库,该对象数据库内存储有关于目标对象的所有对象信息,以及已推送给该目标对象的用户信息。服务系统可以根据目标对象关联的对象信息、任务信息以及所有已经推荐的用户信息对应的推荐反馈信息,生成该任务特征参量。其中,用户信息对应的推荐反馈信息用于确定所推送的用户信息与目标对象之间的契合度,若用户信息与目标对象十分契合,则可以反馈匹配度高的反馈信息,可以根据推荐反馈信息来确定所需推荐的用户类型,从而构成的任务特征参量以提高后续匹配度计算的准确性。
在S104中,将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户。
在本实施例中,服务系统在计算了任务信息与各个候选群组之间的匹配度后,可以将与其匹配度大于预设的推荐阈值的候选群组作为该处理目标对象发布的任务的目标群组。其中,若匹配度大于预设的推荐阈值的候选群组的数量为多个,则可以将多个匹配度大于匹配阈值的候选群组均识别为目标对象发布任务的目标群组。
在本实施例中,由于行为特征参量是基于对应候选群组内的所有候选用户的用户行为数据生成的,因此当行为特征参量与任务特征参量相匹配时,即表示该候选群组内的所有用户基本与能够符合处理该任务的条件,从而能够实现批量识别得到匹配任务的用户的目的,减少了用户与任务信息之间的匹配计算,大大提高了任务管理的效率。
在本实施例中,服务系统可以将该目标群组内的所有候选用户均作为该任务信息对应的目标任务,还可以根据各个候选用户的用户行为数据,生成与该候选用户对应的用户行为参量,并将用户行为参量以及任务信息对应的任务特征参量导入到上述的匹配推荐算法,计算各个候选用户与任务信息之间的匹配度,并选取匹配度大于预设的推荐阈值的候选用户作为目标用户,计算候选用户的匹配度的方式与计算候选群组的匹配度的方式一致,具体可以参见上述实施例的描述,在此不再赘述。
在S105中,采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告。
在本实施例中,服务系统在确定了目标群组内的各个目标用户后,可以将目标用户的名单发送给目标群组对应的终端,如上述的分布式节点。分布式节点可以根据该目标用户名单,向各个目标用户的终端发送一个任务处理确认请求,若接收到目标用户的终端反馈的处理确认指令,则识别反馈了确认处理指令的目标用户为确认执行该任务的目标用户,在该情况下,上述确认执行任务的目标用户在执行目标对象的任务时,会生成对应的任务执行记录,该任务执行记录可以包含有执行任务时对应的执行时长、执行内容以及执行进度等等,还可以包括目标对象对于目标对象执行任务时对应的评价信息。
在本实施例中,服务系统可以根据所有目标用户的任务执行记录,生成该任务对应的任务管理报告,其中,服务系统可以配置有一个任务管理报告的更新周期,并基于该更新周期,获取更新周期内生成的任务执行记录,并基于该更新周期内的任务执行记录对上一更新周期生成的任务管理报告进行更新,从而能够实现对任务进行跟踪管理,提高了管理效率。例如,上述更新周期为1天,则服务系统可以获取每一天内关于该任务的任务处理记录,并通过当天内的所有任务处理记录对前一天的任务管理报告进行更新,以得到当前的任务管理报告。
以上可以看出,本发明实施例提供的一种任务报告的生成方法通过在接收到目标对象发布的任务时,根据该任务的任务信息生成对应的任务特征参量,然后对各个候选群组中的候选用户的用户行为数据,生成与属于该候选群组的所有候选用户相关的行为特征参量,并通过行为特征参量以及任务特征参量计算任务与候选群组之间的匹配度,选取出目标群组,继而从目标群组中确定出与任务相关的目标用户,并在用户执行任务时获取对应的任务执行记录,生成任务管理报告,实现了自动为任务匹配执行的目标用户并对任务进行管理。与现有的用户匹配技术相比,本申请实施例在确定任务的目标用户时,会生成将候选用户划分为多个不同的候选群组,并生成候选群组对应的行为特征参量,通过候选群组的行为特征参量选取出目标群组,因此无需分别对各个候选用户均进行匹配度计算,而是通过候选用户之间的关联性,通过识别目标群组即可以过滤大量的无效群组,从而减少了大量无效的匹配操作,提高了用户匹配操作的效率以及任务管理的效率。
图2示出了本发明第二实施例提供的一种任务报告的生成方法S105的具体实现流程图。参见图2,相对于图1所述实施例,本实施例提供的一种任务报告的生成方法中S105包括:S1051~S1055,具体详述如下:
在S1051中,获取所述目标用户在预设的任务管理周期内对应的所述任务执行记录。
在本实施例中,服务系统可以周期性地生成任务管理报告,以实现对发布的任务进行跟踪管理。基于此,服务系统配置有一个任务管理周期,服务系统在到达下一任务管理周期时,可以获取上一任务管理周期内生成的所有任务执行记录。每个任务执行记录可以配置有对应的执行时间,服务系统可以根据执行时间确定与之对应的任务管理周期。
在S1052中,根据所述任务关联的多个任务评价维度,确定所述任务执行记录在各个所述任务评价维度对应的评价得分。
在本实施例中,任务执行记录内包含有目标用户在执行任务时对应的相关信息,如上述,该任务执行记录可以包含有执行时长、执行内容以及执行进度等等,服务系统可以根据该任务执行记录内的多项信息,确定在预设的多个任务评价维度内对应的评价得分。其中,服务系统可以为不同的任务评价维度配置对应的转换算法,对任务执行记录进行解析,得到得到与任务评价维度对应的参数值,并将该参数值导入到任务评价维度对应的转换算法中,计算得到该任务评价维度的评价得分。
在S1053中,基于所有所述任务评价维度的所述评价得分,计算所述目标用户对应的任务得分。
在本实施例中,每个任务评价维度可以包含有预设的得分权重,当然,所有任务评价维度的得分权重可以相同也可以不同,具体根据实际情况确定,继而服务系统可以根据各个任务评价维度的评价得分进行加权运算,其中,进行加权运算时各个任务评价维度的权重为上述的得分权重,从而计算得到上述目标用户的任务得分。
在S1054中,根据所有所述目标用户的所述任务执行记录,确定所述任务对应的完成进度。
在本实施例中,任务执行记录除了包含有各个维度评价得分对应的参数值外,还可以记录有目标用户该次执行操作所对应的工作进度,服务系统可以根据所有目标用户的任务执行记录内记录的工作进度进行叠加,从而可以确定该任务对应的完成进度。例如,目标用户A在任务管理周期内对应的工作进度为3%,而目标用户B在该任务管理周期内对应的工作进度为2%,则对于整个任务而言,目标用户A和目标用户B对应的完成进度为3%+2%=5%。
在S1055中,根据各个所述目标用户的所述任务得分以及所述完成进度,生成所述任务管理周期对应的所述任务管理报告。
在本实施例中,服务系统可以根据各个目标用户在该任务管理周期的任务得分,以及整个任务的完成进度,生成关于该任务管理周期对应的任务管理报告,管理员可以通过该任务管理报告确定任务的完成情况,并对任务进行管控,方便用户对于整个任务的进度有一个直观的了解,并且确定各个目标用户在执行任务时的表现。
进一步地,服务系统可以根据上一任务管理周期的任务管理报告的完成进度,与本任务管理周期的完成进度进行叠加,从而可以确定出整个任务的总完成进度,并将总完成进度添加到上述本任务管理周期对应的任务管理报告内。
进一步地,服务系统可以根据目标用户在各个任务管理周期的任务得分,计算得到该目标用户的总任务评分,例如可以通过计算各个任务管理周期的任务得分的均值,作为该目标用户的总任务评分,继而将各个目标用户的总任务评分添加到该任务管理报告中。
图3示出了本发明第三实施例提供的一种任务报告的生成方法的具体实现流程图。参见图3,相对于图2所述实施例,本实施例提供的一种任务报告的生成方法中在所述基于所有所述任务评价维度的所述评价得分,计算所述目标用户对应的任务得分之后,还包括:S301~S304,具体详述如下:
在S301中,若所述目标用户的所述任务得分低于预设的下限分值,则将所述目标用户识别为异常用户。
在本实施例中,服务系统在确定了执行任务的目标用户后,还可以对选取出来的目标用户进行监控,确定出实际上并不适合处理该任务的目标用户,即异常用户。具体识别异常用户的方式为通过目标用户在执行任务过程中的任务执行记录得到的任务得分进行判定,若某一目标用户的任务得分大于或等于预设的下限分值,则表示该目标用户胜任处理该任务,此时,会将该目标用户识别为有效用户,继续通过有效用户处理该任务;反之,若某一目标用户的任务得分小于预设的下限分值,则表示该目标用户不适合处理该任务,会将该目标用户识别为异常用户。
在S302中,若识别得到的所述异常用户的个数大于预设的调整个数阈值,则根据各个异常用户对应的所述用户行为数据以及所述任务执行记录,对所述匹配推荐算法进行调整,生成优化匹配算法;所述优化匹配算法用于对除所述任务外的其他任务进行目标对象的选取操作。
在本实施例中,服务系统可以计算识别得到的异常用户的个数,若异常用户较少,即小于或等于预设的调整个数阈值,则表示对于任务的处理进度以及处理质量影响在预设的范围内,可以保持原有的目标用户对任务进行处理;若异常用户的个数大于预设的调整个数阈值,则需要对上述的匹配推荐算法进行调整,以使选取得到的目标用户与任务之间的契合度更高。基于此,服务系统可以获取该异常用户对应的用户行为数据,以及异常用户在执行任务时对应的任务执行记录,并为上述两类型的数据添加对应的异常标签,对已经生成的匹配推荐算法进行训练学习,以得到优化匹配算法。该优化匹配算法可以用在后续进行目标群组以及目标用户的选取操作时使用。
在S303中,确定所述目标群组对应的各个剩余用户的用户特征参量,并分别将各个所述用户特征参量以及所述任务信息导入到所述优化匹配算法中,计算各个所述剩余用户与所述任务之间的用户匹配度;所述剩余用户为所述目标群组中除所述目标用户以及所述异常用户外的其他用户。
在本实施例中,服务系统在生成了优化匹配算法后,需要从目标群组中的剩余用户中选取出替换异常用户的替代用户,以保证任务的进度能够正常处理。基于此,服务系统可以生成各个剩余用户的用户特征参量,上述用户特征参量具体是通过剩余用户对应的用户行为数据确定的。然后,服务系统可以将剩余用户的用户特征参量以及任务的任务特征参量导入到上述的优化匹配算法中,计算得到剩余用户与任务之间的用户匹配度,从而确定剩余用户中是否存在适合处理该任务的用户。
在S304中,基于所述用户匹配度从所述剩余用户中确定替换所述异常用户对应的替代用户。
在本实施例中,服务系统可以根据用户匹配度数值的大小,由大到小对剩余用户进行排列,并选取前N个的剩余用户作为替换异常用户的替代用户,其中N个数值为异常用户的个数。当然,服务系统还可以配置有对应的匹配阈值,服务系统也可以选取大于上述匹配阈值的剩余用户作为替代用户。
在本申请实施例中,通过识别异常用户并自动从剩余用户中选取出替代用户,能够有效地识别不适合处理上述任务的异常用户,并重新指定对应的替代用户进行处理,从而能够提高任务的管理效率。
图4示出了本发明第四实施例提供的一种任务报告的生成方法S1052的具体实现流程图。参见图4,相对于图2所述实施例,本实施例提供的一种任务报告的生成方法中S1052包括:S401~S404,具体详述如下:
进一步地,所述任务执行记录包括有所述目标用户的评价语段以及执行工作量,所述根据所述任务关联的多个任务评价维度,确定所述任务执行记录在各个所述任务评价维度对应的评价得分,包括:
在S401中,对所述任务执行记录中的所述评价语段进行解析,提取关于所述目标用户的评价关键词,并确定各个评价关键词对应的表现评分系数。
在本实施例中,上述任务执行记录具体包含两个维度的信息,分别为基于目标用户在执行任务时的表现确定的评价语段以及在对应的该任务执行记录对应的执行工作量。其中,上述评价语段具体可以为任务的管理员对于目标用户进行评价后确定的,任务的管理员可以在对应的管理设备上对各个目标用户进行评价,并得到相应的评价语段,继而管理设备可以将评价语段以及该目标用户对应的执行工作量等信息进行封装,得到上述的任务指令记录,并发送给服务系统。
在本实施例中,服务系统可以提取该任务执行记录中的评价语段,并对该评价语段进行解析,确定出与评价目标用户执行任务时表现相关的关键词,即评价关键词。服务系统可以存储有一个表现评分对应关系表,通过查询该表现评分对应关系表,则可以确定各个评价关键词对应的表现评分系数。
在S402中,基于所有所述任务执行记录的所述评价关键词的表现评分系数,得到用户表现维度的第一评分值。
在本实施例中,服务系统可以根据目标用户在任务管理周期内的所有任务执行记录提取得到的评价关键词,确定目标用户在用户表现维度对应的第一评分值,计算第一评分值的方式可以为:基于所有评价关键词对应的表现评分系数进行加权叠加,从而计算得到该目标用户在用户表现维度的第一评分值。其中,每个评价关键词对应一个评价维度,根据该评价维度可以确定该评价关键词对应的加权系数。可选地,服务系统还可以根据各个评价关键词对应的表现评分系数进行均值计算,将得到的均值作为该用户表现维度的第一评分值。
在S403中,根据所有所述目标用户的所述执行工作量,确定所述任务对应的基准工作量,并基于所述基准工作量以及所述目标用户的所述执行工作量,计算所述目标用户的进度维度的第二评分值。
在本实施例中,服务系统在需要确定目标用户对应的执行工作量是否合适,首先需要确定基准工作量,其中,该基准工作量是根据所有目标用户的执行工作量确定的,例如,服务系统可以计算所有目标用户的执行工作量的均值,作为上述的基准工作量,然后,根据目标的执行工作量与上述的基准工作量,确定出该目标用户在进度维度对应的第二评分值。
可选地,服务系统可以首先计算出各个目标用户在任务管理周期内对应的工作总量,该工作总量是基于目标用户在任务管理周期内所有任务执行记录的执行工作量叠加后得到的,然后基于各个目标用户对应的工作总量的均值,确定出上述的基准工作量。服务系统可以根据目标用户在任务管理周期内生成的所有任务执行记录的执行工作量,计算该目标用户对应的用户进度总量。然后,根据该用户进度总量以及基准工作量,确定目标用户在进度维度对应的第二评分值。
在S404中,根据所述第一评分值以及所述第二评分值,得到所述评价得分。
在本实施例中,服务系统可以根据上述两个维度对应的加权系数,对第一评分值以及第二评分值进行加权运算,计算得到目标用户的评价得分。
在本申请实施例中,通过两个维度确定目标用户对应的评分值,从而使得评价得分能够兼顾目标用户的工作量以及工作表现两个方面,提高了评价得分的准确性。
图5示出了本发明第五实施例提供的一种任务报告的生成方法S102的具体实现流程图。参见图5,相对于图1-4任一项所述实施例,本实施例提供的一种任务报告的生成方法中S102包括:S1021~S1025,具体详述如下:
在S1021中,根据所述用户行为数据中携带的用户标识,将所有所述用户行为数据划分为多个用户组;每个用户组内包含的用户信息携带的用户标识相同;每个所述用户标识对应一个所述候选用户。
在本实施例中,由于用户行为数据是关于整个候选群组内所有候选用户的用户行为数据,因此,服务系统可以首先对所有用户行为数据进行分类,基于所属用户的不同,即基于用户行为数据携带的用户标识,划分为不同的用户组,同一个用户组内的所有用户行为数据对应同一个候选用户。
在S1022中,根据所述用户组内所有所述用户行为数据,生成用户的行为轨迹;所述行为轨迹内包含有多个行为节点;每个所述行为节点包含行为发生地点以及行为事件信息。
在本实施例中,用户行为数据具体为对应用户的行为记录,该行为记录可以包含有候选用户发生的行为事件以及该行为事件所发生的地点信息、持续事件、交互对象、关联用户等等与行为相关的信息。服务系统可以确定用户行为数据中携带有的位置信息以及时间信息,在预设的地图上标记出各个用户行为数据,并对各个标记后的用户行为记录进行聚类分析,从而可以将满足预设的条件的位置以及事件生成行为节点,例如将发生次数大于预设的有效次数阈值的位置区域以及事件类型,生成行为节点。每个行为节点对应有一个行为发生地点以及在该地点对应的行为事件信息。需要说明的是,该行为事件信息可以对应有一个行为类型,也可以对应有多个行为类型。
举例性地,该用户为一学生,服务系统基于该学生的多个用户行为数据生成对应的行为轨迹,该行为轨迹包含有3个节点,分别为宿舍、食堂以及课室,而宿舍对应的行为事件信息可以为日常作息;食堂对应的行为事件信息可以为吃饭;而课室对应的行为事件信息可以为学习,若进一步细化,则上述课室对应的行为事件信息具体可以包含学习的课程等。
在S1023中,基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件。
在本实施例中,服务系统在确定了各个用户对应的行为轨迹后,可以对所有行为轨迹进行聚类分析,由于每个用户的行为轨迹对应的是个人的个性行为,在需要确定群组特征时,需要对所有不同的行为轨迹进行聚类分析,而该确定该候选群组的特性,通过对所有行为轨迹进行聚类分析后,可以得到关于该候选群组对应的特征行为地点以及特征行为事件,上述特征行为地点以及特征行为事件用于确定该候选群组对应的特征信息。
在一种可能的实现方式中,对所有用户的行为轨迹进行聚类分析的方式可以为:服务系统可以在预设的地图上标记处各个用户行为轨迹,并计算各个行为轨迹中行为发生地点与其他用户的行为轨迹中的行为发生地点之间的地点相似度,从而能够将相似度小于预设阈值的行为发生地点聚类成一个候选特性地点,继而再确定该候选特征地点对应的行为事件信息之间的行为关联度,从而将行为关联度大于预设关联阈值的候选特征地点识别为特征行为地点,并基于该特征行为地点对应的各个行为事件信息,得到特征行为事件。
在1024中,根据所述特征行为地点、所述特征行为事件以及所述候选群组对应的基准群组信息,确定多个预设特征维度的评分值。
在本实施例中,服务系统可以根据该候选群组对应的特征行为地点以及特征行为事件,来确定该候选群组内各个用户对应的行为特征,并且每个候选群组可以关联有对应的基准群组信息,以确定该候选群组的一些固有特征,基于上述三类型的信息在多个维度上对候选群组进行打分,得到上述每个预设特征维度的评分值。例如,根据某一特征行为地点与学习的相关程度,可以确定学习维度对应的地点得分,根据某一特征行为事件与学习的相关程度,可以确定学习维度对应的事件得分,并基于该基准群组信息确定加权值,例如在学习维度上,若该基准群组信息为研究生对应的权重值为1,本科生对应的权重值为0.8,从而能够基于上述参量计算得到学习维度对应的评分值。
在本实施例中,服务系统可以为不同的特征维度配置对应的评分转换模型,将上述三个参数导入到上述评分转换模型中,即可以计算得到该特征维度对应的评分值。
在S1025中,基于各个所述预设特征维度的评分值,构建所述候选群组对应的群组特征画像,将所述群组特征画像作为所述行为特征参量。
在本实施例中,服务系统可以根据各个预设的评分值,构建对应的群组特征画像,该群组特征画像具体可以基于多边形构成的画像,其中该多边形的边数与上述的预设特征维度的维度个数相关,服务系统可以将该群组特征画像作为该候选群组的行为特征参量。
在本申请实施例中,通过对各个用户行为记录进行聚类分析,从而生成能够表征候选群组特性的特征行为地点以及特征行为事件,从而得到在多个预设维度的评分值,生成群组特征画像,能够提高行为特征参量的准确性。
图6示出了本发明第六实施例提供的一种任务报告的生成方法S1023的具体实现流程图。参见图6,相对于图5所述实施例,本实施例提供的一种任务报告的生成方法S1023包括S601~S606,具体详述如下:
进一步地,所述基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件,包括:
在S601中,基于所有所述行为轨迹,将所有所述候选用户的所述行为轨迹重合的所述行为发生地点作为共性特征地点,并基于所述共性特征地点对应的行为事件信息,确定共性特征行为。
在本实施例中,服务系统可以在预设的地图上标记出各个候选用户的行为轨迹,从而能够基于各个行为轨迹之间的重合程度,确定行为轨迹中重合度较高的行为发生地点作为共性特征地点,即该候选群组内的所有用户均会在该共性特征地点上执行相同的行为事件,即上述共性特征行为,该共性特征行为具体是基于该行为发生地点关联的行为事件确定的。
在S602中,分别对各个所述候选用户的所述行为轨迹进行分析,选取除所述共性特征地点外,发生次数大于预设的次数阈值的行为发生地点作为所述用户对应的个性发生地点。
在本实施例中,在确定了该候选群组内各个候选用户的共性特征外,还可以获取各个候选用户的个性特征。其中,服务系统可以分别对不同的用户行为轨迹进行分析,将行为轨迹中删除已识别得到的共性特性点对应的行为节点,然后再统计各个行为节点对应的发生次数,并将发生次数大于预设的次数阈值的行为发生地点作为该候选用户的个性发生地点。需要说明的是,每个个性发生地点均关联有对应的所属用户,一个候选用户可以包含有一个或多个个性发生地点。服务系统会分别确定不同候选用户的个性发生地点。
在S603中,计算所述个性发生地点相互之间的关联度,将所述关联度大于预设关联阈值的个性发生地点构成个性发生地点组。其中,计算任意两个所述个性发生地点之间的关联度的计算公式为:
其中,SimilarLv(Add1,Add2)为两个所述个性发生地点之间的关联度;Add1为其中一个所述个性发生地点的地点信息;Add2为另一个所述个性发生地点的地点信息;dist(Add1,Add2)为计算地理距离函数;StayTime(x)为计算地点停留时间函数;type(Add1,Add2)为计算地点类型相似度函数;ξdist以及ξtime为预设的系数;Basedist为基准距离阈值;EfficTime为有效停留时间。
在本实施例中,服务系统可以计算不同个性发生地点之间的关联度,从而能够确定该个性发生地点是否具有一定的代表性。其中,计算不同个性发生地点之间的关联度具体从三个维度进行计算,分别为距离维度、地点类型维度以及停留时长维度;其中,距离维度具体可以通过dist()函数计算对应的维度关联因子;而地点类型维度可以基于type()函数计算对应的维度关联因子;停留时长维度则可以根据对应的该个性发生地点对应的平均停留时长之间的差值计算得到。服务系统计算得到各个个性发生地点之间的关联度后,可以将大于预设的关联阈值的个性发生地点添加到一个组内,从而构成了一个个性发生地点组。
在S604中,若任一所述个性发生地点组对应的个性发生地点的个数大于预设的个数阈值,则生成关于所述个性发生地点组对应的个性特征地点,并基于所述个性发生地点组内各个个性发生地点对应的行为事件信息,确定所述个性特征地点关联的个性特征行为。
在本实施例中,服务系统将各个个性发生地点划分为多个不同的个性发生地点组后,可以统计该个性发生地点内包含的地点个数,将组内地点个数大于预设的个数阈值的个性发生地点组作为一个个性特征地点,并将该个性特征地点关联的行为事件信息,确定个性特征行为。由于某一个性发生地点组内的地点个数大于预设的个数阈值,则表示该个性发生地点并非偶发事件,是用户经常经过的地点,能够有效代表该用户的个性特征,能够提高个性特征行为以及个性特征地点识别的准确性。
在S605中,基于所述共性特征行为以及所述个性特征行为确定所述特征行为事件;以及基于所述共性特征地点以及所述个性特征地点确定所述特征行为地点。
在本实施例中,将识别得到的具有共性特征的地点以及具有个性特征的地点进行整合,得到该候选群组对应的特征行为地点,对应地,特征行为事件也包括了个性以及共性两个方面的特征行为。
在本申请实施例中,通过确定候选群组的个性特征以及共性特征,从而能够从不同方面确定该候选群组的特性,提高了后续得到的群组特征参量的准确性,以及特征识别的全面性。
图7示出了本发明第七实施例提供的一种任务报告的生成方法S101的具体实现流程图。参见图7,相对于图1-4任一所述实施例,本实施例提供的一种任务报告的生成方法S101包括:S1011~S1012,具体详述如下:
在S1011中,确定所述任务对应的任务类型,并获取与所述任务类型对应的特征转换算法。
在本实施例中,服务系统可以根据不同任务对应的特性,配置有对应的特征转换算法,由于不同的任务类型,所包含的特征参数可以存在差异,例如对于研发项目的任务,具体可以包括研发目标、研发经费以及研发领域等;而对于工程项目的任务,具体可以包括工程量、工程时长等。因此,服务系统可以根据任务类型的不同,获取对应的特征转换算法。
在S1012中,将所述任务信息导入所述特征转换算法,生成所述任务特征参量。
在本实施例中,通过与任务类型线管的特征转换算法,生成任务信息对应的任务特征参量。
在本申请实施例中,通过与任务类型对应的特征转换算法确定任务特征参量,能够提高任务特征参量的准确性,从而提高后续目标用户选取的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图8示出了本发明一实施例提供的一种任务报告的生成装置的结构框图,该服务系统包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。
参见图8,所述任务报告的生成装置包括:
任务特征参量确定单元81,用于若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量;
行为特征参量确定单元82,用于根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量;
匹配度计算单元83,用于将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度;
目标用户选取单元84,用于将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户;
任务管理报告生成单元85,用于采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告。
可选地,任务管理报告生成单元85,包括:
任务执行记录获取单元,用于获取所述目标用户在预设的任务管理周期内对应的所述任务执行记录;
评价得分确定单元,用于根据所述任务关联的多个任务评价维度,确定所述任务执行记录在各个所述任务评价维度对应的评价得分;
任务得分确定单元,用于基于所有所述任务评价维度的所述评价得分,计算所述目标用户对应的任务得分;
完成进度确定单元,用于根据所有所述目标用户的所述任务执行记录,确定所述任务对应的完成进度;
任务管理报告输出单元,用于根据各个所述目标用户的所述任务得分以及所述完成进度,生成所述任务管理周期对应的所述任务管理报告。
可选地,任务报告的生成装置还包括:
异常用户识别单元,用于若所述目标用户的所述任务得分低于预设的下限分值,则将所述目标用户识别为异常用户;
优化匹配算法生成单元,用于若识别得到的所述异常用户的个数大于预设的调整个数阈值,则根据各个异常用户对应的所述用户行为数据以及所述任务执行记录,对所述匹配推荐算法进行调整,生成优化匹配算法;所述优化匹配算法用于对除所述任务外的其他任务进行目标对象的选取操作;
用户匹配度确定单元,用于确定所述目标群组对应的各个剩余用户的用户特征参量,并分别将各个所述用户特征参量以及所述任务信息导入到所述优化匹配算法中,计算各个所述剩余用户与所述任务之间的用户匹配度;所述剩余用户为所述目标群组中除所述目标用户以及所述异常用户外的其他用户;
替代用户确定单元,用于基于所述用户匹配度从所述剩余用户中确定替换所述异常用户对应的替代用户。
可选地,所述任务执行记录包括有所述目标用户的评价语段以及执行工作量,所述评价得分确定单元,包括:
表现评分系数确定单元,用于对所述任务执行记录中的所述评价语段进行解析,提取关于所述目标用户的评价关键词,并确定各个评价关键词对应的表现评分系数;
第一评分值确定单元,用于基于所有所述任务执行记录的所述评价关键词的表现评分系数,得到用户表现维度的第一评分值;
第二评分值确定单元,用于根据所有所述目标用户的所述执行工作量,确定所述任务对应的基准工作量,并基于所述基准工作量以及所述目标用户的所述执行工作量,计算所述目标用户的进度维度的第二评分值;
评价得分计算单元,用于根据所述第一评分值以及所述第二评分值,得到所述评价得分。
可选地,所述行为特征参量确定单元82包括:
用户组划分单元,用于根据所述用户行为数据中携带的用户标识,将所有所述用户行为数据划分为多个用户组;每个用户组内包含的用户信息携带的用户标识相同;每个所述用户标识对应一个所述候选用户;
行为轨迹生成单元,用于根据所述用户组内所有所述用户行为数据,生成用户的行为轨迹;所述行为轨迹内包含有多个行为节点;每个所述行为节点包含行为发生地点以及行为事件信息;
聚类分析单元,用于基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件;
评分值确定单元,用于根据所述特征行为地点、所述特征行为事件以及所述候选群组对应的基准群组信息,确定多个预设特征维度的评分值;
群组特征画像生成单元,用于基于各个所述预设特征维度的评分值,构建所述候选群组对应的群组特征画像,将所述群组特征画像作为所述行为特征参量。
可选地,所述聚类分析单元包括:
共性特征确定单元,用于基于所有所述行为轨迹,将所有所述候选用户的所述行为轨迹重合的所述行为发生地点作为共性特征地点,并基于所述共性特征地点对应的行为事件信息,确定共性特征行为;
个性发生地点确定单元,用于分别对各个所述候选用户的所述行为轨迹进行分析,选取除所述共性特征地点外,发生次数大于预设的次数阈值的行为发生地点作为所述用户对应的个性发生地点;
个性发生地点组确定单元,用于计算所述个性发生地点相互之间的关联度,将所述关联度大于预设关联阈值的个性发生地点构成个性发生地点组;
个性特征行为确定单元,用于若任一所述个性发生地点组对应的个性发生地点的个数大于预设的个数阈值,则生成关于所述个性发生地点组对应的个性特征地点,并基于所述个性发生地点组内各个个性发生地点对应的行为事件信息,确定所述个性特征地点关联的个性特征行为;
特征信息确定单元,用于基于所述共性特征行为以及所述个性特征行为确定所述特征行为事件;以及基于所述共性特征地点以及所述个性特征地点确定所述特征行为地点;
其中,计算任意两个所述个性发生地点之间的关联度的计算公式为:
其中,SimilarLv(Add1,Add2)为两个所述个性发生地点之间的关联度;Add1为其中一个所述个性发生地点的地点信息;Add2为另一个所述个性发生地点的地点信息;dist(Add1,Add2)为计算地理距离函数;StayTime(x)为计算地点停留时间函数;type(Add1,Add2)为计算地点类型相似度函数;ξdist以及ξtime为预设的系数;Basedist为基准距离阈值;EfficTime为有效停留时间。
可选地,所述任务特征参量确定单元81包括:
特征转换算法确定单元,用于确定所述任务对应的任务类型,并获取与所述任务类型对应的特征转换算法;
特征转换算法导入单元,用于将所述任务信息导入所述特征转换算法,生成所述任务特征参量
因此,本发明实施例提供的服务系统同样可以在确定任务的目标用户时,会生成将候选用户划分为多个不同的候选群组,并生成候选群组对应的行为特征参量,通过候选群组的行为特征参量选取出目标群组,因此无需分别对各个候选用户均进行匹配度计算,而是通过候选用户之间的关联性,通过识别目标群组即可以过滤大量的无效群组,从而减少了大量无效的匹配操作,提高了用户匹配操作的效率以及任务管理的效率。
图9是本发明另一实施例提供的一种服务系统的示意图。如图9所示,该实施例的服务系统9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如任务报告的生成程序。所述处理器90执行所述计算机程序92时实现上述各个任务报告的生成方法实施例中的步骤,例如图1所示的S101至S105。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各单元的功能,例如图8所示模块81至85功能。
示例性的,所述计算机程序92可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器91中,并由所述处理器90执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述服务系统9中的执行过程。
所述服务系统可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是服务系统9的示例,并不构成对服务系统9的限定,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,例如所述服务系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90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 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。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。
所述存储器91可以是所述服务系统9的内部存储单元,例如服务系统9的硬盘或内存。所述存储器91也可以是所述服务系统9的外部存储设备,例如所述服务系统9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述服务系统9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述服务系统所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
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。
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 (8)
1.一种任务报告的生成方法,其特征在于,包括:
若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量;
根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量;
将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度;
将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户;
采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告;
所述根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量,包括:
根据所述用户行为数据中携带的用户标识,将所有所述用户行为数据划分为多个用户组;每个用户组内包含的用户信息携带的用户标识相同;每个所述用户标识对应一个所述候选用户;
根据所述用户组内所有所述用户行为数据,生成用户的行为轨迹;所述行为轨迹内包含有多个行为节点;每个所述行为节点包含行为发生地点以及行为事件信息;
基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件;
根据所述特征行为地点、所述特征行为事件以及所述候选群组对应的基准群组信息,确定多个预设特征维度的评分值;
基于各个所述预设特征维度的评分值,构建所述候选群组对应的群组特征画像,将所述群组特征画像作为所述行为特征参量;
所述基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件,包括:
基于所有所述行为轨迹,将所有所述候选用户的所述行为轨迹重合的所述行为发生地点作为共性特征地点,并基于所述共性特征地点对应的行为事件信息,确定共性特征行为;
分别对各个所述候选用户的所述行为轨迹进行分析,选取除所述共性特征地点外,发生次数大于预设的次数阈值的行为发生地点作为所述用户对应的个性发生地点;
计算所述个性发生地点相互之间的关联度,将所述关联度大于预设关联阈值的个性发生地点构成个性发生地点组;
若任一所述个性发生地点组对应的个性发生地点的个数大于预设的个数阈值,则生成关于所述个性发生地点组对应的个性特征地点,并基于所述个性发生地点组内各个个性发生地点对应的行为事件信息,确定所述个性特征地点关联的个性特征行为;
基于所述共性特征行为以及所述个性特征行为确定所述特征行为事件;以及
基于所述共性特征地点以及所述个性特征地点确定所述特征行为地点;
其中,计算任意两个所述个性发生地点之间的关联度的计算公式为:
其中,SimilarLv(Add1,Add2)为两个所述个性发生地点之间的关联度;Add1为其中一个所述个性发生地点的地点信息;Add2为另一个所述个性发生地点的地点信息;dist(Add1,Add2)为计算地理距离函数;StayTime(x)为计算地点停留时间函数;type(Add1,Add2)为计算地点类型相似度函数;ξdist以及ξtime为预设的系数;Basedist为基准距离阈值;EfficTime为有效停留时间。
2.根据权利要求1所述的生成方法,其特征在于,所述采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告,包括:
获取所述目标用户在预设的任务管理周期内对应的所述任务执行记录;
根据所述任务关联的多个任务评价维度,确定所述任务执行记录在各个所述任务评价维度对应的评价得分;
基于所有所述任务评价维度的所述评价得分,计算所述目标用户对应的任务得分;
根据所有所述目标用户的所述任务执行记录,确定所述任务对应的完成进度;
根据各个所述目标用户的所述任务得分以及所述完成进度,生成所述任务管理周期对应的所述任务管理报告。
3.根据权利要求2所述的生成方法,其特征在于,在所述基于所有所述任务评价维度的所述评价得分,计算所述目标用户对应的任务得分之后,还包括:
若所述目标用户的所述任务得分低于预设的下限分值,则将所述目标用户识别为异常用户;
若识别得到的所述异常用户的个数大于预设的调整个数阈值,则根据各个异常用户对应的所述用户行为数据以及所述任务执行记录,对所述匹配推荐算法进行调整,生成优化匹配算法;所述优化匹配算法用于对除所述任务外的其他任务进行目标对象的选取操作;
确定所述目标群组对应的各个剩余用户的用户特征参量,并分别将各个所述用户特征参量以及所述任务信息导入到所述优化匹配算法中,计算各个所述剩余用户与所述任务之间的用户匹配度;所述剩余用户为所述目标群组中除所述目标用户以及所述异常用户外的其他用户;
基于所述用户匹配度从所述剩余用户中确定替换所述异常用户对应的替代用户。
4.根据权利要求2所述的生成方法,其特征在于,所述任务执行记录包括有所述目标用户的评价语段以及执行工作量,所述根据所述任务关联的多个任务评价维度,确定所述任务执行记录在各个所述任务评价维度对应的评价得分,包括:
对所述任务执行记录中的所述评价语段进行解析,提取关于所述目标用户的评价关键词,并确定各个评价关键词对应的表现评分系数;
基于所有所述任务执行记录的所述评价关键词的表现评分系数,得到用户表现维度的第一评分值;
根据所有所述目标用户的所述执行工作量,确定所述任务对应的基准工作量,并基于所述基准工作量以及所述目标用户的所述执行工作量,计算所述目标用户的进度维度的第二评分值;
根据所述第一评分值以及所述第二评分值,得到所述评价得分。
5.根据权利要求1-4任一项所述的生成方法,其特征在于,所述若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量,包括:
确定所述任务对应的任务类型,并获取与所述任务类型对应的特征转换算法;
将所述任务信息导入所述特征转换算法,生成所述任务特征参量。
6.一种任务报告的生成装置,其特征在于,包括:
任务特征参量确定单元,用于若接收到目标对象发布任务的任务信息,则基于所述任务信息确定任务特征参量;
行为特征参量确定单元,用于根据各个候选群组内的各个候选用户的用户行为数据,生成所述候选群组对应的行为特征参量;
匹配度计算单元,用于将所述任务特征参量与所述行为特征参量导入到预设的匹配推荐算法,计算所述候选群组与所述任务信息之间的匹配度;
目标用户选取单元,用于将与所述任务信息之间的所述匹配度大于预设的推荐阈值的所述候选群组识别为所述任务信息对应的目标群组,并从所述目标群组中选取与所述任务信息对应的目标用户;
任务管理报告生成单元,用于采集所述目标用户在执行所述任务时的任务执行记录,并生成所述任务对应的任务管理报告;
所述行为特征参量确定单元包括:
用户组划分单元,用于根据所述用户行为数据中携带的用户标识,将所有所述用户行为数据划分为多个用户组;每个用户组内包含的用户信息携带的用户标识相同;每个所述用户标识对应一个所述候选用户;
行为轨迹生成单元,用于根据所述用户组内所有所述用户行为数据,生成用户的行为轨迹;所述行为轨迹内包含有多个行为节点;每个所述行为节点包含行为发生地点以及行为事件信息;
聚类分析单元,用于基于所有所述候选用户对应的所述行为轨迹进行聚类分析,确定所述候选群组对应的特征行为地点以及特征行为事件;
评分值确定单元,用于根据所述特征行为地点、所述特征行为事件以及所述候选群组对应的基准群组信息,确定多个预设特征维度的评分值;
群组特征画像生成单元,用于基于各个所述预设特征维度的评分值,构建所述候选群组对应的群组特征画像,将所述群组特征画像作为所述行为特征参量;
所述聚类分析单元包括:
共性特征确定单元,用于基于所有所述行为轨迹,将所有所述候选用户的所述行为轨迹重合的所述行为发生地点作为共性特征地点,并基于所述共性特征地点对应的行为事件信息,确定共性特征行为;
个性发生地点确定单元,用于分别对各个所述候选用户的所述行为轨迹进行分析,选取除所述共性特征地点外,发生次数大于预设的次数阈值的行为发生地点作为所述用户对应的个性发生地点;
个性发生地点组确定单元,用于计算所述个性发生地点相互之间的关联度,将所述关联度大于预设关联阈值的个性发生地点构成个性发生地点组;
个性特征行为确定单元,用于若任一所述个性发生地点组对应的个性发生地点的个数大于预设的个数阈值,则生成关于所述个性发生地点组对应的个性特征地点,并基于所述个性发生地点组内各个个性发生地点对应的行为事件信息,确定所述个性特征地点关联的个性特征行为;
特征信息确定单元,用于基于所述共性特征行为以及所述个性特征行为确定所述特征行为事件;以及基于所述共性特征地点以及所述个性特征地点确定所述特征行为地点;
其中,计算任意两个所述个性发生地点之间的关联度的计算公式为:
其中,SimilarLv(Add1,Add2)为两个所述个性发生地点之间的关联度;Add1为其中一个所述个性发生地点的地点信息;Add2为另一个所述个性发生地点的地点信息;dist(Add1,Add2)为计算地理距离函数;StayTime(x)为计算地点停留时间函数;type(Add1,Add2)为计算地点类型相似度函数;ξdist以及ξtime为预设的系数;Basedist为基准距离阈值;EfficTime为有效停留时间。
7.一种服务系统,其特征在于,所述服务系统包括存储器、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如权利要求1至5任一项所述方法的步骤。
8.一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5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845306.7A CN113656686B (zh) | 2021-07-26 | 一种基于产教融合的任务报告的生成方法及服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845306.7A CN113656686B (zh) | 2021-07-26 | 一种基于产教融合的任务报告的生成方法及服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113656686A CN113656686A (zh) | 2021-11-16 |
CN113656686B true CN113656686B (zh) | 2024-09-06 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933643A (zh) * | 2015-06-26 | 2015-09-23 | 中国科学院计算技术研究所 | 一种景区信息推送方法和装置 |
CN106202488A (zh) * | 2016-07-19 | 2016-12-07 | 西北工业大学 | 估算用户到物理事件距离的方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933643A (zh) * | 2015-06-26 | 2015-09-23 | 中国科学院计算技术研究所 | 一种景区信息推送方法和装置 |
CN106202488A (zh) * | 2016-07-19 | 2016-12-07 | 西北工业大学 | 估算用户到物理事件距离的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921221B (zh) | 用户特征的生成方法、装置、设备及存储介质 | |
Liu et al. | Cdas: a crowdsourcing data analytics system | |
CN113254833B (zh) | 一种基于产教融合的信息推送的方法及服务系统 | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
CN115828112B (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
CN110008397A (zh) | 一种推荐模型训练方法及装置 | |
CN110674413B (zh) | 用户关系挖掘方法、装置、设备和存储介质 | |
CN113971527A (zh) | 基于机器学习的数据风险评估方法及装置 | |
KR102144126B1 (ko) | 기업을 위한 정보 제공 장치 및 방법 | |
CN114443671A (zh) | 推荐模型的更新方法、装置、计算机设备和存储介质 | |
CN114676423A (zh) | 一种应对云计算办公威胁的数据处理方法及服务器 | |
CN112989179A (zh) | 模型训练、多媒体内容推荐方法和装置 | |
CN112925899B (zh) | 排序模型建立方法、案件线索推荐方法、装置及介质 | |
US20180285758A1 (en) | Methods for creating and analyzing dynamic trail networks | |
CN117768498A (zh) | 区块链数据管理方法、装置、电子设备及存储介质 | |
CN113656686B (zh) | 一种基于产教融合的任务报告的生成方法及服务系统 | |
CN111489207A (zh) | 基于区块链系统的评价信息写入方法、装置及硬件设备 | |
CN116340845A (zh) | 标签生成方法、装置、存储介质及电子设备 | |
CN113656686A (zh) | 一种基于产教融合的任务报告的生成方法及服务系统 | |
Motohashi et al. | Technological competitiveness of China's internet platformers: comparison of Google and Baidu by using patent text information | |
CN107480271B (zh) | 基于抽样查找和索引查找的人群画像方法及系统 | |
CN111597453A (zh) | 用户画像方法、装置、计算机设备及计算机可读存储介质 | |
Wang et al. | Group behavior time series anomaly detection in specific network space based on separation degree | |
CN113312514B (zh) | 结合Deepwalk及社区发现技术的分组方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |