CN113779116A - 对象排序方法、相关设备及介质 - Google Patents

对象排序方法、相关设备及介质 Download PDF

Info

Publication number
CN113779116A
CN113779116A CN202111067106.XA CN202111067106A CN113779116A CN 113779116 A CN113779116 A CN 113779116A CN 202111067106 A CN202111067106 A CN 202111067106A CN 113779116 A CN113779116 A CN 113779116A
Authority
CN
China
Prior art keywords
subtask
vector
task
execution
data
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
Application number
CN202111067106.XA
Other languages
English (en)
Other versions
CN113779116B (zh
Inventor
舒畅
陈又新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111067106.XA priority Critical patent/CN113779116B/zh
Publication of CN113779116A publication Critical patent/CN113779116A/zh
Priority to PCT/CN2022/071276 priority patent/WO2023035526A1/zh
Application granted granted Critical
Publication of CN113779116B publication Critical patent/CN113779116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种对象排序方法、相关设备及介质，应用于人工智能技术领域。其中方法包括：获取各个子任务的执行时间偏差，根据任务知识图谱确定每个对象的重要程度数据，获取每个对象的执行数据以及执行的子任务关联的其他对象反馈的任务执行分析信息，根据执行数据和任务执行分析数据确定每个对象的相容性特征，根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量，根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量，根据目标特征向量得到多个对象的排序结果。采用本申请实施例，可以提高排序准确性。本申请涉及区块链技术，如可将排序结果等写入区块链。

Description

对象排序方法、相关设备及介质
技术领域
本申请涉及人工智能技术领域，具体涉及一种对象排序方法、相关设备及介质。
背景技术
目前，传统的排序方法通常是通过待排序的多个对象的自身参考数据对该多个对象进行排序。例如，通过企业中员工的日常工作考核情况对企业的员工进行排序，得到绩效排名，后续可以根据该排序结果对员工进行等级划分；又如，通过集群中运行任务(处于运行状态的任务)的调度情况对运行任务进行排序，得到重要性排名，后续可以根据该排序结果确定运行任务的优先级。然而，仅根据对象的自身参考数据进行排序，数据单一，容易导致排序结果准确性低，且排序效率低。
发明内容
本申请实施例提供了一种对象排序方法、相关设备及介质，可以提高针对对象的排序效率和排序结果的准确性。
一方面，本申请实施例提供了一种对象排序方法，该方法包括：
获取任务包括的各个子任务的执行时间偏差；
根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
在一个可能的实施方式中，所述根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量，包括：
确定所述各个子任务依赖的子任务；
将所述各个子任务的执行时间偏差以及所述各个子任务依赖的子任务的执行时间偏差之和，确定为所述各个子任务的累计执行时间偏差；
根据所述累计执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量。
在一个可能的实施方式中，所述获取任务包括的各个子任务的执行时间偏差，包括：
获取所述任务包括的各个子任务的实际执行时间和所述各个子任务的预期执行时间；
计算所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值；
将所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值确定为所述各个子任务的执行时间偏差。
在一个可能的实施方式中，所述根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征，包括：
对所述执行数据进行向量化处理，得到所述执行数据对应的第一特征向量；
对所述任务执行分析数据进行向量化处理，得到所述任务执行分析数据对应的第二特征向量；
将所述第一特征向量和所述第二特征向量输入分类模型，得到所述每个对象在所述对象执行的子任务中的相容性特征。
在一个可能的实施方式中，所述根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量，包括：
从所述任务知识图谱中获取所述每个对象的实体和所述各个子任务的实体；
对所述每个对象的实体和所述各个子任务的实体分别进行向量表示，得到所述每个对象的词向量和所述各个子任务的词向量；
对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，得到所述每个对象的关系映射向量和所述各个子任务的关系映射向量；
将所述每个对象的关系映射向量确定为所述每个对象的表征向量，并将所述各个子任务的关系映射向量确定为所述各个子任务的表征向量。
在一个可能的实施方式中，所述对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，包括：
从所述任务知识图谱中确定所述对象与所述子任务之间的关系；
获取所述对象与所述子任务之间的关系对应的关系映射矩阵；
利用所述关系映射矩阵对所述每个对象的词向量和所述各个子任务的词向量进行加权处理。
在一个可能的实施方式中，所述根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果，包括：
将所述多个对象构建为多个对象组合；
根据所述每个对象的目标特征向量确定所述多个对象组合中每个对象组合之间的差向量；
按照所述每个对象组合之间的差向量对所述多个对象进行排序，得到排序结果。
一方面，本申请实施例提供了一种对象排序装置，该装置包括：
获取模块，用于获取任务包括的各个子任务的执行时间偏差；
确定模块，用于根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
所述获取模块，用于获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
所述确定模块，用于根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
所述确定模块，还用于根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
所述确定模块，还用于根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
排序模块，用于根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
一方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，其中，存储器用于存储计算机程序，该计算机程序包括程序指令，处理器被配置用于调用该程序指令，以执行上述方法中的部分或全部步骤。
一方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时，用于执行上述方法中的部分或全部步骤。
本申请实施例中，获取任务包括的各个子任务的执行时间偏差，根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据，获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对对象的任务执行分析信息，根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征，根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量，根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量，根据每个对象的目标特征向量对多个对象进行排序，得到排序结果。通过实施本申请实施例所提出的方法，可以生成包含对象以及对象相关联的任务的任务知识图谱，并结合任务知识图谱、对象以及任务对多个对象进行排序，可以使得排序时使用的数据较为全面，以及提高了针对对象的排序效率和所得到的排序结果的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种对象排序方法的流程示意图；
图2为本申请实施例提供的一种对象排序方法的流程示意图；
图3为本申请实施例提供的一种任务知识图谱的示意图；
图4a为本申请实施例提供的一种确定重要程度数据的场景示意图；
图4b为本申请实施例提供的一种确定重要程度数据的场景示意图；
图5为本申请实施例提供的一种对象排序装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提出的对象排序方法实现于电子设备，该电子设备可以为终端设备或服务器。其中，终端设备可以为智能手机、平板电脑、笔记本电脑、台式计算机等。服务器可以是独立的服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。本申请涉及区块链技术，电子设备可将涉及的数据如任务知识图谱、子任务的执行时间偏差或多个对象的排序结果等写入区块链中，以便于电子设备可以在区块链上获取所需信息，如多个对象的排序结果。
在一些实施例中，电子设备可以根据实际的业务需求，执行该对象排序方法，以提高针对对象的排序效率和排序结果的准确性。本申请技术方案可以应用于任意对象排序场景中。例如，本申请技术方案可以应用于对员工的绩效排序场景中，电子设备可以根据员工(如企业的员工)以及员工参与的子项目等生成知识图谱(即任务知识图谱)，并结合项目知识图谱、员工以及员工所参与的子项目的相关执行信息(执行时间偏差、执行数据等)得到员工的目标特征向量，并基于该目标特征向量对多个员工进行排序，得到排序结果。又如，本申请技术方案可以应用于对集群中运行任务的重要性排序场景中，电子设备可以根据运行任务以及该运行任务所执行的任务事件(如获取业务数据)等生成任务知识图谱，并结合任务知识图谱、运行任务以及运行任务所执行的任务事件的相关执行信息(执行时间偏差、执行数据等)得到运行任务的目标特征向量，并基于该目标特征向量对多个运行任务进行排序，得到排序结果。此处对应用的对象排序场景不做限定，即对涉及的对象和任务(子任务)的具体类型不做限定。为了便于阐述，除非特别指明，后续所提及的对象排序方法均已对员工的绩效排序场景为例进行说明。
可以理解的是，上述场景仅是作为示例，并不构成对于本申请实施例提供的技术方案的应用场景的限定，本申请的技术方案还可应用于其他场景。例如，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
基于上述的描述，本申请实施例提出了一种对象排序方法，该方法可以由上述提及的电子设备来执行。如图1所示，本申请实施例的对象排序方法的流程可以包括如下：
S101、获取任务包括的各个子任务的执行时间偏差。
其中，任务以及各个子任务可以是任意与对象相关联的事件，对象可以是任意需要进行排序的对象。任务可以有一个或多个，一个任务包括的各个子任务可以有一个或多个。例如，若对象为企业的员工时，任务可以是企业的项目，子任务可以是项目中的子项目；若对象为集群中的运行任务时，任务可以是运行任务在运行时所请求的集群节点(如业务数据库)，子任务可以是运行任务在请求集群节点时所执行的任务事件。
在一个可能的实施方式中，电子设备可以从数据库中获取任务对应的执行记录，该执行记录中存储有任务包括的各个子任务的实际执行时间和预期执行时间，并基于该各个子任务的实际执行时间和预期执行时间确定各个子任务的执行时间偏差；或者也可以是从任务知识图谱中获取各个子任务的实际执行时间和预期执行时间，例如，在任务知识图谱中查找各个子任务的实体对应的节点，并从节点属性中获取所存储的信息。因此，电子设备获取任务包括的各个子任务的执行时间偏差具体可以是，获取任务包括的各个子任务的实际执行时间和各个子任务的预期执行时间，计算各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值，根据各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值，确定各个子任务的执行时间偏差。具体可以是，直接将各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值确定为各个子任务的执行时间偏差。其中，该执行时间偏差用于衡量对象所执行的子任务的执行情况，该子任务的执行情况影响对象的排序结果，即在对对象进行排序时，会结合子任务的执行时间偏差。一个对象可以执行一个或一个以上的子任务，一个子任务可以由一个或一个以上的对象执行。可选的，可以是先确定待排序的对象集合(可以只是多个)，并确定该待排序的对象集合中每个对象所执行的子任务，并获取该每个对象所执行的子任务的执行时间偏差。
S102、根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据。
其中，上述任务知识图谱包括每个对象的实体和各个子任务的实体，可选的，还可以包括各个子任务所属的任务的实体，即任务知识图谱中可以存在多个对象的实体、多个任务的实体和多个子任务的实体，以及对象之间可以存在连接关系，多个任务之间可以存在连接关系，多个子任务之间可以存在连接关系，对象与任务之间可以存在连接关系，对象与子任务之间可以存在连接关系，任务与子任务之间可以存在连接关系。例如，每个对象与各个子任务中该每个对象所执行的子任务之间存在连接关系，可选的，还可以存在各个子任务与所属任务之间的连接关系，以及还可以存在任务与关联的对象之间的连接关系(执行任务包括的各个子任务的对象则可作为该任务关联的多个对象)。
在一个可能的实施方式中，电子设备根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据具体可以是，利用PageRank算法(一种用于对有向连接图中的节点的重要程度排序的算法)得到任务知识图谱中每个实体在任务知识图谱中的重要程度，将每个对象的实体的重要程度作为每个对象的重要程度数据；或者也可以是，利用PageRank算法获取每个对象的实体在任务知识图谱中的重要程度，以及每个子任务的实体在任务知识图谱中的重要程度，根据每个对象的实体的重要程度以及每个对象所执行的子任务的实体的重要程度确定每个对象的重要程度数据，例如可以是将每个对象的实体的重要程度与每个对象所执行的子任务的实体的重要程度的比值作为每个对象的重要程度数据。该重要程度数据可以用于评估对象的重要性，具体可以是用于评估在所执行的子任务中的重要性，即每个对象的重要程度数据可以用于表示每个对象在所执行的子任务中的重要程度数据，每个对象在所执行的不同子任务中的重要程度数据可以相同也可以不同，该对象在所执行的子任务中的重要性影响对象的排序结果，即在进行对象排序时，会结合对象在所执行的子任务中的重要性。
S103、获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对对象的任务执行分析信息。
例如，对象1执行了子任务1，则获取对象1对执行的子任务1的执行数据，以及执行子任务1的对象还有对象2和对象3，即对于对象1而言，该执行的子任务1关联的其他对象为对象2和对象3，因此获取执行的子任务1关联的其他对象(对象2和对象3中的部分或全部对象)反馈的对对象1的任务执行分析信息。
在一些实施例中，电子设备可以从数据库中获取任务对应的执行记录，该执行记录中存储有任务包括的各个子任务所关联的每个对象在执行子任务时的执行数据以及关联的其他对象反馈的对该对象的任务执行分析信息，即对于执行子任务的多个对象来说，任务对应的执行记录包含多个对象中每个对象在执行该子任务期间产生的执行数据，以及多个对象中的其他对象对该对象在执行子任务期间所反馈的任务执行分析信息。
在一个实施例中，以对象为员工为例，执行数据可以表示对象在执行子任务期间不同时期的执行情况，任务执行分析信息可以表示其他对象针对执行情况所反馈的评价情况。例如，执行数据具体可以是员工A在执行子任务期间填写的工作情况记录(即不同时期的执行情况)，如日报内容、周报内容等，任务执行分析信息具体可以是与该子任务关联的其他员工B对该员工A反馈的工作评价记录(即所反馈的评价情况)，如对该员工A的执行数据的回复记录，或者对该员工A的工作参与度的评分等。在一个实施例中，以对象为运行任务为例，执行数据可以是运行任务在执行任务事件期间产生的运行日志，任务执行分析信息可以是执行该任务事件的其他运行任务在执行期间产生的针对该运行任务的关联运行日志等。例如，执行数据具体可以是运行任务A在执行任务事件期间生成的运行异常记录(即期间产生的运行日志)，如运行任务A运行错误、运行暂停等记录，任务执行分析信息具体可以是执行该任务事件的其他运行任务B产生的针对该运行任务A的关联运行异常记录(即产生的针对该运行任务A的关联运行日志)，如因该运行任务A在运行异常时造成其他运行任务B存在运行异常等记录。此处对执行数据和任务执行分析信息的具体类型不做限制。
S104、根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征。
在一个可能的实施方式中，电子设备根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征可以是，获取用于表示执行数据的第一特征向量，以及用于表示任务执行分析数据的第二特征向量，根据第一特征向量和第二特征向量确定对象在执行的子任务中的相容性特征。在一个实施例中，对象在执行的子任务中的相容性特征可以用0-1的数值表示。其中，相容性特征能够用于指示对象在执行的子任务中的执行数据与其他对象对该对象反馈的任务执行分析数据是否匹配，匹配度越高，相容性特征的数值越高，反之，匹配度越低，相容性特征的数值越低。
例如，以对象为员工为例，执行数据为员工的工作情况记录，任务执行分析数据为子项目关联的其他员工对该员工的工作评价记录，通过员工的工作情况记录对应的第一特征向量和其他员工对该员工的工作评价记录对应的第二特征向量得到员工在该子项目的相容性特征，该相容性特征表示该员工的工作情况记录与工作评价记录的一致性，若相容性特征越高，表明在该子项目的参与中，员工的工作情况所表征的工作表现与其他反馈的工作评价所表征的工作表现越一致，反之则越不一致，后续在对员工进行绩效排序时，相容性特征越高的员工绩效排名靠前的可能性就越高。
S105、根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量。
在一个可能的实施方式中，电子设备根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量具体可以是，根据任务知识图谱获取每个对象的实体、各个子任务的实体以及对象与子任务之间的关系；调用翻译距离模型以根据每个对象的实体、各个子任务的实体，以及对象与子任务之间的关系得到每个对象的表征向量以及各个子任务的表征向量。
其中，翻译距离模型可以是TransE(Translation embeddings for modelingmulti-relation data，多元关系数据嵌入)模型，因此电子设备根据每个对象的实体、各个子任务的实体，以及对象与子任务之间的关系并利用翻译距离模型得到每个对象的表征向量以及各个子任务的表征向量具体可以是，根据每个对象的实体、各个子任务的实体，以及以及对象与子任务之间的关系构建多个三元组，该多个三元组均由第一实体、第二实体以及第一实体与第二实体之间的关系确定，该第一实体可以是每个对象中任一对象，第二实体可以是该对象执行过的子任务，因此三元组可以为(对象，关系，子任务)，将多个三元组中的第一实体、第二实体和关系均映射到目标向量空间中，得到第一实体的映射向量、第二实体的映射向量，以及关系的映射向量，通过不断在目标向量空间中调整第一实体的映射向量、第二实体的映射向量，以及关系的映射向量，以使得每个三元组中的第一实体的映射向量、第二实体的映射向量，以及关系的映射向量满足预设关系，将满足预设关系时的第一实体的映射向量作为对象的表征向量，满足预设关系时的第二实体的映射向量作为对象的子任务的表征向量。可选的，该预设关系可以是第一实体的映射向量与关系的映射向量的和向量近似于第二实体的映射向量，因此可以将每个三元组(对象，关系，子任务)中的关系看做从对象实体到子任务实体的翻译。
S106、根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量。
在一个可能的实施方式中，电子设备根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量具体可以是，确定每个对象所执行的所有子任务，基于执行时间偏差、重要程度数据、相容性特征和该所有子任务中每个子任务的表征向量得到每个子任务的初始特征向量，根据每个对象的表征向量以及该对象所执行的每个子任务的初始特征向量，得到每个对象的目标特征向量。
其中，电子设备基于执行时间偏差、重要程度数据、相容性特征和该所有子任务中每个子任务的表征向量得到每个子任务的初始特征向量具体可以是，根据每个子任务的执行时间偏差，对象在每个子任务中的重要程度数据，对象在每个子任务中的相容性特征以及每个子任务的表征向量的乘积，得到每个子任务的初始特征向量。
在一些实施例中，根据每个对象的表征向量以及该对象所执行的每个子任务的初始特征向量，得到每个对象的目标特征向量具体可以是，对象所执行的每个子任务的初始特征向量求和，得到每个对象的目标初始特征向量，并根据每个对象的表征向量和每个对象的目标初始特征向量得到每个对象的目标特征向量。其中，根据每个对象的表征向量和每个对象的目标初始特征向量得到每个对象的目标特征向量可以是将表征向量和目标初始特征向量的和向量作为目标特征向量，也可以是将表征向量与目标初始特征向量的向量积作为目标特征向量。
S107、根据每个对象的目标特征向量对多个对象进行排序，得到排序结果。
在一个可能实施方式中，电子设备根据每个对象的目标特征向量对多个对象进行排序，得到排序结果具体可以是，将多个对象构建为多个对象组合，并根据每个对象的目标特征向量确定多个对象组合中每个对象组合之间的差向量，按照每个对象组合之间的差向量对多个对象进行排序，得到排序结果。其中，对象组合为多个对象中的任意两个对象，即在多个对象中每两个对象组成一个对象组合。
可选的，电子设备根据每个对象组合之间的差向量对多个对象进行排序，得到排序结果可以是，根据每个对象组合之间的差向量，确定每个对象组合内的对象排序结果，并根据每个对象组合内的对象排序结果对多个对象进行排序，得到多个对象的排序结果。例如，多个对象包括对象1、对象2和对象3，构建得到的对象组合为组合1(对象1，对象2)、组合2(对象2，对象3)、组合3(对象1，对象3)，根据组合1中每个对象的目标特征向量确定组合1之间的差向量1，并根据该差向量1确定该组合1内的对象排序结果为对象2、对象1，根据组合2中每个对象的目标特征向量确定组合2之间的差向量2，并根据该差向量2确定该组合2内的对象排序结果为对象2、对象3，根据组合3中每个对象的目标特征向量确定组合3之间的差向量3，并根据差向量3确定该组合3内的对象排序结果为对象3、对象1，因此根据每个对象组合内的对象排序结果对多个对象进行排序，得到的多个对象的排序结果为对象2、对象3、对象1。
本申请实施例中，电子设备可以获取任务包括的各个子任务的执行时间偏差，根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据，获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对对象的任务执行分析信息，根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征，根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量，根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量，根据每个对象的目标特征向量对多个对象进行排序，得到排序结果。通过实施本申请实施例所提出的方法，可以生成包含对象以及对象相关联的任务的任务知识图谱，并结合任务知识图谱、对象以及任务对多个对象进行排序，可以使得排序时使用的数据较为全面，以及提高了针对对象的排序效率和所得到的排序结果的准确性。
请参见图2，图2为本申请实施例提供的一种对象排序方法的流程示意图，该方法可以由上述提及的电子设备执行。如图2所示，本申请实施例中对象排序方法的流程可以包括如下：
S201、获取任务包括的各个子任务的执行时间偏差。
在一些实施例中，电子设备可以根据子任务的实际执行时间和预期执行时间确定执行时间偏差，具体可以是，获取任务包括的各个子任务的实际执行时间和各个子任务的预期执行时间，计算各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值，根据各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值，确定各个子任务的执行时间偏差。其中，可以是各个子任务的实际执行时间和各个子任务的预期执行时间之间的差值作为将确定各个子任务的执行时间偏差。例如，子任务j的实际执行时间为DTj，预期执行时间为Tj，因此子任务j的执行时间偏差可以为diffj＝DTj-Tj。
S202、根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据。
在一个可能的实施方式中，以对象为员工为例，电子设备构建任务知识图谱的方式可以是，从企业信息中抽取多个企业员工，以及抽取与该多个企业员工关联的项目(任务)，以及抽取项目隶属的子项目(子任务)，根据员工之间的关系、员工与项目之间的关系，员工与子项目之间的关系，项目与子项目之间的关系，以及子项目之间的关系构建任务知识图谱，例如所构建的任务知识图谱可以如图3所示；其中，员工之间的关系可以用于指示员工之间的上下级关系，子项目之间的关系可以用于指示同一项目下的多个子项目的依赖关系。例如，项目包括子项目A、子项目B和子项目C，若需先完成子项目A才能完成子项目B，则子项目A是子项目B的前置子项目，即子项目A为子项目B依赖的子项目，以及若先完成子项目B才能完成子项目C，则子项目B是子项目C的前置子项目，子项目C的所有前置子项目为子项目A和子项目B，即子项目A和子项目B为子项目C依赖的子项目。
可选的，任务知识图谱中还可以融入组织架构，如员工所属部门等。可选的，电子设备可以从企业信息中获取实时项目信息或实时员工信息等，并对任务知识图谱进行实时更新，以使得可以提高根据该任务知识图谱得到的员工绩效排名的时效性。后续，电子设备可以结合融入了企业员工相关信息和项目相关信息的任务知识图谱以及员工参与的子项目的相关工作情况动态调整员工的绩效排名，可以提高对员工排序的效率和准确性。
在一个可能的实施方式中，电子设备根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据具体可以是，利用PageRank算法计算得到任务知识图谱中每个实体在任务知识图谱中的重要程度，并将每个对象的实体的重要程度作为重要程度数据。其中，利用PageRank算法计算得到任务知识图谱中每个实体在任务知识图谱中的重要程度具体可以是，根据任务知识图谱构建包含每个实体的连接关系的邻接矩阵，该邻接矩阵表示每个实体之间是否存在连接关系，以及连接关系指向的方向，设每个实体的初始重要程度为1，则根据该邻接矩阵生成包含每个实体的转移矩阵，即可以是将邻接矩阵中的每一行数值做归一化处理得到转移矩阵，该转移矩阵中每一行的值之和为1，根据转移矩阵构建针对每个实体的方程组，该方程组为多个关于实体的函数，可以通过该方程组求解得到每个实体的重要程度。
例如，如图4a-图4b所示，图4a-图4b为本申请实施例提供的一种确定重要程度数据的场景示意图，设图4a为任务知识图谱，包含的实体为①-⑥，根据任务知识图谱构建包含每个实体的连接关系的邻接矩阵可以参见图4b(1)，使用邻接矩阵的形式表述实体之间的连接关系，如矩阵[①][⑥]＝1表示从实体①到实体⑥有连接关系且由实体①指向实体⑥，设每个实体的初始重要程度为1，因此根据该邻接矩阵生成的转移矩阵可以参见图4b(2)，其中转移矩阵中每一行的值的总和＝1，根据转移矩阵构建的方程组可以参见图4b(3)，通过求解该方程组得到每个实体的重要程度，进而可以得到每个对象的重要程度数据。
S203、获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对对象的任务执行分析信息。其中，步骤S202-S203的具体实施方式可以参见步骤S102-S103的相关描述，此处不再赘述。
S204、根据执行数据和任务执行分析数据。
在一个可能的实施方式中，电子设备根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征具体可以是，对执行数据进行向量化处理，得到执行数据对应的第一特征向量，对任务执行分析数据进行向量化处理，得到任务执行分析数据对应的第二特征向量，将第一特征向量和第二特征向量输入分类模型，得到每个对象在对象执行的子任务中的相容性特征。其中，对执行数据进行向量化处理可以是将执行数据输入BERT(Bidirectional Encoder Representation from Transformers，模型器的双向编码器)模型，得到第一特征向量，对任务执行分析数据进行向量化处理可以是将任务执行分析数据输入BERT模型，得到第二特征向量。
可选的，该分类模型可以是sigmoid神经网络模型，因此对象i在子任务j中的相容性特征可以为：Compati j＝σ(rVi j,dVi j)＝σ(rVi j x M x dVi j)。其中，σ为sigmoid神经网络模型，M为该模型中的模型参数，具体可以是M为双线性参数矩阵，rVi j为对象i在子任务j中的执行数据对应的第一特征向量，dVi j为在子任务j中其他对象对对象i反馈的任务执行分析数据对应的第二特征向量。
S205、根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量。
在一个可能的实施方式中，电子设备根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量具体可以是，从任务知识图谱中获取每个对象的实体和各个子任务的实体，对每个对象的实体和各个子任务的实体分别进行向量表示，得到每个对象的词向量和各个子任务的词向量，对每个对象的词向量和各个子任务的词向量进行加权处理，得到每个对象的关系映射向量和各个子任务的关系映射向量，将每个对象的关系映射向量确定为每个对象的表征向量，并将各个子任务的关系映射向量确定为各个子任务的表征向量。其中，电子设备对每个对象的实体和各个子任务的实体分别进行向量表示可以是，预先建立向量字典，字典中存储了词向量与实体之间的对应关系，向量字典中实体的词义相近，则实体的词向量之间的距离也是相近的，因此可以基于向量字典对每个对象的实体和各个子任务的实体分别进行向量表示，或者，可以使用word2vec工具构建词向量模型，并对词向量模型进行训练，使得训练后的词向量模型可以输出每个实体对应的词向量，且词义越相近的实体对应的词向量距离越近，因此可以将每个对象的实体和各个子任务的实体分别输入至训练完成的词向量模型中，由词向量模型进行向量表示并输出每个对象的词向量和各个子任务的词向量；该词向量距离可以指向量间的汉明距离、欧式距离等。
在一些实施例中，电子设备对每个对象的词向量和各个子任务的词向量进行加权处理具体可以是，从任务知识图谱中确定对象与子任务之间的关系，获取该对象与子任务之间的关系对应的关系映射矩阵，利用关系映射矩阵分别对每个对象的词向量和各个子任务的词向量进行加权处理。其中，每个对象与所执行的子任务之间的关系相同，因此每个对象的词向量和各个子任务的词向量进行加权处理所使用的关系映射矩阵也相同。通过该关系对应的关系映射矩阵对每个对象的词向量和各个子任务的词向量进行加权处理可以理解为是将每个对象映射到关系所在的关系空间，以及将每个子任务映射到关系所在的关系空间。
可选的，电子设备可以通过翻译距离模型得到关系对应的关系映射矩阵。可选的，该翻译距离模型可以是TransR(Learning Entity and Relation Embeddings forKnowledge Graph Completion，实体和关系分开嵌入)模型，因此电子设备得到关系映射矩阵的具体方式可以是，对样本对象与样本子任务之间的样本关系进行向量表示，得到样本关系的样本词向量，并构建样本关系映射矩阵，利用样本关系映射矩阵对样本对象的样本词向量以及样本子任务和样本词向量进行加权处理，得到样本对象的样本表征向量以及样本子任务的样本表征向量，构建目标函数，根据目标函数并利用样本对象的样本表征向量、样本子任务的样本表征向量和样本关系的样本词向量对样本关系映射矩阵进行训练，得到上述对象与子任务之间的关系对应的关系映射矩阵；该样本对象与任务知识图谱中的对象可以相同也可以不同，样本子任务与任务知识图谱中的子任务可以相同也可以不同。即，目标函数可以为：
Figure BDA0003256709550000151
其中，h表示样本对象的样本词向量；r表示样本对象与样本子任务之间的样本关系的样本词向量；t表示样本子任务的样本词向量；hr＝hMr表示样本对象的样本表征向量；Mr表示样本关系映射矩阵，利用该Mr对h进行加权得到hr的过程即为将样本对象的样本词向量映射到样本关系对应的样本关系空间中；tr＝tMr表示样本子任务的样本表征向量；利用该Mr对t进行加权得到tr的过程即为将样本子任务的样本词向量映射到样本关系对应的样本关系空间中；因此训练目的为使得对象的表征向量与关系的词向量的和向量近似等于子任务的表征向量。
S206、根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量。
在一个可能的实施方式中，子任务可能会存在前置子任务，即具有依赖关系的子任务，当依赖的子任务的执行时间偏差较大时，可能会导致当前子任务的执行时间偏差较大，因此可以通过累加执行时间偏差来抵消依赖的子任务对当前子任务的执行时间偏差造成的影响。即电子设备根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量具体可以是，确定各个子任务依赖的子任务，将各个子任务的执行时间偏差以及各个子任务依赖的子任务的执行时间偏差之和，确定为各个子任务的累计执行时间偏差，根据累计执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量。其中，电子设备确定各个子任务依赖的子任务可以是从数据库中获取任务对应的执行记录，该执行记录中存储有子任务的执行环节，即表示一个任务下的各个子任务之间的关系；或者也可以是从任务知识图谱中根据各个子任务之间的连接关系获取各个子任务依赖的子任务。因此，各个子任务的累计执行时间偏差可以是为：
Figure BDA0003256709550000161
其中，TBj为子任务j的累计执行时间偏差，diffk表示子任务和该子任务依赖的子任务的执行时间偏差。
例如，设一个任务包含子任务1、子任务2、子任务3，子任务3为子任务2依赖的子任务，子任务3和子任务2为子任务1依赖的子任务，若子任务1的执行时间偏差为diff1，子任务2的执行时间偏差为diff2，子任务3的执行时间偏差为diff3，因此子任务1的累计执行时间偏差为TB1＝diff1+diff2+diff3，子任务2的累计执行时间偏差TB2＝diff2+diff3，子任务3的累计执行时间偏差为TB3＝diff3。
在一个可能的实施方式中，确定每个对象的目标特征向量的过程和原理相同，此处仅以确定一个对象的目标特征向量为例，进行说明；电子设备根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量具体可以是，确定目标对象所执行的所有目标子任务，根据目标对象在所有目标子任务中的每个子任务的累计执行时间偏差、重要程序数据和相容性特征，每个目标子任务的表征向量，确定每个目标子任务的初始特征向量，将每个目标子任务的初始特征向量以及目标对象的表征向量输入预设的神经网络模型，得到目标对象的目标特征向量；该目标对象为每个对象中的任一对象。
可选的，该预设的神经网络模型可以是transformer模型，因此目标对象i的目标特征向量eCi可以是：
Figure BDA0003256709550000171
其中，eVi表示目标对象i的表征向量；j∈J表示所有的目标子任务；TBj表示目标子任务j的累计执行时间偏差；pVi表示目标子任务j的表征向量；
Figure BDA0003256709550000173
表示目标对象i在目标子任务j中的重要程度数据，目标对象i在不同的目标子任务中的重要程度数据可以相同也可以不相同；
Figure BDA0003256709550000172
表示目标对象i在目标子任务j中的相容性特征。
S207、将多个对象构建为多个对象组合。其中，步骤S207的具体实施方式可以参见步骤S107的相关描述。
S208、根据每个对象的目标特征向量和多个对象组合中每个对象组合对多个对象进行排序，得到排序结果。
在一个可能的实施方式中，电子设备根据每个对象的目标特征向量和多个对象组合中每个对象组合对多个对象进行排序具体可以是，根据每个对象的目标特征向量确定多个对象组合中每个对象组合之间的差向量，按照每个对象组合之间的差向量对多个对象进行排序。其中，按照每个对象组合之间的差向量对多个对象进行排序具体可以是，按照每个对象组合之间的差向量，确定每个对象组合内的对象排序结果，并根据每个对象组合内的对象排序结果对多个对象进行排序。其中，按照每个对象组合之间的差向量，确定每个对象组合内的对象排序结果具体可以是，将每个对象组合之间的差向量输入分类模型，根据分类模型的输出结果确定每个对象组合内的对象排序结果。电子设备可以根据每个对象组合内的对象排序结果得到包含多个对象的排序结果。
可选的，分类模型可以为sigmoid神经网络模型。可以理解的是，此处的用于确定每个对象组合内的对象排序结果的分类模型与上述用于确定对象在执行的子任务中的相容性特征的分类模型可以不是同一个模型。
因此，设对象组合中对象u的目标特征向量eCu和对象v的目标特征向量eCv，则差向量为Wu,v＝σ(eCu-eCv)，若将Wu,v输入分类模型，得到的输出值大于0.5，则该对象组合内的对象排序结果表示对象u的排名ru大于对象v的排名rv，即ru>rv。
本申请实施例中，电子设备可以获取任务包括的各个子任务的执行时间偏差，根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据，获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对对象的任务执行分析信息，根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征，根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量，根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量，将多个对象构建为多个对象组合，根据每个对象的目标特征向量和多个对象组合中每个对象组合对多个对象进行排序，得到排序结果。通过实施本申请实施例所提出的方法，可以生成包含对象以及对象相关联的任务的任务知识图谱，并结合任务知识图谱、对象以及任务对多个对象进行排序，可以使得排序时使用的数据较为全面，以及提高了针对对象的排序效率和所得到的排序结果的准确性。
请参见图5，图5为本申请提供的一种对象排序装置的结构示意图。需要说明的是，图5所示的对象排序装置，用于执行本申请图1和图2所示实施例的方法，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示，经参照本申请图1和图2所示的实施例。该对象排序装置500可包括：获取模块501、确定模块502、排序模块503。其中：
获取模块501，用于获取任务包括的各个子任务的执行时间偏差；
确定模块502，用于根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
所述获取模块501，用于获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
所述确定模块502，用于根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
所述确定模块502，还用于根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
所述确定模块502，还用于根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
排序模块503，用于根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
在一个可能的实施方式中，所述确定模块502在用于根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量时，具体用于：
确定所述各个子任务依赖的子任务；
将所述各个子任务的执行时间偏差以及所述各个子任务依赖的子任务的执行时间偏差之和，确定为所述各个子任务的累计执行时间偏差；
根据所述累计执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量。
在一个可能的实施方式中，所述获取模块501在用于获取任务包括的各个子任务的执行时间偏差时，具体用于：
获取所述任务包括的各个子任务的实际执行时间和所述各个子任务的预期执行时间；
计算所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值；
将所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值确定为所述各个子任务的执行时间偏差。
在一个可能的实施方式中，所述确定模块502在用于根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征时，具体用于：
对所述执行数据进行向量化处理，得到所述执行数据对应的第一特征向量；
对所述任务执行分析数据进行向量化处理，得到所述任务执行分析数据对应的第二特征向量；
将所述第一特征向量和所述第二特征向量输入分类模型，得到所述每个对象在所述对象执行的子任务中的相容性特征。
在一个可能的实施方式中，所述确定模块502在用于根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量时，具体用于：
从所述任务知识图谱中获取所述每个对象的实体和所述各个子任务的实体；
对所述每个对象的实体和所述各个子任务的实体分别进行向量表示，得到所述每个对象的词向量和所述各个子任务的词向量；
对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，得到所述每个对象的关系映射向量和所述各个子任务的关系映射向量；
将所述每个对象的关系映射向量确定为所述每个对象的表征向量，并将所述各个子任务的关系映射向量确定为所述各个子任务的表征向量。
在一个可能的实施方式中，所述确定模块502在用于对所述每个对象的词向量和所述各个子任务的词向量进行加权处理时，具体用于：
从所述任务知识图谱中确定所述对象与所述子任务之间的关系；
获取所述对象与所述子任务之间的关系对应的关系映射矩阵；
利用所述关系映射矩阵对所述每个对象的词向量和所述各个子任务的词向量进行加权处理。
在一个可能的实施方式中，所述排序模块503在用于根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果时，具体用于：
将所述多个对象构建为多个对象组合；
根据所述每个对象的目标特征向量确定所述多个对象组合中每个对象组合之间的差向量；
按照所述每个对象组合之间的差向量对所述多个对象进行排序，得到排序结果。
本申请实施例中，获取模块获取任务包括的各个子任务的执行时间偏差；确定模块根据任务知识图谱确定任务关联的多个对象中每个对象的重要程度数据，该任务知识图谱包括每个对象的实体和各个子任务的实体；获取模块获取每个对象对对象执行的子任务的执行数据以及执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；确定模块根据执行数据和任务执行分析数据确定每个对象在对象执行的子任务中的相容性特征；确定模块根据任务知识图谱确定每个对象的表征向量和各个子任务的表征向量；确定模块根据执行时间偏差、重要程度数据、相容性特征、每个对象的表征向量和各个子任务的表征向量，确定每个对象的目标特征向量；排序模块根据每个对象的目标特征向量对多个对象进行排序，得到排序结果。通过实施本申请实施例所提出的装置，可以生成包含对象以及对象相关联的任务的任务知识图谱，并结合任务知识图谱、对象以及任务对多个对象进行排序，可以使得排序时使用的数据较为全面，以及提高了针对对象的排序效率和所得到的排序结果的准确性。
在本申请各个实施例中的各功能模块可以集成在一个模块中，也可以是各个模块单独物理存在，也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现，本申请不做限定。
请参见图6，图6为本申请实施例提供的一种电子设备的结构示意图。如图6所示，该电子设备600包括：至少一个处理器601、存储器602。可选的，该电子设备还可包括网络接口。其中，所述处理器601、存储器602以及网络接口之间可以交互数据，网络接口受所述处理器601的控制用于收发消息，存储器602用于存储计算机程序，所述计算机程序包括程序指令，处理器601用于执行存储器602存储的程序指令。其中，处理器601被配置用于调用所述程序指令执行上述方法。
所述存储器602可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器602也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，固态硬盘(solid-state drive，SSD)等；所述存储器602还可以包括上述种类的存储器的组合。
所述处理器601可以是中央处理器(central processing unit，CPU)。在一个实施例中，所述处理器601还可以是图形处理器(Graphics Processing Unit，GPU)。所述处理器601也可以是由CPU和GPU的组合。
在一个可能的实施方式中，所述存储器602用于存储程序指令，所述处理器601可以调用所述程序指令，执行以下步骤：
获取任务包括的各个子任务的执行时间偏差；
根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
在一个可能的实施方式中，所述处理器601在用于根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量时，具体用于：
确定所述各个子任务依赖的子任务；
将所述各个子任务的执行时间偏差以及所述各个子任务依赖的子任务的执行时间偏差之和，确定为所述各个子任务的累计执行时间偏差；
根据所述累计执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量。
在一个可能的实施方式中，所述处理器601在用于获取任务包括的各个子任务的执行时间偏差时，具体用于：
获取所述任务包括的各个子任务的实际执行时间和所述各个子任务的预期执行时间；
计算所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值；
将所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值确定为所述各个子任务的执行时间偏差。
在一个可能的实施方式中，所述处理器601在用于根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征时，具体用于：
对所述执行数据进行向量化处理，得到所述执行数据对应的第一特征向量；
对所述任务执行分析数据进行向量化处理，得到所述任务执行分析数据对应的第二特征向量；
将所述第一特征向量和所述第二特征向量输入分类模型，得到所述每个对象在所述对象执行的子任务中的相容性特征。
在一个可能的实施方式中，所述处理器601在用于根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量时，具体用于：
从所述任务知识图谱中获取所述每个对象的实体和所述各个子任务的实体；
对所述每个对象的实体和所述各个子任务的实体分别进行向量表示，得到所述每个对象的词向量和所述各个子任务的词向量；
对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，得到所述每个对象的关系映射向量和所述各个子任务的关系映射向量；
将所述每个对象的关系映射向量确定为所述每个对象的表征向量，并将所述各个子任务的关系映射向量确定为所述各个子任务的表征向量。
在一个可能的实施方式中，所述处理器601在用于对所述每个对象的词向量和所述各个子任务的词向量进行加权处理时，具体用于：
从所述任务知识图谱中确定所述对象与所述子任务之间的关系；
获取所述对象与所述子任务之间的关系对应的关系映射矩阵；
利用所述关系映射矩阵对所述每个对象的词向量和所述各个子任务的词向量进行加权处理。
在一个可能的实施方式中，所述处理器601在用于根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果时，具体用于：
将所述多个对象构建为多个对象组合；
根据所述每个对象的目标特征向量确定所述多个对象组合中每个对象组合之间的差向量；
按照所述每个对象组合之间的差向量对所述多个对象进行排序，得到排序结果。
具体实现中，本申请实施例中所描述的装置、处理器601、存储器602等可执行上述方法实施例所描述的实现方式，也可执行本申请实施例所描述的实现方式，在此不再赘述。
本申请实施例中还提供一种计算机(可读)存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，使所述处理器可执行上述方法实施例中所执行的部分或全部步骤。可选的，该计算机存储介质可以是易失性的，也可以是非易失性的。所述的计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在本文中提及的“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
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，所述的程序可存储于计算机存储介质中，该计算机存储介质可以为计算机可读存储介质，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所揭露的仅为本申请的部分实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。

Claims (10)

1.一种对象排序方法，其特征在于，所述方法包括：
获取任务包括的各个子任务的执行时间偏差；
根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量，包括：
确定所述各个子任务依赖的子任务；
将所述各个子任务的执行时间偏差以及所述各个子任务依赖的子任务的执行时间偏差之和，确定为所述各个子任务的累计执行时间偏差；
根据所述累计执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量。
3.根据权利要求1所述的方法，其特征在于，所述获取任务包括的各个子任务的执行时间偏差，包括：
获取所述任务包括的各个子任务的实际执行时间和所述各个子任务的预期执行时间；
计算所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值；
将所述各个子任务的实际执行时间和所述各个子任务的预期执行时间之间的差值确定为所述各个子任务的执行时间偏差。
4.根据权利要求1所述的方法，其特征在于，所述根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征，包括：
对所述执行数据进行向量化处理，得到所述执行数据对应的第一特征向量；
对所述任务执行分析数据进行向量化处理，得到所述任务执行分析数据对应的第二特征向量；
将所述第一特征向量和所述第二特征向量输入分类模型，得到所述每个对象在所述对象执行的子任务中的相容性特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量，包括：
从所述任务知识图谱中获取所述每个对象的实体和所述各个子任务的实体；
对所述每个对象的实体和所述各个子任务的实体分别进行向量表示，得到所述每个对象的词向量和所述各个子任务的词向量；
对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，得到所述每个对象的关系映射向量和所述各个子任务的关系映射向量；
将所述每个对象的关系映射向量确定为所述每个对象的表征向量，并将所述各个子任务的关系映射向量确定为所述各个子任务的表征向量。
6.根据权利要求5所述的方法，其特征在于，所述对所述每个对象的词向量和所述各个子任务的词向量进行加权处理，包括：
从所述任务知识图谱中确定所述对象与所述子任务之间的关系；
获取所述对象与所述子任务之间的关系对应的关系映射矩阵；
利用所述关系映射矩阵分别对所述每个对象的词向量和所述各个子任务的词向量进行加权处理。
7.根据权利要求1所述的方法，其特征在于，所述根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果，包括：
将所述多个对象构建为多个对象组合；
根据所述每个对象的目标特征向量确定所述多个对象组合中每个对象组合之间的差向量；
按照所述每个对象组合之间的差向量对所述多个对象进行排序，得到排序结果。
8.一种对象排序装置，其特征在于，所述装置包括：
获取模块，用于获取任务包括的各个子任务的执行时间偏差；
确定模块，用于根据任务知识图谱确定所述任务关联的多个对象中每个对象的重要程度数据；所述任务知识图谱包括所述每个对象的实体和所述各个子任务的实体；
所述获取模块，用于获取所述每个对象对所述对象执行的子任务的执行数据以及所述执行的子任务关联的其他对象反馈的对所述对象的任务执行分析信息；
所述确定模块，用于根据所述执行数据和所述任务执行分析数据确定所述每个对象在所述对象执行的子任务中的相容性特征；
所述确定模块，还用于根据所述任务知识图谱确定所述每个对象的表征向量和所述各个子任务的表征向量；
所述确定模块，还用于根据所述执行时间偏差、所述重要程度数据、所述相容性特征、所述每个对象的表征向量和所述各个子任务的表征向量，确定所述每个对象的目标特征向量；
排序模块，用于根据所述每个对象的目标特征向量对所述多个对象进行排序，得到排序结果。
9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN202111067106.XA 2021-09-10 2021-09-10 对象排序方法、相关设备及介质 Active CN113779116B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111067106.XA CN113779116B (zh) 2021-09-10 2021-09-10 对象排序方法、相关设备及介质
PCT/CN2022/071276 WO2023035526A1 (zh) 2021-09-10 2022-01-11 对象排序方法、相关设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111067106.XA CN113779116B (zh) 2021-09-10 2021-09-10 对象排序方法、相关设备及介质

Publications (2)

Publication Number Publication Date
CN113779116A true CN113779116A (zh) 2021-12-10
CN113779116B CN113779116B (zh) 2023-07-11

Family

ID=78842789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111067106.XA Active CN113779116B (zh) 2021-09-10 2021-09-10 对象排序方法、相关设备及介质

Country Status (2)

Country Link
CN (1) CN113779116B (zh)
WO (1) WO2023035526A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035526A1 (zh) * 2021-09-10 2023-03-16 平安科技（深圳）有限公司 对象排序方法、相关设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122111A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
CN109783608A (zh) * 2018-12-20 2019-05-21 出门问问信息科技有限公司 目标假设的确定方法、装置、可读存储介质和电子设备
US20190347511A1 (en) * 2018-05-08 2019-11-14 Ancestry.Com Operations Inc. Genealogy item ranking and recommendation
CN112115188A (zh) * 2020-11-20 2020-12-22 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
CN112948469A (zh) * 2021-04-16 2021-06-11 平安科技（深圳）有限公司 数据挖掘方法、装置、计算机设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10592806B1 (en) * 2013-12-20 2020-03-17 Massachusetts Mutual Life Insurance Company Management of the execution of collaborative projects
US10846644B2 (en) * 2017-09-15 2020-11-24 International Business Machines Corporation Cognitive process learning
CN111753198B (zh) * 2020-06-22 2024-01-12 北京百度网讯科技有限公司 信息推荐方法和装置、以及电子设备和可读存储介质
CN112784604A (zh) * 2021-02-08 2021-05-11 哈尔滨工业大学 一种基于实体边界网络的实体链接方法
CN113779116B (zh) * 2021-09-10 2023-07-11 平安科技（深圳）有限公司 对象排序方法、相关设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122111A1 (en) * 2017-10-24 2019-04-25 Nec Laboratories America, Inc. Adaptive Convolutional Neural Knowledge Graph Learning System Leveraging Entity Descriptions
US20190347511A1 (en) * 2018-05-08 2019-11-14 Ancestry.Com Operations Inc. Genealogy item ranking and recommendation
CN109783608A (zh) * 2018-12-20 2019-05-21 出门问问信息科技有限公司 目标假设的确定方法、装置、可读存储介质和电子设备
CN112115188A (zh) * 2020-11-20 2020-12-22 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
CN112948469A (zh) * 2021-04-16 2021-06-11 平安科技（深圳）有限公司 数据挖掘方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023035526A1 (zh) * 2021-09-10 2023-03-16 平安科技（深圳）有限公司 对象排序方法、相关设备及介质

Also Published As

Publication number Publication date
WO2023035526A1 (zh) 2023-03-16
CN113779116B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN110060144B (zh) 额度模型训练方法、额度评估方法、装置、设备及介质
CN109766454A (zh) 一种投资者分类方法、装置、设备及介质
CN111160658B (zh) 一种协同制造资源优配方法、系统和平台
CN113516417A (zh) 基于智能建模的业务评估方法、装置、电子设备及介质
CN112529477A (zh) 信用评估变量筛选方法、装置、计算机设备及存储介质
CN115423040A (zh) 互动营销平台的用户画像识别方法及ai系统
CN112950347B (zh) 资源数据处理的优化方法及装置、存储介质、终端
CN113779116B (zh) 对象排序方法、相关设备及介质
CN116737373A (zh) 负载均衡方法、装置、计算机设备、存储介质
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN115222112A (zh) 一种行为预测方法、行为预测模型的生成方法及电子设备
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN111291196B (zh) 知识图谱的完善方法及装置、数据处理方法及装置
CN114707835A (zh) 一种数据处理方法、装置、电子设备及计算机可读介质
CN114723239A (zh) 一种多方协同建模方法、装置、设备、介质及程序产品
CN114092216A (zh) 企业信贷评级方法、装置、计算机设备和存储介质
CN112948469A (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN112668703A (zh) 一种用户收入确定方法及装置
CN116383883B (zh) 一种基于大数据的数据管理权限处理方法及系统
CN117349344B (zh) 一种基于大数据的产品销售数据智能采集方法及系统
CN115640336B (zh) 业务大数据挖掘方法、系统及云平台
RU2702971C2 (ru) Автоматизированная информационная система поддержки принятия решений по формированию портфелей инвестиций на основе поиска и анализа эффективного множества решений
CN116703025A (zh) 一种潜在合作对象识别方法及相关装置
CN113313587A (zh) 基于人工智能的信用风险分析方法、装置、设备和介质

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