CN114066421A - 基于人工智能的任务催办方法、装置及电子设备 - Google Patents
基于人工智能的任务催办方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114066421A CN114066421A CN202111396732.3A CN202111396732A CN114066421A CN 114066421 A CN114066421 A CN 114066421A CN 202111396732 A CN202111396732 A CN 202111396732A CN 114066421 A CN114066421 A CN 114066421A
- Authority
- CN
- China
- Prior art keywords
- task
- handled
- information
- feature
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 154
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 description 23
- 230000006870 function Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000001737 promoting effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000003999 initiator Substances 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002618 waking effect Effects 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种基于人工智能的任务催办方法、装置及电子设备,包括:获取待办任务对应的任务数据;将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;根据所述目标聚类特征信息,确定所述待办任务的催办时长;确定所述待办任务当前的等待时长;若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。本申请实施例能够及时地对任务进行催办,提高任务完成效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的任务催办方法、装置及电子设备。
背景技术
通常,一个项目的执行过程中存在多个任务节点,每个任务节点的任务由不同的人员按照对应的时间节点执行。由于各个任务节点存在相互制约影响的关系,因此对每个任务节点的任务执行进行管理和监督显得十分重要。现有方式中,通常是通过人工的方式来督促任务的执行。然而,这种方式需要耗费较大的人力成本和沟通成本,导致任务的完成效率较低。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的任务催办方法、装置及电子设备,以解决现有技术中如何及时地对任务进行催办,以提高任务完成效率的问题。
本申请实施例的第一方面提供了一种基于人工智能的任务催办方法,包括:
获取待办任务对应的任务数据;
将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;
将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息;
根据所述目标聚类特征信息,确定所述待办任务的催办时长;
确定所述待办任务当前的等待时长;
若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
可选地,所述任务数据包括任务基本信息和任务备注信息,所述卷积神经网络模型包括第一特征提取网络层、第二特征提取网络层和注意力层,所述将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量,包括:
将所述任务基本信息输入所述第一特征提取网络层进行处理,得到所述任务基本信息对应的第一特征向量;
将所述任务备注信息输入所述第二特征提取网络层进行处理,得到所述任务备注信息对应的第二特征向量;
在所述注意力层中使用所述第二特征向量对所述第一特征向量进行注意力加权,得到任务特征向量。
可选地,所述催办时长包括首次催办时长和循环催办时长,所述若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息,包括:
若所述等待时长大于所述首次催办时长,则向所述待办任务对应的待办人员发送第一催办提醒信息;
每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息,直至所述待办任务结束。
可选地,在所述每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息之前,还包括:
获取所述待办人员的人员基本信息以及所述待办人员的企业通讯软件好友名单信息;
根据所述人员基本信息,确定所述待办人员的节点特征矩阵;
根据所述企业通讯软件好友名单信息,确定所述待办人员的邻接特征矩阵;
将所述待办人员的节点特征矩阵和邻接特征矩阵输入预设的人员关联模型中的图卷积网络进行处理,得到所述待办人员对应的人员融合特征向量;其中,所述图卷积网络根据预设的人员关系图训练得到;
根据所述人员融合特征向量,确定所述待办人员的关联人员。
可选地,所述方法还包括:
获取催办指令,根据所述催办指令向所述待办人员发送第三催办提醒信息。
可选地,所述待办任务为在预设审批流程的目标审批节点中的审批任务,所述预设审批流程存在对应的规定时长,所述待办任务当前的等待时长为所述待办任务当前在所述目标审批节点中等待审批的时长,所述根据目标聚类特征信息,确定所述待办任务的催办时长,包括:
确定所述预设审批流程到达所述目标审批节点时所述预设审批流程的已耗费时长;
若所述规定时长与所述已耗费时长的差值大于预警时长,则根据所述目标聚类特征信息,确定所述待办任务的催办时长。
可选地,所述确定所述待办任务当前的等待时长,包括:
获取所述待办任务的任务生成时间点;
确定所述待办任务的紧急级别;
根据所述待办任务的紧急级别,确定预设频率;其中,所述预设频率与所述紧急级别为正相关关系;
每隔所述预设频率,根据所述任务生成时间点计算所述待办任务当前的等待时长。
本申请实施例的第二方面提供了一种基于人工智能的任务催办装置,包括:
任务数据获取单元,用于获取待办任务对应的任务数据;
任务特征向量确定单元,用于将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;
目标聚类特征信息确定单元,用于将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息;
催办时长确定单元,用于根据所述目标聚类特征信息,确定所述待办任务的催办时长;
等待时长确定单元,用于确定所述待办任务当前的等待时长;
催办提醒单元,用于若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
本申请实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在电子设备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提供的基于人工智能的任务催办方法的各步骤。
本申请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提供的基于人工智能的任务催办方法的各步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面中任一项所述的基于人工智能的任务催办方法的步骤。
实施本申请实施例提供的基于人工智能的任务催办方法、装置、电子设备及计算机可读存储介质具有以下有益效果:本申请实施例中,根据待办任务的任务数据,生成该待办任务的任务特征向量后,通过自组织特征映射网络确定与该任务特征向量相匹配的目标聚类特征信息。由于聚类特征信息是根据各个历史任务对应的历史特征向量进行聚类处理得到的,因此该目标聚类特征信息能够准确地表示与待办任务较为相似的历史任务的特征信息,进而使得根据该目标聚类特征信息,能够参考历史任务数据(该历史任务数据包括历史任务的办理时长),准确地确定当前待办任务的催办时长,使得之后在确定待办任务当前的等待时长后,能够根据在该等待时长大于该催办时长时,及时准确地发送催办提醒信息,及时地对任务的执行进行管理和督促,以提高任务的完成效率。
附图说明
为了更清楚地说明本申请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是本申请实施例提供的一种基于人工智能的任务催办方法的实现流程图;
图2是本申请实施例提供的一种基于人工智能的任务催办装置的结构框图;
图3是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,一个项目的执行过程中存在多个任务节点,每个任务节点的任务由不同的人员按照对应的时间节点执行。由于各个任务节点存在相互制约影响的关系,因此对每个任务节点的任务执行进行管理和监督显得十分重要。现有方式中,通常是通过人工的方式来督促任务的执行。然而,这种方式需要耗费较大的人力成本和沟通成本,导致任务的完成效率较低。
为了解决上述的技术问题,本申请实施例提供了一种基于人工智能的任务催办方法、装置、电子设备及存储介质,包括:获取待办任务对应的任务数据;将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息;根据所述目标聚类特征信息,确定所述待办任务的催办时长;确定所述待办任务当前的等待时长;若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
由于聚类特征信息是根据各个历史任务对应的历史特征向量进行聚类处理得到的,因此该目标聚类特征信息能够准确地表示与待办任务较为相似的历史任务的特征信息,进而使得根据该目标聚类特征信息,能够参考历史任务数据(该历史任务数据包括历史任务的办理时长),准确地确定当前待办任务的催办时长,使得之后在确定待办任务当前的等待时长后,能够根据在该等待时长大于该催办时长时,及时准确地发送催办提醒信息,及时地对任务的执行进行管理和督促,以提高任务的完成效率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在一个实施例中,本申请实施例涉及的基于人工智能的任务催办方法可以应用于“金融+科技”的场景中。例如,在非标项目投资全流程管理过程中,需历经项目立项、尽职调查、合同制定、放款处理等多个流程节点的审批任务。为了提高审批时效,可以通过本申请实施例的基于人工智能的任务催办方法,对每个待办的审批任务进行催办,通过提高每个审批任务的执行效率,进而提高非标项目的完成效率,降低运营成本。并且,由于该任务催办方法能够自动准确地实现任务催办,相对于人为催办的方式,能够避免跨级别、跨部门沟通繁琐且效率较低的问题,减少沟通成本,提高任务催办效率。
在一个实施例中,本申请实施例涉及的基于人工智能的任务催办方法可以应用于智慧医疗场景中。例如,在医疗用品购置的审批流程中,可以通过本申请实施例的基于人工智能的任务催办方法,提高医疗用品的购置效率。
实施例一:
请参阅图1,图1示出了本申请实施例提供的一种基于人工智能的任务催办方法的实现流程图,该方法的执行主体为电子设备,该电子设备包括但不限于智能手机、平板电脑、笔记本、台式电脑等。如图1所示的基于人工智能的任务催办方法详述如下:
在S101中,获取待办任务对应的任务数据。
本申请实施例中,待办任务为当前待执行的任务,具体可以为完整的项目流程中一个待执行的节点任务。在一个实施例中,该项目流程为审批流程,该待执行任务为待审批任务。
本申请实施例中,待办任务对应的任务数据,包括但不限于待办任务所属的项目的名称、涉及的经费、任务发起时间、任务期望完成时间、任务发起者、任务管理者、任务审批路径、上一任务节点、下一任务节点等信息。
在S102中,将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量。
本申请实施例中,卷积神经网络模型为包含若干个卷积层和池化层的神经网络模型。在一个实施例中,该卷积网络模型可以依次包括卷积层Ⅰ、卷积层Ⅱ、卷积层Ⅲ、最大池化层(max pooling)、卷积层Ⅳ、平均池化层(mean pooling)、和全连接层,在各层卷积层中具体可以线性整流函数(Rectified Linear Unit,ReLU)作为激活函数。通过多层卷积结构,能够保证网络学习到更多的特征,从而提高任务特征向量的准确度。并且,由于能够结合最大池化层和平均池化层对中间提取的特征矩阵进行池化处理,因此能够降低矩阵维度,简化网络复杂度,减小计算量。
将任务数据输入卷积网络模型,经过卷积层的卷积处理和池化层的池化处理,得到待办任务对应的任务特征向量。
在S103中,将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息。
本申请实施例中,自组织特征映射网络(Self-Organizing Feature Mapping,SOFM)是一种竞争学习网络,该网络的出发点是模拟大脑皮层中具有自组织特征的神经信号传送过程,属于无监督学习的竞争型神经网络。具体地,该自组织特征映射网络包括输入层和竞争层,竞争层包括第一预设数目个神经元,竞争层中的每个有效的神经元均分别与一个任务聚类类型对应。该自组织特征映射网络的基本思想是竞争层各神经元竞争对输入数据响应的机会,最后仅有一个神经元成为竞争的胜者,该获胜的神经元即对应为当前输入数据的任务聚类类型。
该已训练的自组织特征映射网络提前根据各个历史任务对应的历史特征向量进行训练得到。每个历史任务对应的历史特征向量具体是提前将该历史任务对应的历史任务数据输入前述的卷积神经网络模型进行特征提取处理得到的。其中,历史任务数据包括该历史任务所属的项目的名称、涉及的经费、任务发起时间、任务期望完成时间、任务发起者、任务管理者、任务审批路径、上一任务节点、下一任务节点等信息中的任意一项或者多项,此外,该历史任务数据还包括该历史任务对应的办理时长信息。
该自组织特征映射网络基于各个历史任务特征向量进行训练的过程,即为对各个历史特征向量进行聚类处理的过程,当该自组织特征映射网络训练完毕时,即可得到第一预设数目个任务聚类类型,每个任务聚类类型对应一个聚类特征信息。该聚类特征信息可以为竞争层中,该任务聚类类型对应的神经元的权向量,该权向量具体可以根据属于该任务聚类类型的各个历史特征向量进行计算得到。在一个实施例中,该聚类特征信息可以根据属于该任务聚类类型的各个历史特征向量进行加权平均求得,即该聚类特征信息为基于被归为该任务聚类类型的各个历史特征向量计算得到的中心特征向量。
将步骤S102中的任务特征向量输入已训练的自组织特征映射网络,通过预设算法计算该任务特征向量与当前自组织特征映射网络的各个神经元的权向量的相似度。该预设算法可以为余弦相似度算法、欧氏距离算法、皮尔逊相关系数算法中的任意一项。之后,确定与该任务特征向量的相似度最高的权向量,该权向量对应的神经元即为获胜神经元,该获胜神经元所表示的任务聚类类型即为与当前的任务特征向量相匹配的聚类类型,将该权向量或者提前与该获胜神经元对应存储的聚类特征信息作为当前的目标聚类特征信息。
可选地,在步骤S101之前,还包括:
A1:初始化自组织特征映射网络的竞争层中各个神经元对应的归一化权向量Wj,以及初始化学习率φ;
A2:获取第二预设数目个历史任务数据,并依次将各个所述历史任务数据输入所述卷积神经网络模型进行特征提取处理,得到各个历史特征向量;
A3:将各个历史特征向量进行归一化处理后,得到第二预设数目个归一化的历史特征向量;
A4:依次从所述第二预设数目个归一化的历史特征向量中获取一个归一化的历史特征向量作为当前的样本数据;
A5:将所述样本数据输入所述自组织特征映射网络,在所述自组织特征映射网络的竞争层中确定归一化权向量与所述样本数据的相似度最大的神经元作为获胜神经元j;
A6:根据所述获胜神经元j,确定优胜邻域Nj(t),所述优胜邻域Nj(t)包含所述获胜神经元以及与所述获胜神经元的距离小于预设距离的其它神经元;
A7:对于所述优胜邻域Nj(t)中的每个神经元,根据所述神经元对应的归一化权向量与所述样本数据的误差,确定所述神经元更新后的归一化权向量;
A8:根据当前的训练时长和所述优胜邻域Nj(t)包含的神经元数目,确定更新后的学习率φ;
A9:若更新后的学习率φ的值小于预设阈值,则确定所述自组织特征映射网络训练完毕,得到已训练的自组织特征映射网络,此时所述自组织特征映射网络的竞争层中每个神经元对应的归一化权向量分别对应为一个任务聚类类型的聚类特征信息;否则,返回执行所述步骤A4。
通过以上步骤,能够准确地对自组织特征映射网络进行训练,基于各个历史任务特征向量得到每个任务聚类类型对应的聚类特征信息,得到已训练的自组织特征映射网络。
在S104中,根据所述目标聚类特征信息,确定所述待办任务的催办时长。
本申请实施例中,在确定与当前的任务特征向量相匹配的目标聚类特征信息之后,可以根据该目标聚类特征信息,确定该待办任务的催办时长。
在一个实施例中,在自组织特征映射网络训练完成时,对于每个任务聚类类型,根据属于该任务聚类类型的各个历史任务特征向量,解码得到各个历史任务特征向量对应的历史任务数据中包含的办理时长信息;根据各个办理时长信息,确定所述任务聚类类型对应的催办时长;将所述任务聚类类型对应的聚类特征信息和催办时长对应存储至映射表中。之后,在步骤A4中,根据所述目标聚类特征信息,在所述映射表中查找与该目标聚类特征信息对应存储的催办时长作为当前待办任务的催办时长。
在一些实施例中,根据各个办理时长信息,确定任务聚类类型对应的催办时长,包括:
根据各个历史任务特征向量与所述任务聚类类型的聚类中心向量的距离,确定各个历史任务的办理时长对应的权重参数;
基于各个历史任务的办理时长对应的权重参数,对各个历史任务的办理时长进行加权运算,得到所述任务聚类类型对应的催办时长。
在另一个实施例中,可以直接通过预设的解码器,对所述目标聚类特征信息进行解码处理,得到该目标聚类特征信息包含的办理时长信息。之后,根据该办理时长信息,确定该待办任务的催办时长。示例性地,该催办时长可以小于或者等于该办理时长。
在S105中,确定所述待办任务当前的等待时长。
本申请实施例中待办任务当前的等待时长,指的是从该待办任务生成的时间点至当前时间点的时长。示例性地,审批流程中当前审批节点接收到上一审批节点传递的审批指示的时间为待审批任务生成的时间点,该待审批任务生成的时间点至当前时间点的时长,即为该待审批任务当前的等待时长。
在一个实施例中,在该待办任务生成时,为该待办任务创建了对应的计时器,该计时器初始的时间为0,并实时进行计时。通过读取该待办任务对应的计时器中的时间数据,即可确定当前该待办任务的等待时长。
在S106中,若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
在确定了待办任务的等待时长后,根据该等待时长和步骤S104中确定的催办时长,判断当前的等待时长是否大于或者等于催办时长。若是,则向该待办任务对应的待办人员发送催办提醒信息。该催办提醒信息包括但不限于短信、邮件、微信消息、站内信等信息。
在一些实施例中,在待办任务完成后,还可以对该待办任务的完成时间和催办次数进行记录,以便后续进行大数据统计分析,实现项目流程的优化,。
本申请实施例中,根据待办任务的任务数据,生成该待办任务的任务特征向量后,通过自组织特征映射网络确定与该任务特征向量相匹配的目标聚类特征信息。由于聚类特征信息是根据各个历史任务对应的历史特征向量进行聚类处理得到的,因此该目标聚类特征信息能够准确地表示与待办任务较为相似的历史任务的特征信息,进而使得根据该目标聚类特征信息,能够参考历史任务数据(该历史任务数据包括历史任务的办理时长),准确地确定当前待办任务的催办时长,使得之后在确定待办任务当前的等待时长后,能够根据在该等待时长大于该催办时长时,及时准确地发送催办提醒信息,及时地对任务的执行进行管理和督促,以提高任务的完成效率。
可选地,所述任务数据包括任务基本信息和任务备注信息,所述卷积神经网络模型包括第一特征提取网络层、第二特征提取网络层和注意力层,所述将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量,包括:
将所述任务基本信息输入所述第一特征提取网络层进行处理,得到所述任务基本信息对应的第一特征向量;
将所述任务备注信息输入所述第二特征提取网络层进行处理,得到所述任务备注信息对应的第二特征向量;
在所述注意力层中使用所述第二特征向量对所述第一特征向量进行注意力加权,得到任务特征向量。
本申请实施例中,任务数据包括任务基本信息和任务备注信息。其中,任务基本信息为当前待办任务的基本信息,可以包括待办任务所属的项目的名称、该项目涉及的经费,以及包括系统自动记录的任务发起时间、任务期望完成时间、任务发起者、任务管理者、任务审批路径、上一任务节点、下一任务节点等信息。任务备注信息可以为任务发起者或者任务管理者在审批系统备注栏中填写的备注信息,例如可以为“该待办任务需要在本周内审批完成”、“该待办任务至少需要申请1万经费”等信息。任务备注信息具体是对任务基本信息中的某一项信息(完成时间、涉及金额)进行重点约束的信息。
本申请实施例中的卷积网络模型具体包括第一特征提取网络层、第二特征提取网络层和注意力层。第一特征提取网络层和第二特征提取网络层均包含若干个卷积层和池化层,注意力层具体包含隐藏层和注意力权重输出层。
具体地,在获取待办任务对应的任务数据后,将该任务数据输入卷积网络模型中。具体地,通过卷积网络模型中的第一特征提取网络层,对将该任务数据中的任务基本信息进行特征提取处理,得到该任务基本信息对应的第一特征向量。通过卷积网络模型中的第二特征提取网络层,对该任务数据中的任务备注信息进行特征提取处理,得到该任务备注信息对应的第二特征向量。
之后,在注意力层中,确定第一特征向量中每个元素相对于第二特征向量的注意力权重参数。具体地,对于第一特征向量中的每个元素,若该元素的信息在第二特征向量中出现的频次越高,则该元素对应的注意力权重参数的值越大。在确定第一特征向量中的每个元素对应的注意力权重参数后,基于该注意力权重参数对第一特征向量进行注意力加权运算,得到任务特征向量。
本申请实施例中,由于能够利用注意力层,基于任务备注信息对应的第二特征向量对任务基本信息对应的第一特征向量进行注意力加权,得到最终的任务特征向量,使得任务特征向量既包含了任务完整的基本信息特征,还在基本信息特征中重点突出了与任务备注信息相关的特征,因此提取到的任务特征向量更能够准确地表示当前待办任务的特征,进而提高任务管理的准确性。
可选地,所述催办时长包括首次催办时长和循环催办时长,所述若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息,包括:
若所述等待时长大于所述首次催办时长,则向所述待办任务对应的待办人员发送第一催办提醒信息;
每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息,直至所述待办任务结束。
本申请实施例中,根据目标聚类特征信息确定的催办时长具体包括首次催办时长和循环催办时长。其中,首次催办时长为第一次催促待办人员执行待办任务的时间点距离该待办任务生成时间点的时长。循环催办时长为循环催促待办人员执行待办任务的间隔时长,该循环催办时长通常小于上述的首次催办时长。例如,该首次催办时长可以为12小时,则该循环催办时长可以为6小时或者1小时等。
本申请实施例中的待办任务对应的待办人员为负责执行该待办任务的人员。当检测到待办任务的等待时长大于该预设的首次催办时长时,可以直接在当前时间或者未来最近的工作日向待办任务对应的待办人员发送第一催办提醒信息,从而完成对待办任务的第一次催办。
在向待办人员发送第一催办提醒信息之后,若该待办人员没有及时执行该待办任务,则每隔上述的循环催办时长,循环向待办人员发送第二催办提醒信息。该第二催办提醒信息可以与第一催办提醒信息相同,也可以比第一催办提醒信息的提醒强度更强。例如,该第一催办提醒信息可以为邮件或者站内信的形式,第二催办提醒信息可以为即时性更强的短信或者微信消息的形式。或者,该第一催办提醒信息和第二催办提醒信息所采用的消息媒介相同,例如都采用发送邮件的方式进行提醒,但第二催办提醒信息对应的邮件被标识为重要提醒文件,或者第二催办提醒信息对应的邮件中的文字高亮或者加粗显示等。
在每隔循环催办时长,向待办人员发出第二催办提醒的同时,逐级向该待办人员的关联人员发出督办提醒,以使关联人员根据该督办提醒督促该待办人员执行待办任务。
本申请实施例中,待办人员的关联人员可以为该待办人员的上级领导或者其他同事等与该待办人员具有工作交接或者督促关系的人员,可以包括与该待办人员具有直接管理关系的一级关联人员(例如组长),以及具有间接管理关系的二级关联人员(例如经理)、三级关联人员(例如总监)等。本申请实施例中,逐级向待办人员的关联人员发送督办提醒,指的是,在发出第一催办提醒之后间隔第一个循环催办时长,向该待办人员的一级关联人员发出督办提醒;之后若该待办任务仍未结束,则再间隔第二个循环催办时长向该待办人员的二级关联人员发出督办提醒;若存在三级或者以上的关联人员,则以此类推,在之后的循环催办时长逐次逐级向更高级的关联人员发送督办提醒信息。示例性地,该督办提醒可以通过发送短信、邮件、微信消息、站内信至前述的关联人员的方式来实现。
每隔预设的循环催办时长,自动循环执行上述向待办人员发出第二催办提醒以及逐级向待办人员的关联人员发出督办提醒的动作,直至该待办任务结束。该待办任务结束可以包括该待办任务已被待办人员执行完成,或者该待办任务被取消,或者该待办任务被关闭了自动催办功能。
本申请实施例中,由于能够在待办任务的等待时长大于首次催办时长时,自动向待办人员发送第一催办提醒信息,因此能够及时地提醒待办人员处理待办任务;并且,在发送第一催办提醒信息之后,能够每隔循环催办时长,向待办人员发送第二催办提醒信息,使得能够通过多次催促提醒来催促待办人员及时完成待办任务;同时,每隔预设的循环催办时长,还向待办人员的关联人员发送督办提醒,使得关联人员能够根据该督办提醒及时督促待办人员完成待办任务。因此,本申请实施例能够通过多次的催办提醒和逐级的督办提醒,及时地对任务的执行进行管理和督促,以提高任务的完成效率。
可选地,在所述每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息之前,还包括:
获取所述待办人员的人员基本信息以及所述待办人员的企业通讯软件好友名单信息;
根据所述人员基本信息,确定所述待办人员的节点特征矩阵;
根据所述企业通讯软件好友名单信息,确定所述待办人员的邻接特征矩阵;
将所述待办人员的节点特征矩阵和邻接特征矩阵输入预设的人员关联模型中的图卷积网络进行处理,得到所述待办人员对应的人员融合特征向量;其中,所述图卷积网络根据预设的人员关系图训练得到;
根据所述人员融合特征向量,确定所述待办人员的关联人员。
本申请实施例中,待办人员的人员基本信息包括但不限于该待办人员的姓名、工号、职位、紧急联系人等信息,可以从预存的人员数据库中查找获取该待办人员的人员数据。该待办人员的企业通讯软件好友名单信息可以从企业通讯软件中读取。
在获取到待办人员的人员基本信息后,可以通过预设的编码方式,或者通过预设的卷积神经网络,将该人员基本信息转化为矩阵形式的数据,将该矩阵形式的数据称为该待办人员的节点特征矩阵X。
在获取到该待办人员对应的企业通讯软件好友名单信息之后,可以根据该企业通讯软件好友名单信息,建立该待办人员与其好友的连接关系,基于该连接关系,生成对应的邻接矩阵A。
示例性地,设企业中的人员总数目为N,则企业的人员关系图中存在N个节点,邻接矩阵A为一个1×N维度的矩阵;若待办人员i和该企业中的任意一个其它人员j存在好友关系,则该邻接矩阵中Ai,j=1;若待办人员i和该企业中的任意一个其它人员j不存在好友关系,则该邻接矩阵中Ai,j=0。
在确定待办人员对应的节点特征矩阵X和邻接矩阵A后,通过预设的人员关联模型中的图卷积网络层对该节点特征矩阵X和邻接矩阵A进行图卷积处理,得到该待办人员对应的人员特征向量。具体地,该图卷积层根据预设的人员关系图训练得到,该人员关系图中的每个节点对应一个人员的人员基本信息,连接人员关系图中各个节点的边用于表示各个人员之间的关联关系。例如,对于一个人员甲,与其具有关联关系,在人员关系图中相互连接的人员可以包括与该人员甲处于同个部门的人员,或者与该人员甲具有上下级关系的人员,还可以为频繁通过企业通讯软件与人员甲进行交流的相关人员。
在一个实施例中,该图卷积层包含第一子图卷积层和第二子图卷积层。将节点特征矩阵X和邻接矩阵A输入第一子图卷积层中进行初步的图卷积处理,得到第一矩阵H1。第一图卷积层的处理可以用如下公式表示:
接着,再将第一矩阵H1输入第二子图卷积层再次进行图卷积处理,得到节点融合特征矩阵Z。第二子图卷积层的处理可以用如下公式表示:
其中,W1为经过学习训练确定的第二子图卷积层的权重参数。
在得到该待办人员对应的节点融合特征矩阵后,将该节点融合特征矩阵通过独热编码(One-Hot Encoding)转化为一维向量的形式,即得到人员特征融合向量。该人员特征融合向量即为融合了该待办人员的人员基本信息和企业通讯好友名单信息的特征向量。
在确定待办人员的人员融合特征向量后,通过节点相似度计算公式计算该待办人员i与其他人员j的节点相似度si,j;确定节点相似度si,j的值最高的前n个人员作为该待办人员对应的关联人员。其中,节点相似度计算公式可以为:
zi、zj分别为待办人员i对应的人员融合特征向量、其它任意人员j的人员融合特征向量。
本申请实施例中,由于能够通过图卷积网络准确地确定该待办人员对应的关联人员,以便后续准确地向关联人员发送督办提醒,从而及时有效地对待办人员的待办任务执行进行有效的管理,提高任务完成效率。
可选地,所述方法还包括:
获取催办指令,根据所述催办指令向所述待办人员发送第三催办提醒信息。
本申请实施例中,除了能够根据步骤S104确定的催办时长,自动向待办人员发送第一催办提醒、第二催办提醒外,还向任务申请人或者负责人提供手动催办功能,以便随时应对临时、特殊的紧急任务的催办场景。具体地,在待办任务生成之后,可以提供催办指令接收入口,当需要进行任务手动催办时,任务申请人或者负责人可以输入催办指令。电子设备在获取到该催办指令后,根据该催办指令,及时地向待办人员发送第三催办提醒信息。
在一个实施例中,该催办指令可附带催办原因信息;对应地,在获取到催办指令后,先验证该催办原因信息是否合法(例如是否与预存的允许催办原因信息相匹配),若合法,则向待办人员发送第三催办提醒信息,否则,忽略该催办指令,以避免非法催办。
本申请实施例中,由于除了根据催办时长自动进行任务催办外,还能够灵活地获取催办指令,根据实际需要随时向待办人员发送第三催办提醒信息,因此能够进一步提高任务催办的灵活性和及时性。
可选地,所述待办任务为在预设审批流程的目标审批节点中的审批任务,所述预设审批流程存在对应的规定时长,所述待办任务当前的等待时长为所述待办任务当前在所述目标审批节点中等待审批的时长,所述根据目标聚类特征信息,确定所述待办任务的催办时长,包括:
确定所述预设审批流程到达所述目标审批节点时所述预设审批流程的已耗费时长;
若所述规定时长与所述已耗费时长的差值大于预警时长,则根据所述目标聚类特征信息,确定所述待办任务的催办时长。
本申请实施例中,预设审批流程为包含多个审批节点的流程,目标审批节点为该预设审批流程中的任意一个审批节点。对于一个完整的预设审批流程,其存在对应的规定时长,该规定时长为提前规定的该预设审批流程所需耗费的时长的最大限值。
本申请实施例中,待办任务具体为前述目标审批节点中的审批任务。待办任务当前的等待时长具体为该审批任务当前在该目标审批节点中等待审批的时长。
在目标审批节点接到当前的待办任务时,获取该预设审批流程当前在该目标审批节点前的其它各个审批节点中耗费的时长作为该预设审批流程的已耗费时长。
本申请实施例中,预警时长为提前预设的一段时间长度,当规定时长与已耗费时长的差值小于或者等于该预警时长时,说明当前已耗费时长很快达到规定时长,此时需要及时进行预警,无需根据催办时长来确定催办时间,而是立即进行任务催办。当规定时长与已耗费时长的差值大于该预警时长时,说明当前已耗费时长与规定时长还有较大的距离,此时根据目标聚类特征信息,确定待办任务的催办时长,并根据该催办时长正常地进行后续地任务催办。
本申请实施例中,由于具体限定当规定时长与已耗费时长的差值大于预警时长时,再按照催办时长进行任务催办,因此能够进一步提高任务催办的及时性和准确性。
可选地,所述确定所述待办任务当前的等待时长,包括:
获取所述待办任务的任务生成时间点;
确定所述待办任务的紧急级别;
根据所述待办任务的紧急级别,确定预设频率;其中,所述预设频率与所述紧急级别为正相关关系;
每隔所述预设频率,根据所述任务生成时间点计算所述待办任务当前的等待时长。
本申请实施例中,电子设备会精确地记录每个待办任务生成的时间点作为该待办任务的任务生成时间点。
并且,在接收到待办任务后,确定该待办任务的紧急级别。在一个实施例中,该待办任务生成时携带该待办任务的紧急级别标识信息,根据该紧急级别标识信息,确定该待办任务的紧急级别。在另一个实施例中,可以获取待办任务的任务数据,根据任务数据中的任务发起时间、任务期望完成时间等信息,确定该待办任务的紧急级别。
在确定该待办任务的紧急级别后,根据该紧急级别,确定对应的预设频率。其中预设频率为计算等待时长的频率,该预设频率与紧急级别为正相关关系,该待办任务的紧急级别越高,则该预设频率越高。在一个实施例中,可以通过查询预存的紧急级别-计算频率映射数据表格,确定与当前的紧急级别对应存储的计算频率为当前的预设频率。在另一个实施例中,可以通过预设的正相关公式,计算当前紧急级别对应的预设频率。示例性地,设当前的紧急级别为L,则正相关公式可以为:L*k=F,其中k为大于0的正数,“*”为乘号,F为预设频率。
本申请实施例中,由于能够根据预设频率来计算一次等待时长,并且该预设频率与紧急级别成正相关关系,当在待办任务较紧急时,通过高频遍历(例如预设频率为1~5分钟/次)的方式,及时地计算当前的等待时长并与催办是层进行比较,因此能够实现近乎实时的催办效果,相对于计时器的方式,能够减少系统资源消耗。
实施例二:
图2示出了本申请实施例提供的一种基于人工智能的任务催办装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分:
该基于人工智能的任务催办装置包括:任务数据获取单元21、任务特征向量确定单元22、目标聚类特征信息确定单元23、催办时长确定单元24、等待时长确定25和催办提醒单元26。其中:
任务数据获取单元21,用于获取待办任务对应的任务数据。
任务特征向量确定单元22,用于将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量。
目标聚类特征信息确定单元23,用于将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息。
催办时长确定单元24,用于根据所述目标聚类特征信息,确定所述待办任务的催办时长。
等待时长确定单元25,用于确定所述待办任务当前的等待时长。
催办提醒单元26,用于若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
可选地,所述任务数据包括任务基本信息和任务备注信息,所述卷积神经网络模型包括第一特征提取网络层、第二特征提取网络层和注意力层,所述任务特征向量确定单元22,具体用于将所述任务基本信息输入所述第一特征提取网络层进行处理,得到所述任务基本信息对应的第一特征向量;将所述任务备注信息输入所述第二特征提取网络层进行处理,得到所述任务备注信息对应的第二特征向量;在所述注意力层中使用所述第二特征向量对所述第一特征向量进行注意力加权,得到任务特征向量。
可选地,所述催办时长包括首次催办时长和循环催办时长,所述催办提醒单元26,包括:
第一催办模块,用于若所述等待时长大于所述首次催办时长,则向所述待办任务对应的待办人员发送第一催办提醒信息;
第二催办模块,用于每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息,直至所述待办任务结束。
可选地,所述基于人工智能的任务催办装置,还包括:
关联人员确定单元,用于获取所述待办人员的人员基本信息以及所述待办人员的企业通讯软件好友名单信息;根据所述人员基本信息,确定所述待办人员的节点特征矩阵;根据所述企业通讯软件好友名单信息,确定所述待办人员的邻接特征矩阵;将所述待办人员的节点特征矩阵和邻接特征矩阵输入预设的人员关联模型中的图卷积网络进行处理,得到所述待办人员对应的人员融合特征向量;其中,所述图卷积网络根据预设的人员关系图训练得到;根据所述人员融合特征向量,确定所述待办人员的关联人员。
可选地,所述基于人工智能的任务催办装置,还包括:
催办指令获取单元,用于获取催办指令,根据所述催办指令向所述待办人员发送第三催办提醒信息。
可选地,所述待办任务为在预设审批流程的目标审批节点中的审批任务,所述预设审批流程存在对应的规定时长,所述待办任务当前的等待时长为所述待办任务当前在所述目标审批节点中等待审批的时长,所述催办时长确定单元24,具体用于确定所述预设审批流程到达所述目标审批节点时所述预设审批流程的已耗费时长;若所述规定时长与所述已耗费时长的差值大于预警时长,则根据所述目标聚类特征信息,确定所述待办任务的催办时长。
可选地,所述等待时长确定单元25,具体用于获取所述待办任务的任务生成时间点;确定所述待办任务的紧急级别;根据所述待办任务的紧急级别,确定预设频率;其中,所述预设频率与所述紧急级别为正相关关系;每隔所述预设频率,根据所述任务生成时间点计算所述待办任务当前的等待时长。
应当理解的是,图2示出的基于人工智能的任务催办装置的结构框图中,各单元用于执行图1对应的实施例中的各步骤,而对于图1对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图1以及图1所对应的实施例中的相关描述,此处不再赘述。
实施例三:
图3是本申请另一实施例提供的一种电子设备的结构框图。如图3所示,该实施例的电子设备30包括:处理器31、存储器32以及存储在所述存储器32中并可在所述处理器31上运行的计算机程序33,例如基于机器学习的设备维保单位评估方法的程序。处理器31执行所述计算机程序33时实现上述各个基于人工智能的任务催办方法各实施例中的步骤,例如图1所示的S101至S106。或者,所述处理器31执行所述计算机程序33时实现上述图2对应的实施例中各单元的功能,例如,图2所示的任务数据获取单元21至催办提醒单元26的功能,具体请参阅图2对应的实施例中的相关描述,此处不赘述。
示例性的,所述计算机程序33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32中,并由所述处理器31执行,以完成本申请。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33在所述电子设备30中的执行过程。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑等计算设备。所述电子设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是电子设备3的示例,并不构成对电子设备3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,例如所述电子设备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30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)、现场可编程门阵列(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31可以是所述电子设备3的内部存储单元,例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备,例如所述电子设备3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31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请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。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的任务催办方法,其特征在于,包括:
获取待办任务对应的任务数据;
将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;
将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息;
根据所述目标聚类特征信息,确定所述待办任务的催办时长;
确定所述待办任务当前的等待时长;
若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
2.如权利要求1所述的基于人工智能的任务催办方法,其特征在于,所述任务数据包括任务基本信息和任务备注信息,所述卷积神经网络模型包括第一特征提取网络层、第二特征提取网络层和注意力层,所述将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量,包括:
将所述任务基本信息输入所述第一特征提取网络层进行处理,得到所述任务基本信息对应的第一特征向量;
将所述任务备注信息输入所述第二特征提取网络层进行处理,得到所述任务备注信息对应的第二特征向量;
在所述注意力层中使用所述第二特征向量对所述第一特征向量进行注意力加权,得到任务特征向量。
3.如权利要求1所述的基于人工智能的任务催办方法,其特征在于,所述催办时长包括首次催办时长和循环催办时长,所述若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息,包括:
若所述等待时长大于所述首次催办时长,则向所述待办任务对应的待办人员发送第一催办提醒信息;
每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息,直至所述待办任务结束。
4.如权利要求3所述的基于人工智能的任务催办方法,其特征在于,在所述每隔所述循环催办时长,向所述待办人员发送第二催办提醒信息以及向所述待办人员的关联人员发送督办提醒信息之前,还包括:
获取所述待办人员的人员基本信息以及所述待办人员的企业通讯软件好友名单信息;
根据所述人员基本信息,确定所述待办人员的节点特征矩阵;
根据所述企业通讯软件好友名单信息,确定所述待办人员的邻接特征矩阵;
将所述待办人员的节点特征矩阵和邻接特征矩阵输入预设的人员关联模型中的图卷积网络进行处理,得到所述待办人员对应的人员融合特征向量;其中,所述图卷积网络根据预设的人员关系图训练得到;
根据所述人员融合特征向量,确定所述待办人员的关联人员。
5.如权利要求3所述的基于人工智能的任务催办方法,其特征在于,所述方法还包括:
获取催办指令,根据所述催办指令向所述待办人员发送第三催办提醒信息。
6.如权利要求1所述的基于人工智能的任务催办方法,其特征在于,所述待办任务为在预设审批流程的目标审批节点中的审批任务,所述预设审批流程存在对应的规定时长,所述待办任务当前的等待时长为所述待办任务当前在所述目标审批节点中等待审批的时长,所述根据所述目标聚类特征信息,确定所述待办任务的催办时长,包括:
确定所述预设审批流程到达所述目标审批节点时所述预设审批流程的已耗费时长;
若所述规定时长与所述已耗费时长的差值大于预警时长,则根据所述目标聚类特征信息,确定所述待办任务的催办时长。
7.如权利要求1至6任意一项所述的基于人工智能的任务催办方法,其特征在于,所述确定所述待办任务当前的等待时长,包括:
获取所述待办任务的任务生成时间点;
确定所述待办任务的紧急级别;
根据所述待办任务的紧急级别,确定预设频率;其中,所述预设频率与所述紧急级别为正相关关系;
每隔所述预设频率,根据所述任务生成时间点计算所述待办任务当前的等待时长。
8.一种基于人工智能的任务催办装置,其特征在于,包括:
任务数据获取单元,用于获取待办任务对应的任务数据;
任务特征向量确定单元,用于将所述任务数据输入卷积神经网络模型进行特征提取处理,得到所述待办任务对应的任务特征向量;
目标聚类特征信息确定单元,用于将所述任务特征向量输入已训练的自组织特征映射网络进行处理,确定所述任务特征向量对应的目标聚类特征信息;其中,所述目标聚类特征信息为与所述任务特征向量相匹配的聚类特征信息,所述聚类特征信息根据各个历史特征向量进行聚类处理得到,所述历史特征向量为历史任务对应的历史任务数据通过所述卷积神经网络模型进行特征提取处理得到的特征向量,所述历史任务数据包括所述历史任务的办理时长信息;
催办时长确定单元,用于根据所述目标聚类特征信息,确定所述待办任务的催办时长;
等待时长确定单元,用于确定所述待办任务当前的等待时长;
催办提醒单元,用于若所述等待时长大于或者等于所述催办时长,则发送催办提醒信息。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396732.3A CN114066421A (zh) | 2021-11-23 | 2021-11-23 | 基于人工智能的任务催办方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396732.3A CN114066421A (zh) | 2021-11-23 | 2021-11-23 | 基于人工智能的任务催办方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066421A true CN114066421A (zh) | 2022-02-18 |
Family
ID=80275580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396732.3A Pending CN114066421A (zh) | 2021-11-23 | 2021-11-23 | 基于人工智能的任务催办方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066421A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757534A (zh) * | 2022-04-14 | 2022-07-15 | 新疆品宣生物科技有限责任公司 | 一种智能考勤排班与考评方法、考勤排班装置和系统 |
CN114973619A (zh) * | 2022-05-27 | 2022-08-30 | 北京嘉联优控科技有限公司 | 工业仪表设备报警管理方法、装置、电子设备和存储介质 |
CN117151614A (zh) * | 2023-07-13 | 2023-12-01 | 华能信息技术有限公司 | 一种工作流中流程催办方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784481A (zh) * | 2017-08-30 | 2018-03-09 | 平安科技(深圳)有限公司 | 任务时效预警方法及装置 |
CN108322894A (zh) * | 2018-02-07 | 2018-07-24 | 深圳市梦网科技发展有限公司 | 一种消息通知方法及消息通知装置 |
CN110210731A (zh) * | 2019-05-20 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 提醒任务分配方法、装置、计算机设备和存储介质 |
CN112270531A (zh) * | 2020-10-30 | 2021-01-26 | 重庆紫光华山智安科技有限公司 | 事项通知方法、装置、服务器及存储介质 |
CN112800262A (zh) * | 2021-02-08 | 2021-05-14 | 苏州长嘴鱼软件有限公司 | 一种图像自组织聚类可视化方法及装置、存储介质 |
CN113099057A (zh) * | 2019-12-23 | 2021-07-09 | 中国电信股份有限公司 | 用户提醒方法、装置和计算机可读存储介质 |
-
2021
- 2021-11-23 CN CN202111396732.3A patent/CN114066421A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784481A (zh) * | 2017-08-30 | 2018-03-09 | 平安科技(深圳)有限公司 | 任务时效预警方法及装置 |
CN108322894A (zh) * | 2018-02-07 | 2018-07-24 | 深圳市梦网科技发展有限公司 | 一种消息通知方法及消息通知装置 |
CN110210731A (zh) * | 2019-05-20 | 2019-09-06 | 深圳壹账通智能科技有限公司 | 提醒任务分配方法、装置、计算机设备和存储介质 |
CN113099057A (zh) * | 2019-12-23 | 2021-07-09 | 中国电信股份有限公司 | 用户提醒方法、装置和计算机可读存储介质 |
CN112270531A (zh) * | 2020-10-30 | 2021-01-26 | 重庆紫光华山智安科技有限公司 | 事项通知方法、装置、服务器及存储介质 |
CN112800262A (zh) * | 2021-02-08 | 2021-05-14 | 苏州长嘴鱼软件有限公司 | 一种图像自组织聚类可视化方法及装置、存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757534A (zh) * | 2022-04-14 | 2022-07-15 | 新疆品宣生物科技有限责任公司 | 一种智能考勤排班与考评方法、考勤排班装置和系统 |
CN114973619A (zh) * | 2022-05-27 | 2022-08-30 | 北京嘉联优控科技有限公司 | 工业仪表设备报警管理方法、装置、电子设备和存储介质 |
CN114973619B (zh) * | 2022-05-27 | 2023-06-13 | 北京嘉联优控科技有限公司 | 工业仪表设备报警管理方法、装置、电子设备和存储介质 |
CN117151614A (zh) * | 2023-07-13 | 2023-12-01 | 华能信息技术有限公司 | 一种工作流中流程催办方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902222B (zh) | 一种推荐方法及装置 | |
CN114066421A (zh) | 基于人工智能的任务催办方法、装置及电子设备 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN110175850B (zh) | 一种交易信息的处理方法及装置 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN109657890A (zh) | 一种转账欺诈的风险确定方法及装置 | |
CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
CN109492104A (zh) | 意图分类模型的训练方法、分类方法、系统、设备和介质 | |
CN113706151A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN112328646A (zh) | 多任务课程推荐方法、装置、计算机设备及存储介质 | |
CN109242089B (zh) | 递进监督深度学习神经网络训练方法、系统、介质和设备 | |
CN112541579A (zh) | 模型训练方法、贫困程度信息识别方法、装置和存储介质 | |
CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
CN117522256A (zh) | 基于供应商画像的采购筛选方法、系统、存储介质及终端 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN111353728A (zh) | 一种风险分析方法和系统 | |
CN115938600A (zh) | 一种基于关联分析的心理健康状态预测方法与系统 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN116823264A (zh) | 风险识别方法、装置、电子设备、介质及程序产品 | |
CN114420307A (zh) | 基于人工智能的公共卫生事件登记方法、装置及电子设备 | |
CN113379247A (zh) | 企业安全隐患追踪模型的建模方法及系统 | |
CN111144935A (zh) | 基于大数据的睡眠会员唤醒方法及系统、服务器及介质 | |
CN113743695A (zh) | 基于大数据的国际工程项目投标报价风险管理方法 |
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 |