CN115390716A - 角标的配置方法、装置、计算机设备及存储介质 - Google Patents

角标的配置方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115390716A
CN115390716A CN202211010742.3A CN202211010742A CN115390716A CN 115390716 A CN115390716 A CN 115390716A CN 202211010742 A CN202211010742 A CN 202211010742A CN 115390716 A CN115390716 A CN 115390716A
Authority
CN
China
Prior art keywords
response time
target task
data
task
target
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
Application number
CN202211010742.3A
Other languages
English (en)
Inventor
赵克斌
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 Bank Co Ltd
Original Assignee
Ping An Bank 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 Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202211010742.3A priority Critical patent/CN115390716A/zh
Publication of CN115390716A publication Critical patent/CN115390716A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G06F3/0482—Interaction with lists of selectable items, e.g. menus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/957—Browsing optimisation, e.g. caching or content distillation
    • G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/546—Message passing systems or structures, e.g. queues
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请实施例提供了一种角标的配置方法、装置、计算机设备及存储介质，该方法获取目标用户的各个应用中的目标任务及对应的历史任务数据序列，根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间，获取目标任务对应的预设响应时间，根据用户响应时间和预设响应时间，确定目标任务的角标数据，按照角标数据配置目标任务的角标，实现了对不同目标任务的角标的配置，进而实现了对目标任务的关注度的客观准确的区分，使得目标用户基于各个目标任务的角标确定目标任务的优先级，增强了与用户的互动，有利于提高用户处理任务的效率，提升用户体验。

Description

角标的配置方法、装置、计算机设备及存储介质
技术领域
本申请涉及应用程序技术领域，具体涉及一种角标的配置方法、装置、计算机设备及存储介质。
背景技术
随着互联网的飞速发展，用户安装的应用越来越多，例如购物软件、邮箱等，为了提醒用户某个应用接收到了消息推送，通过位于应用图标右上角的角标进行提示，角标使得用户不需要点进去应用的内部就知道该应用的内部需要处理的任务数量，从而避免没有任务的情况下，依然需要点击进入应用内部再退出应用的无效操作。现有的角标显示都是系统自动设置的，同时又多个应用有消息推送时，每个应用的角标显示方式都是相同的，导致用户无法快速确定哪个或者哪些应用的任务是用户需要优先处理的，缺乏与用户的交互，降低了用户处理任务的效率。
发明内容
本申请实施例提供一种角标的配置方法、装置、计算机设备及存储介质，以解决每个应用的角标显示方式缺乏与用户的交互，导致的无法快速确定应用的任务处理的优先级，使得任务处理效率低下的技术问题。
一方面，本申请提供一种角标的配置方法，包括：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
一方面，本申请提供一种角标的配置装置，包括：
第一获取模块，用于获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
第一确定模块，用于根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
第二获取模块，用于获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
第二确定模块，用于根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
配置模块，用于按照所述角标数据配置所述目标任务的角标。
一方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下角标的配置方法中的步骤：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
一方面，本申请提供一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下角标的配置方法中的步骤：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
本申请实施例提供了一种角标的配置方法，获取目标用户的各个应用中的目标任务及对应的历史任务数据序列，根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间，获取目标任务对应的预设响应时间，根据用户响应时间和预设响应时间，确定目标任务的角标数据，按照角标数据配置目标任务的角标，实现了对不同目标任务的角标的配置，进而实现了对目标任务的关注度的客观准确的区分，使得目标用户基于各个目标任务的角标确定目标任务的优先级，增强了与用户的互动，有利于提高用户处理任务的效率，提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中角标的配置方法的应用场景示意图；
图2为一个实施例中角标的配置方法的流程图；
图3为一个实施例中角标的配置装置的结构框图；
图4为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的角标的配置方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
系统框架100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备和服务器之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本发明实施例所提供的角标的配置方法由服务器执行，相应地，角标的配置装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。
如图2所示，在一个实施例中，提供了一种角标的配置方法，该角标的配置方法既可以应用于终端，也可以应用于服务器，本实施例以应用于服务器举例说明。该角标的配置方法具体包括以下步骤：
步骤202，获取目标用户的各个应用中的目标任务及对应的历史任务数据序列。
其中，目标用户是指需要对应用的角标进行配置的一个用户，对于一个目标用户，其安装在客户端的应用有多个，每个应用对应一个任务，例如，邮箱应用对应的邮件处理任务。历史任务数据序列是指在历史时段内的各个时间点进行目标任务的响应时间。具体地，针对每个目标任务对应的历史任务数据序列，可以从服务器中存储的目标用户操作相应的应用生成的操作日志中获取到。可以理解地，本实施例中，针对单个目标用户，分析在历史时段内目标用户处理单个目标任务的历史任务数据序列，使得历史任务数据对于目标用户更具针对性，有利于提高后续角标的配置的个性化程度。
步骤204，根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间。
其中，用户响应时间是指目标用户处理目标任务的响应时间，更具体地，目标用户在接收到目标任务的角标到开始进行任务操作之间的时间，例如，用户A的邮件任务的用户响应时间为30分钟。
预设的响应时间预测规则是指预先设定的用于预测目标用户处理目标任务的响应时间的计算规则，该响应时间预测规则可以是基于数学建模的计算方法，例如，对历史任务数据序列进行均值计算，也可以是基于深度学习的神经网络模型的方法，例如，递归神经网络、卷积神经网络等。本实施例中，通过对目标任务对应的历史任务数据序列进行预测，实现了用户响应时间的预测和量化，提高目标任务对应的历史任务数据序的直观性，以便后续基于用户响应时间提高角标的配置效率。
可以理解地，本实施例中，从目标任务的维度对目标任务进行分析，相较于其他的维度，如任务类型等，对目标任务的分析更加真实合理，且简单快捷。
步骤206，获取目标任务对应的预设响应时间，预设响应时间是通过对预设的历史时段内，所有用户处理目标任务的响应时间，进行聚合计算得到。
其中，预设响应时间是指预先设置的用于衡量目标用户针对目标任务响应速度快慢的用户响应时间的临界值，例如，邮件任务的预设响应时间为50分钟。具体地，可以通过对预设历史时段内，平台上所有用户处理目标任务的响应时间进行聚合计算确定，其中的聚合计算可以是计算各个用户处理目标任务的响应时间的平均值、中位数等，例如，N个用户处理邮件任务的响应时间分别是T1，T2，……TN，预设响应时间T＝mean(T1，T2，……TN)，因此，目标任务对应的预设响应时间反映了所有用户处理目标任务的响应时间的统计值，相较于直接根据经验值确定的方式，更具有参考价值，以便后续基于预设响应时间对目标任务的用户响应时间进行更加客观准确的评估，提高后续角标数据配置的合理性和对于目标用户的针对性。
步骤208，根据用户响应时间和预设响应时间，确定目标任务的角标数据。
其中，角标数据是目标任务的角标元素，例如，角标的形状、颜色、位置等数据。具体地，通过比较用户响应时间和预设响应时间的大小，可以判断目标用户处理目标任务相对于大众来说，其响应速度的快慢，在判定目标用户处理目标任务的响应速度较快时，表明该目标任务对于目标用户来说是需要优先处理的，可以配置目标任务的角标数据，以便目标用户根据不同角标数据实现对目标用户自身对不同目标任务的关注度的区分，增强了与用户的交互。
在一个具体实施方式中，若目标用户的关注度区分为四种，如，重要紧急、紧急不重要、重要不紧急、不紧急不重要，预设响应时间包括，第一阈值、第二阈值和第三阈值，且第一阈值小于第二阈值，第二阈值小于第三阈值，确定目标任务的角标数据的过程如下：
S1：在客户端，目标用户可以自定义角标数据的设置规则，比如，角标数据中的角标形状为饼图，角标颜色为红色，表示目标任务重要紧急，即用户关注度较高，用户响应时间小于或等于第一阈值，角标颜色为黄色，表示目标任务紧急不重要，用户响应时间大于第一阈值且小于或等于第二阈值，角标颜色为黑色，表示目标任务重要不紧急，用户响应时间大于第二阈值且小于或等于第三阈值，绿色为不紧急也不重要表明用户关注度高，即用户响应时间小于预设响应时间，角标颜色为黑色，表明用户关注度低，即用户响应时间大于或等于第三阈值。
S2：服务器提供能满足客户端目标任务分类的数据过滤协议或者通过UI技术实现对角标数据的配置以区分不同目标任务的角标，例如利用jsp页面技术，在服务器针对每个目标任务(url功能)设置数据分类规则如http://xxxxx/xxx_function：以步骤S1中的角标数据的设置规则为例：
RED:$task.expireTime<1H&$task.amount>10000
YELLO:$task.expireTime<1H&$task.amount<10000
BLACK:$task.expireTime>1H&$task.amount>10000
GRAY:$task.expireTime>1H&$task.amount<10000
其中，$task.expireTime表示紧急程度，$task.expireTime<1H(小时)，表示为目标任务task紧急，$task.amount表示重要程度，$task.amount<10000(分值)，表示为目标任务task重要。
S3：设置url功能对应的数据读取方法是xxxTaskBean.queryData(default_args)，在系统加载菜单时，执行xxxTaskBean.queryData方法，获取任务数据；
S4：对获取的数据执行角标数据的设置规则，实现目标用户对目标任务关注度的的分类和区分。
值得说明的是，上述步骤S2、S3、S4使用ajax异步实现，以降低菜单加载时的速度损耗，提升用户体验。
步骤210，按照角标数据配置目标任务的角标。
具体地，在客户端上以角标数据配置目标任务的角标，从而实现对不同目标任务的角标的配置，进而实现了对目标任务的关注度的客观准确的区分，使得目标用户基于各个目标任务的角标确定目标任务的优先级，增强了与用户的互动，有利于提高用户处理任务的效率，提升用户体验。
上述角标的配置方法，通过获取目标用户的各个应用中的目标任务及对应的历史任务数据序列，根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间，获取目标任务对应的预设响应时间，根据用户响应时间和预设响应时间，确定目标任务的角标数据，按照角标数据配置目标任务的角标，实现了对不同目标任务的角标的配置，进而实现了对目标任务的关注度的客观准确的区分，使得目标用户基于各个目标任务的角标确定目标任务的优先级，增强了与用户的互动，有利于提高用户处理任务的效率，提升用户体验。
在一个实施例中，历史任务数据序列包括目标用户在历史时段中处理目标任务的多个响应时间；根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间，包括：采用孤立森林算法从历史任务数据序列中筛选出异常的响应时间，得到第一数据序列；对第一数据序列中的各个响应时间进行均值计算，得到用户响应时间。
其中，历史时段是指当前时刻之前的时段，例如，近半年的时段，处理同一目标任务40次，即历史任务数据序列包括40个响应时间。具体地，采用孤立森林算法(iForest，IsolationForest)从历史任务数据序列中识别出异常的响应时间，并进行剔除，生成第一序列，减少异常的响应时间的干扰，然后，对第一数据序列中的各个响应时间进行均值计算，如数学平均法或者移动平均法进行计算，作为本实施例的优选，采用移动平均法，以提高用户响应时间的准确性。
在一个实施例中，根据目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理目标任务的用户响应时间，包括：将历史任务数据序列输入已训练的时间预测模型进行预测，得到用户响应时间，时间预测模型是基于预设时间序列的神经网络训练得到。
其中，预设时间序列的神经网络包括但不限于是BP神经网络、长短期记忆循环神经网络(LSTM)、递归神经网络(RNN)等。由于已训练的时间预测模型是基于预设时间序列的神经网络训练得到的，从而学习了历史任务数据序列与用户响应时间之间的规律，通过将历史任务数据序列输入已训练的时间预测模型进行预测，提高了用户响应时间预测准确性。
在一个实施例中，在将历史任务数据序列输入已训练的时间预测模型进行预测，得到用户响应时间之前，还包括：将历史任务数据序列划分为多个子数据序列，生成样本数据序列；将样本数据序列作为预设时间序列的神经网络的输入，将用户响应时间作为期望的输出进行训练，得到已训练的时间预测模型。
具体地，从历史任务数据序列中选取预设数量的响应时间，作为一个子数据序列，随机选取一定数量的子数据序列，作为样本数据序列，针对每个子数据序列，采用均值计算的方法确定用户响应时间，也即预设时间序列的神经网络中的各个子数据序列对应的期望的输出，按照子数据序列作为输入，对应的用户响应时间作为输出，对预设时间序列的神经网络进行训练，其中的预设时间序列的神经网络可以是TPA-LSTM神经网络(时间注意力机制-长短期记忆神经网络)，其中的注意力网络能够对周期不明显的子数据序列实现较为准确的预测，提高了已训练的时间预测模型的泛化性，进而有利于提高用户响应时间预测的精准性。
在一个实施例中，角标数据包括角标的颜色、形状、位置和显示状态的组合及各自对应的颜色数据、形状数据、位置数据和状态数据，状态数据为动态显示或者静态显示；根据用户响应时间和预设响应时间，确定目标任务的角标数据，包括：计算用户响应时间与预设响应时间的差值；根据差值，从预设的差值区间与角标数据的对应关系表中确定角标的颜色数据、形状数据、位置数据和状态数据。
其中，颜色数据可以是红色、绿色、黑色或者渐变色等，形状数据可以是饼状、三角形、长方形等，位置数据可以是目标任务的图标的前、后、左、右等，状态数据可以是动态显示或静态显示等。预设的差值区间与角标数据的对应关系表是指预设存储在服务器中，记录了差值区间与角标数据对应关系的表格。具体地，用户响应时间与预设响应时间的差值越大，表明目标用户对目标任务的关注度较高，可以通过设置比较醒目的角标数据，用户响应时间与预设响应时间的差值越小(例如为负值)，表明目标用户对目标任务的关注度较低，可以通过设置比较常见的角标数据。本实施例中，通过计算用户响应时间与预设响应时间的差值，实现目标用户对目标任务的关注度高低的分析，计算简单便捷，且是基于反映目标用户对于目标任务的响应时间进行分析，使得目标用户对目标任务的关注度高低的分析更加客观。
在一个实施例中，按照角标数据配置目标任务的角标，包括：根据颜色数据对应的颜色及形状数据对应的形状确定目标任务的角标的配置颜色和配置形状；根据位置数据对应的位置确定目标任务的角标的配置位置；根据状态数据对应的确定目标任务的角标的显示方式；按照配置颜色和配置形状，在配置位置上以显示方式显示目标任务的角标。
具体地，可以采用UI界面技术，例如JSP页面技术，按照配置颜色和配置形状，在配置位置上动态或者静态地显示目标任务的角标，实现对角标的高效多维度的配置。
在一个实施例中，在按照配置颜色和配置形状，在配置位置上以显示方式显示目标任务的角标之后，还包括：若在第一预设时间段内，目标任务对应的应用处于离线状态，则发送提醒信息，其中，第一预设时间段大于目标任务对应的预设响应时间；若在第二预设时间段内，目标任务对应的应用处于在线状态，则记录处理目标任务的响应时间，其中，第二预设时间段小于或者等于目标任务对应的预设响应时间。
其中，第一预设时间段可以根据实际需求进行设定，需要说明的是，该第一预设时间段是指目标任务的用户响应时间的最长时间，例如，可以设置60分钟，对于邮件任务对应的邮箱应用，若60分钟内未被处理，则发送提醒信息，提醒用户及时处理该邮箱的应用程序。第二预设时间段是指目标任务的用户响应时间的最短时间，可以设置20分钟，对于邮件任务对应的邮箱应用，若20分钟内已被处理，则记录处理目标任务的响应时间，并将记录的响应时间作为历史任务数据序列中的一个响应时间进行保存，实现对历史任务数据序列的更新，以便进一步提高历史任务数据序列的全面性和准确性。
如图3所示，在一个实施例中，提出了一种角标的配置装置，包括：
第一获取模块302，用于获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
第一确定模块304，用于根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
第二获取模块306，用于获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
第二确定模块308，用于根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
配置模块310，用于按照所述角标数据配置所述目标任务的角标。
在一个实施例中，所述历史任务数据序列包括所述目标用户在历史时段中处理所述目标任务的多个响应时间；第一确定模块包括：
筛选单元，用于采用孤立森林算法从所述历史任务数据序列中筛选出异常的响应时间，得到第一数据序列；
第一计算单元，用于对所述第一数据序列中的各个所述响应时间进行均值计算，得到所述用户响应时间。
在一个实施例中，第一确定模块包括：预测单元，用于将所述历史任务数据序列输入已训练的时间预测模型进行预测，得到所述用户响应时间，所述时间预测模型是基于预设时间序列的神经网络训练得到。
在一个实施例中，该角标的配置装置还包括：
划分模块，用于将所述历史任务数据序列划分为多个子数据序列，生成样本数据序列；
训练模块，用于将所述样本数据序列作为所述预设时间序列的神经网络的输入，将所述用户响应时间作为期望的输出进行训练，得到所述已训练的时间预测模型。
在一个实施例中，所述角标数据包括角标的颜色、形状、位置和显示状态的组合及各自对应的颜色数据、形状数据、位置数据和状态数据，所述状态数据为动态显示或者静态显示；第一确定模块包括：
第二计算单元，用于计算所述用户响应时间与所述预设响应时间的差值；
第一确定单元，用于根据所述差值，从预设的差值区间与角标数据的对应关系表中确定所述角标的颜色数据、形状数据、位置数据和状态数据。
在一个实施例中，配置模块包括：
第二确定单元，用于根据所述颜色数据对应的颜色及所述形状数据对应的形状确定所述目标任务的角标的配置颜色和配置形状；
第三确定单元，用于根据所述位置数据对应的位置确定所述目标任务的角标的配置位置；
第四确定单元，用于根据所述状态数据对应的确定所述目标任务的角标的显示方式；
配置单元，用于按照所述配置颜色和所述配置形状，在所述配置位置上以所述显示方式显示所述目标任务的角标。
在一个实施例中，该角标的配置装置还包括：
提醒模块，用于若在第一预设时间段内，所述目标任务对应的应用处于离线状态，则发送提醒信息，其中，所述第一预设时间段大于所述目标任务对应的所述预设响应时间；
记录模块，用于若在第二预设时间段内，所述目标任务对应的应用处于在线状态，则记录处理所述目标任务的响应时间，其中，所述第二预设时间段小于或者等于所述目标任务对应的所述预设响应时间。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器，所述服务器包括但不限于高性能计算机和高性能计算机集群。如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现角标的配置方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行角标的配置方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的角标的配置方法可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。计算机设备的存储器中可存储组成角标的配置装置的各个程序模板。比如，第一获取模块302，第一确定模块304，第二获取模块306，第二确定模块308，配置模块310。
一种计算机设备，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，所述处理器执行所述计算机程序时实现如下角标的配置方法中的步骤：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
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如下角标的配置方法中的步骤：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
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一非易失性计算机可读取存储介质中，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，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种角标的配置方法，其特征在于，包括：
获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
按照所述角标数据配置所述目标任务的角标。
2.如权利要求1所述的角标的配置方法，其特征在于，所述历史任务数据序列包括所述目标用户在历史时段中处理所述目标任务的多个响应时间；
所述根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间，包括：
采用孤立森林算法从所述历史任务数据序列中筛选出异常的响应时间，得到第一数据序列；
对所述第一数据序列中的各个所述响应时间进行均值计算，得到所述用户响应时间。
3.如权利要求2所述的角标的配置方法，其特征在于，所述根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间，包括：
将所述历史任务数据序列输入已训练的时间预测模型进行预测，得到所述用户响应时间，所述时间预测模型是基于预设时间序列的神经网络训练得到。
4.如权利要求3所述的角标的配置方法，其特征在于，在将所述历史任务数据序列输入已训练的时间预测模型进行预测，得到所述用户响应时间之前，还包括：
将所述历史任务数据序列划分为多个子数据序列，生成样本数据序列；
将所述样本数据序列作为所述预设时间序列的神经网络的输入，将所述用户响应时间作为期望的输出进行训练，得到所述已训练的时间预测模型。
5.如权利要求1所述的角标的配置方法，其特征在于，所述角标数据包括角标的颜色、形状、位置和显示状态的组合及各自对应的颜色数据、形状数据、位置数据和状态数据，所述状态数据为动态显示或者静态显示；
所述根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据，包括：
计算所述用户响应时间与所述预设响应时间的差值；
根据所述差值，从预设的差值区间与角标数据的对应关系表中确定所述角标的颜色数据、形状数据、位置数据和状态数据。
6.如权利要求5所述的角标的配置方法，其特征在于，所述按照所述角标数据配置所述目标任务的角标，包括：
根据所述颜色数据对应的颜色及所述形状数据对应的形状确定所述目标任务的角标的配置颜色和配置形状；
根据所述位置数据对应的位置确定所述目标任务的角标的配置位置；
根据所述状态数据对应的确定所述目标任务的角标的显示方式；
按照所述配置颜色和所述配置形状，在所述配置位置上以所述显示方式显示所述目标任务的角标。
7.如权利要求1-6任一项所述的角标的配置方法，其特征在于，在按照所述配置颜色和所述配置形状，在所述配置位置上以所述显示方式显示所述目标任务的角标之后，还包括：
若在第一预设时间段内，所述目标任务对应的应用处于离线状态，则发送提醒信息，其中，所述第一预设时间段大于所述目标任务对应的所述预设响应时间；
若在第二预设时间段内，所述目标任务对应的应用处于在线状态，则记录处理所述目标任务的响应时间，其中，所述第二预设时间段小于或者等于所述目标任务对应的所述预设响应时间。
8.一种角标的配置装置，其特征在于，包括：
第一获取模块，用于获取目标用户的各个应用中的目标任务及对应的历史任务数据序列；
第一确定模块，用于根据所述目标任务及对应的历史任务数据序列，采用预设的响应时间预测规则确定处理所述目标任务的用户响应时间；
第二获取模块，用于获取所述目标任务对应的预设响应时间，所述预设响应时间是通过对预设的历史时段内，所有用户处理所述目标任务的响应时间，进行聚合计算得到；
第二确定模块，用于根据所述用户响应时间和所述预设响应时间，确定所述目标任务的角标数据；
配置模块，用于按照所述角标数据配置所述目标任务的角标。
9.一种计算机设备，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任一项所述角标的配置方法的步骤。
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任一项所述角标的配置方法的步骤。
CN202211010742.3A 2022-08-23 2022-08-23 角标的配置方法、装置、计算机设备及存储介质 Pending CN115390716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211010742.3A CN115390716A (zh) 2022-08-23 2022-08-23 角标的配置方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211010742.3A CN115390716A (zh) 2022-08-23 2022-08-23 角标的配置方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN115390716A true CN115390716A (zh) 2022-11-25

Family

ID=84121506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211010742.3A Pending CN115390716A (zh) 2022-08-23 2022-08-23 角标的配置方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115390716A (zh)

Similar Documents

Publication Publication Date Title
US20210357771A1 (en) Natural language virtual assistant
CN109684047A (zh) 事件处理方法、装置、设备和计算机存储介质
US10379717B2 (en) Device based visualization and analysis of multivariate data
WO2018057203A1 (en) Notifications of action items in messages
WO2018005028A1 (en) Notifications based on user interactions with emails
CN111061956A (zh) 用于生成信息的方法和装置
CN113743607A (zh) 异常检测模型的训练方法、异常检测方法及装置
CN111400126A (zh) 网络服务异常数据检测方法、装置、设备和介质
CN111311014B (zh) 业务数据处理方法、装置、计算机设备和存储介质
CN113506023A (zh) 工作行为数据分析方法、装置、设备及存储介质
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN112948223A (zh) 一种监测运行情况的方法和装置
CN110619541A (zh) 应用程序管理方法、装置、计算机设备及存储介质
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN115390716A (zh) 角标的配置方法、装置、计算机设备及存储介质
CN115712422A (zh) 表单页面的生成方法、装置、计算机设备及存储介质
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN112765453A (zh) 内容推荐方法、装置、计算机设备和存储介质
CN113297358A (zh) 数据处理方法、装置、服务器和计算机可读存储介质
CN111309706A (zh) 模型训练方法、装置、可读存储介质及电子设备
CN112764957A (zh) 应用故障定界方法及装置
CN115390711A (zh) 未读消息角标的显示方法、装置、计算机设备及存储介质
CN114944962B (zh) 一种数据安全防护方法及系统
CN115314404B (zh) 服务优化方法、装置、计算机设备及存储介质
CN110874612B (zh) 时段预测方法、装置、计算机设备和存储介质

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