CN115471121A - 一种针对任务的用户匹配方法、设备及介质 - Google Patents
一种针对任务的用户匹配方法、设备及介质 Download PDFInfo
- Publication number
- CN115471121A CN115471121A CN202211232632.1A CN202211232632A CN115471121A CN 115471121 A CN115471121 A CN 115471121A CN 202211232632 A CN202211232632 A CN 202211232632A CN 115471121 A CN115471121 A CN 115471121A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- matrix
- demand
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种针对任务的用户匹配方法、设备及介质,方法包括:根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;根据所述最优用户匹配组合,对所述任务进行分配。更加合理为任务分配用户,提高了任务与用户之间的匹配效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种针对任务的用户匹配方法、设备及介质。
背景技术
在每个业务领域中,比如,软件开发的应用场景,通常存在需要多人协作的项目,而管理人员则通常需要将各自的任务分配至团队的用户。由于各个用户各自的工作经历和专注领域不同,管理员如何灵活有效地为处理用户进行人工分配的方式分配任务成为众多公司关注的问题。
目前,通常任务需求的分解分配与用户的匹配往往是指派性的,管理人员根据用户的历史经验分配任务需求,但是,该方法对管理人员的依赖度较高,且会带有一定的主观性,在管理人员出现分配差错时,将影响项目的进展,导致无法合理的去分配任务与用户,且任务与用户之间的匹配效率低。
发明内容
本申请实施例提供一种针对任务的用户匹配方法、设备及介质,用于解决无法合理的去分配任务与用户,且任务与用户之间的匹配效率低的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种针对任务的用户匹配方法,该方法包括:根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;根据所述最优用户匹配组合,对所述任务进行分配。
一个示例中,所述将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的用户匹配组合,具体包括:将所述任务需求矩阵与所述用户经验矩阵输入预先构建的遗传算法,生成所述遗传算法的初始化种群;根据预设适应度函数,确定所述初始化种群中每个初始化用户的适应度值;根据所述适应度值,对所述初始化种群进行迭代,生成新一代种群;判断当前迭代次数是否大于预设迭代次数,若是,则将所述新一代种群的最优用户匹配组合,确定为所述任务的最优用户匹配组合。
一个示例中,所述根据所述适应度值,对所述初始化种群进行迭代,生成新一代种群,具体包括:根据所述适应度值与预设选择遗传规则,对所述每个初始化用户进行选择处理,确定选择用户集合;根据预设交叉遗传规则,对所述选择用户集合中的每个用户进行交叉处理,得到交叉用户集合;根据预设变异遗传规则,对所述交叉用户集合中的每个用户进行变异处理,确定目标用户集合,将所述目标用户集合作为所述初始化种群的最优用户匹配组合,在所述当前迭代次数小于预设迭代次数时,返回计算所述所述初始化种群中每个初始化用户的适应度值的步骤,以生成新一代种群。
一个示例中,所述根据预设规则,对待分配的任务进行分解,确定所述任务的需求清单之后,所述方法还包括:构建任务执行结果的评价标准;所述评价标准用于检测所述目标用户集合在执行所述任务时,是否满足所述需求清单;所述根据预设交叉遗传规则,对所述选择用户集合中的每个用户进行交叉处理,得到交叉用户集合,具体包括:根据预设交叉遗传规则,对所述选择用户集合中的每个用户进行交叉处理,得到初始交叉用户集合;判断所述初始交叉用户集合中的每个用户是否满足所述评价标准;根据满足所述评价标准的每个用户,确定交叉用户集合。
一个示例中,所述根据预设交叉遗传规则,对所述选择用户集合中的每个用户进行交叉处理,得到初始交叉用户集合,具体包括:根据所述任务需求矩阵,对选择用户集合矩阵的整体进行交叉运算,得到初始交叉用户集合;或根据所述任务需求矩阵,对选择用户集合矩阵的每一行进行交叉运算,得到初始交叉用户集合。
一个示例中,所述将所述任务需求矩阵与所述用户经验矩阵输入预先构建的遗传算法,生成所述遗传算法的初始化种群,具体包括:将所述任务需求矩阵与所述用户经验矩阵进行随机排列组合,生成所述生成所述遗传算法的初始化种群;或根据预设初始化组合规则,将所述任务需求矩阵与所述用户经验矩阵进行排列组合,生成所述遗传算法的初始化种群。
一个示例中,所述根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵,具体包括:获取每个用户的历史任务数据;根据预设用户经验维度,对所述历史任务数据进行特征化处理,得到所述每个用户在所述预设用户经验维度下的评价信息;根据所述评价信息,生成所述每个用户的用户经验矩阵。
一个示例中,所述预设用户经验维度包括任务类型、任务关键需求点、任务持续时间、任务参与人员数量、用户擅长技能、任务完成效果中的至少一种;所述任务需求维度包括需求完成时间、所需的技能要求、需求关键特征点、需求类型、最大允许人员参与数量中的至少一种。
另一方面,本申请实施例提供了一种针对任务的用户匹配设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;根据所述最优用户匹配组合,对所述任务进行分配。
另一方面,本申请实施例提供了一种针对任务的用户匹配非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;根据所述最优用户匹配组合,对所述任务进行分配。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过构建每个用户的用户经验矩阵与任务需求矩阵,能够将用户经验与任务需求模型化,可以更好地用科学化的方法进行决策,利用遗传算法每代最优选择的特点,将任务需求矩阵与用户经验矩阵进行遗传算法选择,得到任务的最优用户匹配组合,能够自动近似的排列出任务需求与用户的一种最优组合方案,更合理的去分配任务与用户,减少管理人员评审、决策的时间成本,提高任务与用户之间的匹配效率。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种针对任务的用户匹配方法的流程示意图;
图2为本申请实施例提供的一种用户经验矩阵的示意图;
图3为本申请实施例提供的一种针对任务的用户匹配设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种针对任务的用户匹配方法的流程示意图。该方法可以应用于不同的业务领域,比如,互联网金融业务领域、电商业务领域、即时通讯业务领域、游戏业务领域、公务业务领域等。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图1中的流程可以包括以下步骤:
S102:根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵。
在本申请的一些实施例中,需要首先进行用户经验数据特征标记。
具体地,首先获取每个用户的历史任务数据,比如,获取团队中每个用户的历史任务数据。然后,根据预设用户经验维度,对历史任务数据进行特征化处理,得到每个用户在预设用户经验维度下的评价信息,最后,根据评价信息,生成每个用户的用户经验矩阵。比如,每个用户会形成一个包含M行N列的用户经验矩阵,并依次完成所有人的数字化矩阵排列。把形成的用户经验矩阵存储到持久化容器中。
其中,比如,预设用户经验维度包括任务类型、任务关键需求点、任务持续时间、任务参与人员数量、用户擅长技能、任务完成效果等。需要说明的是,任务关键需求点需要有专门的字典进行维护,内容为需求描述与数字映射关系。比如,需求描述为用户擅长技能。
更直观地,图2为本申请实施例提供的一种用户经验矩阵的示意图。如图2所示,在图2中,用户经验矩阵的每一行代表该用户的一个历史任务,即,经验任务。
其中,用户经验维度包括任务类型、持续时间、参与人员数量、擅长技术栈、故障率、需求特征A、需求特征B。
需要说明的是,此时擅长技术栈则为用户擅长技能。比如,技术栈字典如表1所示。
表1:
Java | 1 |
Web | 2 |
Go | 3 |
Java+Web | 4 |
在表1中,技术栈包括Java,数字映射对应为1,Web,数字映射对应为2,Go,数字映射为3,Java+Web,数字映射为4。
也就是说,需要对用户的历史任务数据进行特征化整理,并用矩阵表示,最终形成一份矩阵列表,每个矩阵代表一个人与以上特征的关系。
S104:根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单。
其中,任务的需求清单是指对任务进行分解之后,得到的多个子任务,即,需求清单用于完成该任务。
比如,任务需求维度包括需求完成时间、所需的技能要求、需求关键特征点、需求类型、最大允许人员参与数量等。
也就是说,需要进行任务需求特征提取,具体为:在方案实施阶段,把待分配任务的需求进行细颗粒度分解,按需求类型、需求描述、需求紧迫度、所需的技能要求、需求完成时间、最大允许人员参与数量等进行特征化,形成一份任务的需求清单,清单中的每一项子任务代表一个不可再分的最小需求描述。
需要说明的是,还需要构建任务执行结果的评价标准。评价标准用于检测目标用户集合在执行任务时,是否满足需求清单。
S106:通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵。
其中,需求矩阵化模型是指能够将需求清单进行矩阵化的预设规则。
S108:将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合。
在本申请的一些实施例中,任务需求矩阵与用户经验矩阵进行遗传选择,在经历N代的选择之后,能够得到一个最优任务需求用户与分解任务(需求清单)的匹配列表。
具体地,首先将任务需求矩阵与用户经验矩阵输入预先构建的遗传算法,生成遗传算法的初始化种群。
其中,将任务需求矩阵与用户经验矩阵进行随机排列组合,生成生成遗传算法的初始化种群。或者根据预设初始化组合规则,将任务需求矩阵与用户经验矩阵进行排列组合,生成遗传算法的初始化种群。比如,随机生成M个群体。也就是说,遗传算法的初始化群体可以随机生成,也可以根据一定的规则进行指定。
然后,根据预设适应度函数,确定初始化种群中每个初始化用户的适应度值。其中,预设适应度函数可以根据实际需要进行设置,在此不作限定。
然后,根据适应度值,对初始化种群进行迭代,生成新一代种群。
具体地,在进行迭代时,首先根据适应度值与预设选择遗传规则,对每个初始化用户进行选择处理,确定选择用户集合。其中,可以首先计算每个用户的适应值与全部用户适应度值总和之间的比值,将比值作为每个用户的选择概率,将选择概率大于预设阈值的用户,作为选择用户集合。
然后,根据预设交叉遗传规则,对选择用户集合中的每个用户进行交叉处理,得到交叉用户集合。
其中,在交叉处理时,根据步骤S104中的评价标准,对杂交的个体进行评价,满足评价标准的个体进行下一轮的杂交。
即,根据预设交叉遗传规则,对选择用户集合中的每个用户进行交叉处理,得到初始交叉用户集合。判断初始交叉用户集合中的每个用户是否满足评价标准;根据满足评价标准的每个用户,确定交叉用户集合。如果不满足评价标准,则将不满足评价标准的用户进行淘汰。
其中,根据任务需求矩阵,对选择用户集合矩阵的整体进行交叉运算,得到初始交叉用户集合。或根据任务需求矩阵,对选择用户集合矩阵的每一行进行交叉运算,得到初始交叉用户集合。但是,最终的结果单位必须是人,另外,在对矩阵拆分行运算有时可以更精细化匹配每个需求的情况。
然后,根据预设变异遗传规则,对交叉用户集合中的每个用户进行变异处理,确定目标用户集合,将目标用户集合作为初始化种群的最优用户匹配组合。其中,比如,取变异概率为0.1。即,在变异处理时,将对应的基因取反。
在当前迭代次数小于预设迭代次数时,返回计算初始化种群中每个初始化用户的适应度值的步骤,即,返回S108中计算适应度值的步骤,并继续往下执行,以生成新一代种群。也就是说,遗传算法的迭代次数需要根据实际需要选择。
若当前迭代次数大于预设迭代次数时,则将当前新一代种群的最优用户匹配组合,确定为任务的最优用户匹配组合,也就是说,得到近似最优用户匹配组合。
可以理解的是,遗传的核心是每代选择的用户经验矩阵与任务需求矩阵进行随机排列组合,通过限定的时间、质量等前置条件进行最优选择。
S110:根据所述最优用户匹配组合,对所述任务进行分配。
其中,可以在最优用户匹配组合中,再次选择最优的排列组合即可。任务完成后,生成对应用户最新的历史任务数据,持续的经验化用户经验矩阵,可以在某个临界点让模型达到最优,让决策效率达到最高。
需要说明的是,虽然本申请实施例是参照图1来对步骤S102至步骤S110依次进行介绍说明的,但这并不代表步骤102至步骤S110必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S102至步骤S110依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S102至步骤S110之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法,通过构建每个用户的用户经验矩阵与任务需求矩阵,能够将用户经验与任务需求模型化,可以更好地用科学化的方法进行决策,利用遗传算法每代最优选择的特点,将任务需求矩阵与用户经验矩阵进行遗传算法选择,得到任务的最优用户匹配组合,能够自动近似的排列出任务需求与用户的一种最优组合方案,更合理的去分配任务与用户,减少管理人员评审、决策的时间成本,提高任务与用户之间的匹配效率。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图3为本申请实施例提供的一种针对任务的用户匹配设备的结构示意图,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;
根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;
通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;
将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;
根据所述最优用户匹配组合,对所述任务进行分配。
本申请的一些实施例提供的一种针对任务的用户匹配非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;
根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;
通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;
将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;
根据所述最优用户匹配组合,对所述任务进行分配。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种针对任务的用户匹配方法,其特征在于,所述方法包括:
根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;
根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;
通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;
将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;
根据所述最优用户匹配组合,对所述任务进行分配。
2.根据权利要求1所述的方法,其特征在于,所述将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的用户匹配组合,具体包括:
将所述任务需求矩阵与所述用户经验矩阵输入预先构建的遗传算法,生成所述遗传算法的初始化种群;
根据预设适应度函数,确定所述初始化种群中每个初始化用户的适应度值;
根据所述适应度值,对所述初始化种群进行迭代,生成新一代种群;
判断当前迭代次数是否大于预设迭代次数,若是,则将所述新一代种群的最优用户匹配组合,确定为所述任务的最优用户匹配组合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述适应度值,对所述初始化种群进行迭代,生成新一代种群,具体包括:
根据所述适应度值与预设选择遗传规则,对所述每个初始化用户进行选择处理,确定选择用户集合;
根据预设交叉遗传规则,通过所述任务需求矩阵,对所述选择用户集合中的每个用户进行交叉处理,得到交叉用户集合;
根据预设变异遗传规则,对所述交叉用户集合中的每个用户进行变异处理,确定目标用户集合,将所述目标用户集合作为所述初始化种群的最优用户匹配组合,在所述当前迭代次数小于预设迭代次数时,返回计算所述所述初始化种群中每个初始化用户的适应度值的步骤,以生成新一代种群。
4.根据权利要求3所述的方法,其特征在于,所述根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单之后,所述方法还包括:
构建任务执行结果的评价标准;所述评价标准用于检测所述目标用户集合在执行所述任务时,是否满足所述需求清单;
所述根据预设交叉遗传规则,通过所述任务需求矩阵,对所述选择用户集合中的每个用户进行交叉处理,得到交叉用户集合,具体包括:
根据预设交叉遗传规则,通过所述任务需求矩阵,对所述选择用户集合中的每个用户进行交叉处理,得到初始交叉用户集合;
判断所述初始交叉用户集合中的每个用户是否满足所述评价标准;
根据满足所述评价标准的每个用户,确定交叉用户集合。
5.根据权利要求4所述的方法,其特征在于,所述根据预设交叉遗传规则,通过所述任务需求矩阵,对所述选择用户集合中的每个用户进行交叉处理,得到初始交叉用户集合,具体包括:
根据所述任务需求矩阵,对选择用户集合矩阵的整体进行交叉运算,得到初始交叉用户集合;或
根据所述任务需求矩阵,对选择用户集合矩阵的每一行进行交叉运算,得到初始交叉用户集合。
6.根据权利要求1所述的方法,其特征在于,所述将所述任务需求矩阵与所述用户经验矩阵输入预先构建的遗传算法,生成所述遗传算法的初始化种群,具体包括:
将所述任务需求矩阵与所述用户经验矩阵进行随机排列组合,生成所述生成所述遗传算法的初始化种群;或
根据预设初始化组合规则,将所述任务需求矩阵与所述用户经验矩阵进行排列组合,生成所述遗传算法的初始化种群。
7.根据权利要求1所述的方法,其特征在于,所述根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵,具体包括:
获取每个用户的历史任务数据;
根据预设用户经验维度,对所述历史任务数据进行特征化处理,得到所述每个用户在所述预设用户经验维度下的评价信息;
根据所述评价信息,生成所述每个用户的用户经验矩阵。
8.根据权利要求6所述的方法,其特征在于,所述预设用户经验维度包括任务类型、任务关键需求点、任务持续时间、任务参与人员数量、用户擅长技能、任务完成效果中的至少一种;
所述任务需求维度包括需求完成时间、所需的技能要求、需求关键特征点、需求类型、最大允许人员参与数量中的至少一种。
9.一种针对任务的用户匹配设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;
根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;
通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;
将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;
根据所述最优用户匹配组合,对所述任务进行分配。
10.一种针对任务的用户匹配非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
根据每个用户的历史任务数据,构建所述每个用户的用户经验矩阵;
根据预设任务需求维度,对待分配的任务进行分解,确定所述任务的需求清单;
通过需求矩阵化模型对所述需求清单进行矩阵化,得到任务需求矩阵;
将所述任务需求矩阵与所述用户经验矩阵进行遗传算法选择,得到所述任务的最优用户匹配组合;
根据所述最优用户匹配组合,对所述任务进行分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232632.1A CN115471121A (zh) | 2022-10-10 | 2022-10-10 | 一种针对任务的用户匹配方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211232632.1A CN115471121A (zh) | 2022-10-10 | 2022-10-10 | 一种针对任务的用户匹配方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471121A true CN115471121A (zh) | 2022-12-13 |
Family
ID=84336318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211232632.1A Pending CN115471121A (zh) | 2022-10-10 | 2022-10-10 | 一种针对任务的用户匹配方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974248A (zh) * | 2024-02-28 | 2024-05-03 | 网才科技(广州)集团股份有限公司 | 基于云服务共享的数据交易方法及系统 |
-
2022
- 2022-10-10 CN CN202211232632.1A patent/CN115471121A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117974248A (zh) * | 2024-02-28 | 2024-05-03 | 网才科技(广州)集团股份有限公司 | 基于云服务共享的数据交易方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yusoh et al. | A penalty-based genetic algorithm for the composite SaaS placement problem in the cloud | |
CN107621973B (zh) | 一种跨集群的任务调度方法及装置 | |
CN111949395B (zh) | 基于区块链的共享算力数据处理方法、系统及存储介质 | |
Bernard et al. | Towards trust in desktop grid systems | |
Kim et al. | Coded matrix multiplication on a group-based model | |
CN115471121A (zh) | 一种针对任务的用户匹配方法、设备及介质 | |
CN105530311A (zh) | 负载分配方法和设备 | |
CN111158800B (zh) | 基于映射关系构建任务dag的方法及装置 | |
CN113608751B (zh) | 推理服务平台的运行方法、装置、设备及存储介质 | |
CN113012336A (zh) | 银行业务的排队预约方法及其装置、存储介质和设备 | |
Tiwari et al. | A Broking Structure Originated on Service accommodative Using MROSP Algorithm | |
CN110335027A (zh) | 一种税务事项处理方法、装置、设备及系统 | |
CN115578180A (zh) | 银行网点的现金资源的管理方法及装置 | |
CN115237783A (zh) | 一种测试数据生成方法及装置 | |
CN111400050B (zh) | 一种分配资源执行任务的方法及装置 | |
CN112363831A (zh) | 风控处理方法、装置、计算机设备和存储介质 | |
CN111737729A (zh) | 基于业务数据区块链的评价数据存储方法及系统 | |
Lin et al. | Dynamic load balancing in cloud-based multimedia system using genetic algorithm | |
CN117829575A (zh) | 用于生成流程工单的方法、装置、设备及存储介质 | |
CN113867952A (zh) | 一种运用区块链技术加快数据处理速度的方法 | |
CN115578185A (zh) | 银行边缘计算系统的风险控制方法及装置 | |
CN116089166A (zh) | 多维度分析数据的生成与动态优化配置方法及终端 | |
CN117193976A (zh) | 任务处理方法、装置及电子设备 | |
CN115829709A (zh) | 基于区块链的现金终端的风险控制方法及系统 | |
CN115170148A (zh) | 对公汇款交易的风险控制方法及装置 |
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 |