CN115860408A - 任务推荐方法、模型训练方法、装置和设备 - Google Patents

Abstract

本公开提供了一种任务推荐方法、模型训练方法、装置和设备，涉及人工智能，尤其涉及大数据和深度学习。该方法包括：获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的；根据待识别数据，确定用户的超额适应产出信息和超额协作产出信息；超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态；根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。为用户确定出合适的任务，以供用户完成任务；从而便于任务尽快的完成，提高了任务的完成效率。

Description

任务推荐方法、模型训练方法、装置和设备

技术领域

本公开涉及人工智能中的大数据和深度学习，尤其涉及一种任务推荐方法、模型训练方法、装置和设备。

背景技术

针对项目来说，需要多个用户进行参与，以完成项目。项目中包括多个任务。需要为用户推荐合适的任务，进而可以满足用户的需求以及尽快完成任务。

从而，亟需一种可以为用户推荐合适的任务的方法，并且需要为用户合理的推荐任务。

发明内容

本公开提供了一种用于为用户合理的推荐任务的任务推荐方法、模型训练方法、装置和设备。

根据本公开的第一方面，提供了一种任务推荐方法，包括：

获取待识别数据，其中，所述待识别数据中包括至少一个待处理任务，所述待处理任务为至少一个用户所完成的；

根据所述待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态；

根据所述用户的超额适应产出信息和超额协作产出信息，确定与所述用户匹配的任务，将与所述用户匹配的任务推荐给所述用户。

根据本公开的第二方面，提供了一种应用于任务推荐的模型训练方法，包括：

获取待训练数据，其中，所述待训练数据中包括至少一个待训练任务，所述待训练任务为至少一个用户所完成的；

根据所述待训练任务对第一初始模型进行训练，得到预设基准分配模型，并根据所述待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型；

其中，所述预设基准分配模型用于基于第一方面的待识别数据，确定所述待识别数据中的待处理任务的预测工作比重；所述预设基准工作量预估模型用于基于第一方面的待识别数据，确定所述待识别数据中的待处理任务的预测工作量；所述待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态。

根据本公开的第三方面，提供了一种任务推荐装置，包括：

获取单元，用于获取待识别数据，其中，所述待识别数据中包括至少一个待处理任务，所述待处理任务为至少一个用户所完成的；

第一确定单元，用于根据所述待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态；

第二确定单元，用于根据所述用户的超额适应产出信息和超额协作产出信息，确定与所述用户匹配的任务，将与所述用户匹配的任务推荐给所述用户。

根据本公开的第四方面，提供了一种应用于任务推荐的模型训练装置，包括：

获取单元，用于获取待训练数据，其中，所述待训练数据中包括至少一个待训练任务，所述待训练任务为至少一个用户所完成的；

第一训练单元，用于根据所述待训练任务对第一初始模型进行训练，得到预设基准分配模型；

第二训练单元，用于根据所述待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型；

其中，所述预设基准分配模型用于基于第三方面的待识别数据，确定所述待识别数据中的待处理任务的预测工作比重；所述预设基准工作量预估模型用于基于第四方面的待识别数据，确定所述待识别数据中的待处理任务的预测工作量；所述待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态。

根据本公开的第五方面，提供了一种电子设备，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执行上述方法。

根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述方法。

根据本公开的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面所述的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是本公开所提供的预测工作量的示意图；

图7是根据本公开第六实施例的示意图；

图8是根据本公开第七实施例的示意图；

图9是根据本公开第八实施例的示意图；

图10是根据本公开第九实施例的示意图；

图11是根据本公开第十实施例的示意图；

图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

针对项目来说，需要多个用户进行参与，以完成项目。其中，项目中包括多个任务。需要为用户推荐合适的任务，进而可以满足用户的需求以及尽快完成任务。

一个示例中，可以人工的对每一用户的工作情况进行量化，得到用户的工作参数；进而基于工作参数为用户推荐合适的任务。

但是上述方式中，人工的方式并不能准确的量化出用户的工作参数，无法准确的为用户推荐合适的任务。由于用户与任务不匹配，从而导致任务无法尽快完成。

另一个示例中，预先设定了每一用户的工作参数，进而为用户推荐任务。

但是上述方式中，预先设定的方式，并不能客观的量化出用户在任务中的贡献量和工作情况；无法准确的为用户推荐合适的任务。由于用户与任务不匹配，从而导致任务无法尽快完成。

从而，亟需一种可以为用户推荐合适的任务的方法，并且需要为用户合理的推荐任务。

本公开提供一种任务推荐方法、模型训练方法、装置和设备，应用于人工智能中的大数据和深度学习，以达到为用户推荐合适的任务，并且为用户合理的推荐任务，进而便于任务尽快完成的目的。

为使读者更深刻地理解本公开的实现原理，现结合以下图2-图5对图1所示的实施例进行进一步细化。

图1是根据本公开第一实施例的示意图，如图1所示，本公开提供了一种任务推荐方法，该方法包括：

S101、获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的。

示例性地，本实施例的执行主体为终端设备、或者服务器、或者任务推荐装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。

在需要为用户推荐任务的时候，需要基于用户曾经完成的任务对用户进行数据分析，进而基于分析后的信息为用户推荐任务。

首先，需要获取待识别数据，待识别数据中包括至少一个待处理任务。待识别数据中的待处理任务，是归属于至少一个项目的。针对每一项目，项目中包括一个或多个待处理任务；需要多个用户参与同一项目；并且针对每一待处理任务，需要至少一个用户参与项目下的待处理任务，可知，待处理任务为小组协同任务(小组协同任务，指的是，需要多个用户共同参与协作的任务)。

所以，所获取到的待识别数据，是多个用户下的待识别数据。

其中，待处理任务，即是“任务”。项目中的任务，未被完成时；将项目中的任务，称为“任务”；项目已经被完成，可以将将项目中的任务，称为“待处理任务”。

举例来说，项目A包括待处理任务a1、待处理任务b1以及待处理任务c1，项目B包括待处理任务a2、待处理任务b2以及待处理任务c2。用户a参与了项目A的待处理任务a1、项目A的待处理任务b1、项目A的待处理任务c1、项目B的待处理任务a2、以及项目B的待处理任务b2。用户b参与了项目A的待处理任务a1、项目A的待处理任务b1、项目B的待处理任务a2、以及项目B的待处理任务b2。用户c参与了项目A的待处理任务c1、项目B的待处理任务b2、以及项目B的待处理任务c2。

从而，针对上述待处理任务，获取待识别数据，待识别数据中包括项目A的待处理任务a1、项目A的待处理任务b1、项目A的待处理任务c1、项目B的待处理任务a2、项目B的待处理任务b2、项目B的待处理任务c2。可知，该待识别数据针对于用户a、用户b以及用户c。

S102、根据待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

示例性地，根据所获取到的待识别数据中的待处理任务，进行数据处理，可以对参与了待识别数据中的待处理任务的每一用户，确定出每一用户的超额适应产出信息和超额协作产出信息。

针对每一用户来说，该用户的超额适应产出信息表征用户在完成任务时的个人工作状态。例如，超额适应产出信息表征用户完成任务时的个人熟练度，和/或，表征用户完成任务时的个人效率。个人工作状态，指的是，个人熟练度，和/或，个人效率。

可知，超额适应产出信息，指的是，用户个人原有的平均效能(或者，平均产出)的基础上，由于对特定的任务的适应效果卓越，而在该任务过程中所贡献的额外产出。

针对每一用户来说，该用户的超额协作产出信息表征用户在完成任务时的团队配合状态。例如，超额协作产出信息表征用户在完成任务时的团队的配合度，和/或，表征用户完成任务时个人在团队中的作用度。团队配合状态，指的是，配合度，和/或，作用度。

可知，超额协作产出信息，指的是，用户个人原有的平均效能(或者，平均产出)基础上，由于在特定的任务中和团队的协作效果卓越，而在该任务过程中所贡献的额外产出。

举例来说，根据步骤S101中的举例介绍，待识别数据针对于用户a、用户b以及用户c。可以对待识别数据中的待处理任务进行处理，得到用户a的超额适应产出信息和超额协作产出信息，得到用户b的超额适应产出信息和超额协作产出信息，得到用户c的超额适应产出信息和超额协作产出信息。

S103、根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。

示例性地，针对每一用户，根据该用户的超额适应产出信息和超额协作产出信息，为该用户匹配任务。

一个示例中，可以根据任务的任务信息、超额适应产出信息、以及超额协作产出信息三者之间的对应关系，确定出与用户匹配的任务。其中，任务信息包括任务时长、任务强度、任务规模、等等。

另一个示例中，将每一用户的超额适应产出信息和超额协作产出信息，输入预设的匹配模型中，输出与每一用户匹配的任务。预设的匹配模型为采用了任务的任务信息、超额适应产出信息以及超额协作产出信息经过训练的深度学习模型。

然后，针对每一用户，将与每一用户匹配的任务推荐给每一用户。例如，将与用户匹配的任务，发送给用户的终端设备中。再例如，在用户查询与用户匹配的任务的时候，终端设备显示与用户匹配的任务。

本实施例中，获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的；根据待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态；根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。通过对待识别数据的待处理任务进行数据处理，得到参与待识别数据的每一用户的超额适应产出信息和超额协作产出信息，确定出用户参与任务过程中的个人工作状态和团队配合状态；基于每一用户的超额适应产出信息和超额协作产出信息，为每一用户推荐与用户匹配的任务。从而为用户确定出合适的任务，以供用户完成任务；从而便于任务尽快的完成，提高了任务的完成效率。并且，用户的超额适应产出信息和超额协作产出信息。为参与小组协同任务的用户的绩效，提供指导参数。并且，基于用户的超额适应产出信息和超额协作产出信息，可以为用户提供奖励信息；使得任务可以被高效完成，并且，使得团队内的高效产出，并且鼓励员工参与任务。

利用机器学习评估算法，基于历史相似任务的工作量权重分配情况，为各个小组协同任务提供一套基准工作量权重分配方案。用户的超额适应产出信息，可以评价团队中工作量分配的合理程度，为确定任务的分配合理度提供依据。用户的超额协作产出信息，用于评价团队中工作量分配的合理程度，为确定任务的协作情况和分配情况提供依据。

图2是根据本公开第二实施例的示意图，如图2所示，本公开提供了一种任务推荐方法，该方法包括：

S201、获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的。

示例性地，本实施例的执行主体为终端设备、或者服务器、或者任务推荐装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。

本实施例可以参见上述步骤S101。

若待处理任务为代码贡献任务，从而，待识别数据中包括多个已经完成的代码贡献任务。其中，代码贡献任务，指的是，用户对编程的代码贡献量或代码贡献程度。

若待处理任务为卡片贡献任务，从而，待识别数据中包括多个已经完成的卡片贡献任务。其中，卡片贡献任务，指的是，用户对卡片的付出贡献量或付出贡献程度。卡片，是软件开发中的方法论，每一任务是一个卡片。

若待处理任务为卡片工时任务，从而，待识别数据中包括多个已经完成的卡片工时任务。其中，卡片工时任务，指的是，用户完成卡片的工时。

若待处理任务为文档贡献任务，从而，待识别数据中包括多个已经完成的文档贡献任务。其中，文档贡献任务，指的是，用户编写文档的贡献量或贡献程度。

S202、根据待处理任务的任务信息，确定待处理任务的预测工作比重。其中，待处理任务的预测工作比重表征所预测出的完成待处理任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和。

一个示例中，任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息。其中，任务类别信息表征待处理任务的类别；任务难度信息表征待处理任务的难度级别；任务规模信息表征完成待处理任务所需要的用户的总人数、以及完成待处理任务所需要的用户的岗位职级编码。

一个示例中，步骤S202包括：将待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中，输出待处理任务的预测工作比重。

示例性地，每一待处理任务具有任务信息，任务信息包括：任务类别信息、任务难度信息、任务规模信息。

其中，任务类别信息表征待处理任务的类别。例如，待处理任务的类别为应用a的功能1的编码，或者，待处理任务的类别为应用a的功能2的编码，待处理任务的类别为应用a的功能3的编码。

任务难度信息表征待处理任务的难度级别。例如，待处理任务的难度级别归属于1级至10级。10级表征待处理任务的难度最高，1级表征待处理任务的难度最低。

任务规模信息表征完成待处理任务所需要的用户的总人数、完成待处理任务所需要的用户的岗位职级编码。岗位职级编码表征用户的岗位职级。例如，待处理任务需要2个用户完成，待处理任务所需要的用户1的岗位职级编码为x1，待处理任务所需要的用户2的岗位职级编码为x2。

针对每一待处理任务，根据该待处理任务的任务信息，对该待处理任务进行处理，进而对完成该待处理任务所需的用户的工作比重的总和，进行预测，得到该待处理任务的预测工作比重。其中，由于完成每一待处理任务需要至少一个用户，用户具有岗位职级编码；完成待处理任务的用户在参与待处理任务的过程中，针对待处理任务有工作比重；在对完成该待处理任务所需的用户的工作比重的总和，进行预测之后，所得到的待处理任务的预测工作比重表征所预测出的完成待处理任务时每一岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和。

针对每一待处理任务，第g个待处理任务的预测工作比重为A_g＝(U₁，U₂，…，U_a，…，U_A)^T，U_a为归属于同一岗位职级编码a下的各用户的工作比重的总和；U_a为第a个岗位职级编码的工作比重参数。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数，a为大于等于1、小于等于A的正整数。g为大于等于1的正整数。

一个示例中，可以将待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中进行预测处理；从而，基于任务类别、任务难度和任务规模对待处理任务进行预测，得到待处理任务的预测工作比重。其中，预设基准分配模型是经过训练的GBDT(Gradient Boosting Decision Tree)模型。从而基于智能模型对待处理任务的任务信息进行数据分析，可以得到准确的、合理的预测工作比重。

S203、根据待处理任务的任务信息，确定待处理任务的预测工作量。其中，待处理任务的预测工作量表征所预测出的完成待处理任务时岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和。

一个示例中，步骤S203包括：将待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中，输出待处理任务的预测工作量。

示例性地，针对每一待处理任务，根据该待处理任务的任务信息，对该待处理任务进行处理，进而对完成该待处理任务所需的用户的工作量的总和，进行预测，得到该待处理任务的预测工作量。其中，由于完成每一待处理任务需要至少一个用户，用户具有岗位职级编码；完成待处理任务的用户在参与待处理任务的过程中，针对待处理任务有工作量；在对完成该待处理任务所需的用户的工作量的总和，进行预测之后，所得到的待处理任务的预测工作量表征所预测出的完成待处理任务时每一岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和。

针对每一待处理任务，第g个待处理任务的预测工作量为B_g＝(B₁，B₂，...，B_a，...，B_A)^T，B_a为归属于同一岗位职级编码a下的各用户的工作量的总和；B_a为第a个岗位职级编码的工作量。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数，a为大于等于1、小于等于A的正整数。g为大于等于1的正整数。

一个示例中，可以将待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中进行预测处理；从而，基于任务类别和任务难度对待处理任务进行预测，得到待处理任务的预测工作量。其中，预设基准工作量预估模型是经过训练的GBDT(Gradient Boosting Decision Tree)模型。从而基于智能模型对待处理任务的任务信息进行数据分析，可以得到准确的、合理的预测工作量。

可以根据待处理任务的任务信息，确定待处理任务的预测工作比重和预测工作量进行准确的预测。

并且，由于预测工作比重的分析过程，需要涉及任务类别信息、任务难度信息以及任务规模信息；从而基于这三个信息可以对预测工作比重进行准确预测。由于预测工作量的分析过程，需要涉及任务类别信息和任务难度信息，从而，基于这两个信息可以对预测工作量进行准确预测。

S204、根据待处理任务的预测工作比重和待处理任务的预测工作量，确定超额适应产出信息和超额协作产出信息。

其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

示例性地，在得到每一待处理任务的预测工作比重和预测工作量之后，针对每一待处理任务，得到了所预测出的归属于同一岗位职级编码下的各用户的工作比重之和、所预测出的归属于同一岗位职级编码下的各用户的工作量之和。就可以根据待识别数据中各待处理任务的预测工作比重和预测工作量，对参与待识别数据的每一用户的个人工作状态和团队配合状态进行预测，得到参与待识别数据的每一用户的超额适应产出信息和超额协作产出信息。

举例来说，根据步骤S101中的举例介绍，待识别数据针对于用户a、用户b以及用户c。可以对待识别数据中的待处理任务进行处理，得到每一待处理任务的预测工作比重和预测工作量。然后根据各待处理任务的预测工作比重和预测工作量，得到用户a的超额适应产出信息和超额协作产出信息，得到用户b的超额适应产出信息和超额协作产出信息，得到用户c的超额适应产出信息和超额协作产出信息。

由于每一待处理任务需要至少一个用户参与；并且，待处理任务的预测工作比重表征出了，归属于同一岗位职级编码下的各用户的工作比重之和；待处理任务的预测工作量表征出了，所预测出的归属于同一岗位职级编码下的各用户的工作量之和。从而基于待识别数据中各待处理任务的预测工作比重和预测工作量，可以准确的对参与待识别数据的每一用户的个人工作状态和团队配合状态进行预测，得到参与待识别数据的每一用户的超额适应产出信息和超额协作产出信息。

S205、根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。

一个示例中，步骤S205包括：

根据超额适应产出信息和超额协作产出信息，对用户进行聚类处理，得到至少一个用户群；其中，用户群具有用户类别；根据用户群的用户类别，为用户群中的用户匹配任务。

示例性地，针对每一用户，根据该用户的超额适应产出信息和超额协作产出信息，为该用户匹配任务。

可以根据各用户超额适应产出信息和超额协作产出信息，对参与待识别数据的各用户进行聚类处理，得到至少一个用户群；从而，每一用户群具有用户类别(即，用户标签)。针对每一用户群，用户群中包括归属于同一用户类别的用户。

然后，根据用户群的用户类别，为用户群中的用户匹配任务。例如，根据用户类别与任务之间的对应关系，确定与用户匹配的任务。

然后，针对每一用户，将与每一用户匹配的任务推荐给每一用户。例如，将与用户匹配的任务，发送给用户的终端设备中。再例如，在用户查询与用户匹配的任务的时候，终端设备显示与用户匹配的任务。

从而对参与待识别数据的各用户进行分类。从而通过聚类的方式，对参与待识别数据的各用户进行分类，得到每一用户的用户类别，便于基于用户类别向用户推荐合适的任务。

本实施例中，根据待处理任务的任务信息，确定待处理任务的预测工作比重，并根据待处理任务的任务信息，确定待处理任务的预测工作量；根据待处理任务的预测工作比重和待处理任务的预测工作量，确定超额适应产出信息和超额协作产出信息；根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。由于每一待处理任务需要至少一个用户参与；并且，待处理任务的预测工作比重表征出了，归属于同一岗位职级编码下的各用户的工作比重之和；待处理任务的预测工作量表征出了，所预测出的归属于同一岗位职级编码下的各用户的工作量之和。从而基于待识别数据中各待处理任务的预测工作比重和预测工作量，可以准确的对参与待识别数据的每一用户的个人工作状态和团队配合状态进行预测，得到参与待识别数据的每一用户的超额适应产出信息和超额协作产出信息。从而，用户的超额适应产出信息和超额协作产出信息，为用户推荐合适的任务；并且，基于用户的超额适应产出信息和超额协作产出信息，可以为用户提供奖励信息；使得任务可以被高效完成，并且，使得团队内的高效产出。

图3是根据本公开第三实施例的示意图，如图3所示，本公开提供了一种任务推荐方法，该方法包括：

S301、获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的。

示例性地，本实施例的执行主体为终端设备、或者服务器、或者任务推荐装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。

本步骤可以参见上述步骤S201，不再赘述。

S302、根据待处理任务的任务信息，确定待处理任务的预测工作比重。其中，待处理任务的预测工作比重表征所预测出的完成待处理任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和。

一个示例中，任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息。其中，任务类别信息表征待处理任务的类别；任务难度信息表征待处理任务的难度级别；任务规模信息表征完成待处理任务所需要的用户的总人数、以及完成待处理任务所需要的用户的岗位职级编码。

一个示例中，步骤S302包括：将待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中，输出待处理任务的预测工作比重。

示例性地，本步骤可以参见上述步骤S202，不再赘述。

S303、根据待处理任务的任务信息，确定待处理任务的预测工作量。其中，待处理任务的预测工作量表征所预测出的完成待处理任务时岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和。

一个示例中，步骤S303包括：将待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中，输出待处理任务的预测工作量。

示例性地，本步骤可以参见上述步骤S203，不再赘述。

S304、根据待处理任务的预测工作比重和预设对应关系，确定用户的第一工作比重，其中，预设对应关系表征待处理任务和用户之间的对应关系，第一工作比重为预测比重信息的总和，预测比重信息为预测出的用户参与待处理任务时的工作比重。

一个示例中，步骤S304包括：根据待处理任务的预测工作比重和预设对应关系，确定用户所参与的待处理任务的第一处理信息，第一处理信息与待处理任务为一一对应关系，第一处理信息为用户参与待处理任务时所付出的工作比重；对第一处理信息进行求和处理，得到用户的第一工作比重。

示例性地，针对每一待处理任务，待处理任务的预测工作比重表征出了，所预测出的完成待处理任务时岗位职级编码的工作比重参数，其中，工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和。从而可以根据各待处理任务的预测工作比重，确定出每一用户参与待处理数据的工作比重。

由于用户参与了待处理数据中的至少一个待处理任务，所以预先存储有待处理任务和用户之间的对应关系，即，预先存储有预设对应关系。针对每一用户，可以根据预设对应关系，从各待处理任务中选择出该用户所参与的待处理任务。

由于针对每一待处理任务，待处理任务的预测工作比重指示出了，参与待处理任务的用户的岗位职级编码、以及参与待处理任务的用户的工作比重。从而，在针对每一用户，确定出用户所参与的待处理任务之后，就可以根据各待处理任务的预测工作比重，确定出该用户的第一工作比重；其中，该用户的第一工作比重为预测出的该用户参与待处理任务时所付出的工作比重的总和。

一个示例中，预设对应关系指示出了待处理任务和用户之间的对应关系；从而，根据预设对应关系，从各待处理任务中选择出该用户所参与的待处理任务。由于待处理任务的预测工作比重指示出了，参与待处理任务的用户的岗位职级编码、以及参与待处理任务的用户的工作比重；从而，根据每一待处理任务的预测工作比重，确定出用户所参与的每一待处理任务时的第一处理信息，每一待处理任务时的第一处理信息表征用于参与该待处理任务时所付出的工作比重。从而针对每一用户，得到了该用户的各第一处理信息，即，得到了该用户参与每一待处理任务时的第一处理信息。针对每一用户，再将该用户的各第一处理信息进行求和，就得到了该用户的第一工作比重。针对每一用户，用户的第一工作比重为预测出的该用户参与待识别数据中的待处理任务时所付出的工作比重的总和。

从而，针对每一用户，可以根据待处理任务和用户之间的对应关系、以及待处理任务的预测工作比重，可以得到用户参与每一待处理任务的工作比重，即，得到用户的每一第一处理信息；针对每一用户，再将用户的各第一处理信息所表征的工作比重，进行求和，就可以得到用户的第一工作比重，即得到每一用户参与待识别数据的工作比重之和。进而基于待处理任务和用户之间的对应关系、以及待处理任务的预测工作比重，准确的得到用户的第一工作比重。

举例来说，待处理数据中包括2个待处理任务，分别为待处理任务1和待处理任务2。

待处理任务1的预测工作比重包括了U₁和U₂；其中，待处理任务1的U₁为岗位职级编码1下的、且参与待处理任务1的用户的工作比重的总和，其中，待处理任务1的U₂为岗位职级编码2下的、且参与待处理任务1的用户的工作比重的总和。并且，待处理任务1的预测工作比重，指示出了参与待处理任务1的各用户，分别为用户1、用户2、用户3以及用户4。待处理任务1的预测工作比重，指示出了用户1的岗位职级编码1、用户2的岗位职级编码1、用户3的岗位职级编码2、用户4的岗位职级编码2。待处理任务1的预测工作比重，指示出了用户1参与待处理任务1的工作比重1、用户2参与待处理任务1的工作比重2、用户3参与待处理任务1的工作比重3、用户4参与待处理任务1的工作比重4。

可知，用户1和用户2的岗位职级编码，均为岗位职级编码1；待处理任务1的U₁为用户1的工作比重1与用户2的工作比重2两者之和。用户3和用户4的岗位职级编码，均为岗位职级编码2；待处理任务1的U₂为用户3的工作比重3与用户4的工作比重4两者之和。

待处理任务2的预测工作比重包括了U₁和U₂；其中，待处理任务2的U₁为岗位职级编码1下的、且参与待处理任务2的用户的工作比重的总和，其中，待处理任务2的U₂为岗位职级编码2下的、且参与待处理任务2的用户的工作比重的总和。并且，待处理任务2的预测工作比重，指示出了参与待处理任务2的各用户，分别为用户1、用户2、用户3以及用户4。待处理任务2的预测工作比重，指示出了用户1的岗位职级编码1、用户2的岗位职级编码1、用户3的岗位职级编码2、用户4的岗位职级编码2。待处理任务2的预测工作比重，指示出了用户1参与待处理任务2的工作比重5、用户2参与待处理任务2的工作比重6、用户3参与待处理任务2的工作比重7、用户4参与待处理任务2的工作比重8。

可知，用户1和用户2的岗位职级编码，均为岗位职级编码1；待处理任务2的U₁为用户1的工作比重5与用户2的工作比重6两者之和。用户3和用户4的岗位职级编码，均为岗位职级编码2；待处理任务2的U₂为用户3的工作比重7与用户4的工作比重8两者之和。

从而，针对用户1，确定用户1参与了待处理任务1和待处理任务2；针对用户1，可以确定出待处理任务1的预测工作比重所指示的用户1的工作比重1、待处理任务2的预测工作比重所指示的用户1的工作比重5；针对用户1，将用户1的工作比重1和用户1的工作比重5进行求和，得到用户1的第一工作比重。可知，用户1的第一工作比重为用户1参与待识别数据中的待处理任务1时所付出的工作比重1、参与待识别数据中的待处理任务2时所付出的工作比重5两者之和。上述工作比重1，是用户1参与待处理任务1的预测比重信息；工作比重5，是用户1参与待处理任务2的预测比重信息。

针对用户2，确定用户2参与了待处理任务1和待处理任务2；针对用户2，可以确定出待处理任务1的预测工作比重所指示的用户2的工作比重2、待处理任务2的预测工作比重所指示的用户2的工作比重6；针对用户2，将用户2的工作比重2和用户2的工作比重6进行求和，得到用户2的第一工作比重。可知，用户2的第一工作比重为用户2参与待识别数据中的待处理任务1时所付出的工作比重2、参与待识别数据中的待处理任务2时所付出的工作比重6两者之和。上述工作比重2，是用户2参与待处理任务1的预测比重信息；工作比重6，是用户2参与待处理任务2的预测比重信息。

针对用户3，确定用户3参与了待处理任务1和待处理任务2；针对用户3，可以确定出待处理任务1的预测工作比重所指示的用户3的工作比重3、待处理任务2的预测工作比重所指示的用户3的工作比重7；针对用户3，将用户3的工作比重3和用户3的工作比重7进行求和，得到用户3的第一工作比重。可知，用户3的第一工作比重为用户3参与待识别数据中的待处理任务1时所付出的工作比重3、参与待识别数据中的待处理任务2时所付出的工作比重7两者之和。上述工作比重3，是用户3参与待处理任务1的预测比重信息；工作比重7，是用户3参与待处理任务2的预测比重信息。

针对用户4，确定用户4参与了待处理任务1和待处理任务2；针对用户4，可以确定出待处理任务1的预测工作比重所指示的用户4的工作比重4、待处理任务2的预测工作比重所指示的用户4的工作比重8；针对用户4，将用户4的工作比重4和用户4的工作比重8进行求和，得到用户4的第一工作比重。可知，用户4的第一工作比重为用户4参与待识别数据中的待处理任务1时所付出的工作比重4、参与待识别数据中的待处理任务2时所付出的工作比重8两者之和。上述工作比重4，是用户4参与待处理任务1的预测比重信息；工作比重8，是用户4参与待处理任务2的预测比重信息。

S305、根据待处理任务的预测工作量和预设对应关系，确定用户的第一工作量，其中，第一工作量为预测量信息的总和，预测量信息为预测出的用户参与待处理任务时的工作量。

一个示例中，步骤S305包括：根据待处理任务的预测工作量和预设对应关系，确定用户所参与的待处理任务的第二处理信息，第二处理信息与待处理任务为一一对应关系，第二处理信息为用户参与待处理任务时所付出的工作量；对第二处理信息进行求和处理，得到用户的第一工作量。

示例性地，针对每一待处理任务，待处理任务的预测工作量表征出了，所预测出的完成待处理任务时岗位职级编码的工作量参数，其中，工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和。从而可以根据各待处理任务的预测工作量，确定出每一用户参与待处理数据的工作量。

由于用户参与了待处理数据中的至少一个待处理任务，所以预先存储有待处理任务和用户之间的对应关系，即，预先存储有预设对应关系。针对每一用户，可以根据预设对应关系，从各待处理任务中选择出该用户所参与的待处理任务。

由于针对每一待处理任务，待处理任务的预测工作量指示出了，参与待处理任务的用户的岗位职级编码、以及参与待处理任务的用户的工作量。从而，在针对每一用户，确定出用户所参与的待处理任务之后，就可以根据各待处理任务的预测工作量，确定出该用户的第一工作量；其中，该用户的第一工作量为预测出的该用户参与待处理任务时所付出的工作量的总和。

一个示例中，预设对应关系指示出了待处理任务和用户之间的对应关系；从而，根据预设对应关系，从各待处理任务中选择出该用户所参与的待处理任务。由于待处理任务的预测工作量指示出了，参与待处理任务的用户的岗位职级编码、以及参与待处理任务的用户的工作量；从而，根据每一待处理任务的预测工作量，确定出用户所参与的每一待处理任务时的第二处理信息，每一待处理任务时的第二处理信息表征用于参与该待处理任务时所付出的工作量。从而针对每一用户，得到了该用户的各第二处理信息，即，得到了该用户参与每一待处理任务时的第二处理信息。针对每一用户，再将该用户的各第二处理信息进行求和，就得到了该用户的第一工作量。针对每一用户，用户的第一工作量为预测出的该用户参与待识别数据中的待处理任务时所付出的工作量的总和。

从而，针对每一用户，可以根据待处理任务和用户之间的对应关系、以及待处理任务的预测工作量，可以得到用户参与每一待处理任务的工作量，即，得到用户的每一第二处理信息；针对每一用户，再将用户的各第二处理信息所表征的工作量，进行求和，就可以得到用户的第一工作量，即得到每一用户参与待识别数据的工作量之和。进而基于待处理任务和用户之间的对应关系、以及待处理任务的预测工作量，准确的得到用户的第一工作量。

举例来说，待处理数据中包括2个待处理任务，分别为待处理任务1和待处理任务2。

待处理任务1的预测工作量包括了B₁和B₂；其中，待处理任务1的B₁为岗位职级编码1下的、且参与待处理任务1的用户的工作量的总和，其中，待处理任务1的B₂为岗位职级编码2下的、且参与待处理任务1的用户的工作量的总和。并且，待处理任务1的预测工作量，指示出了参与待处理任务1的各用户，分别为用户1、用户2、用户3以及用户4。待处理任务1的预测工作量，指示出了用户1的岗位职级编码1、用户2的岗位职级编码1、用户3的岗位职级编码2、用户4的岗位职级编码2。待处理任务1的预测工作量，指示出了用户1参与待处理任务1的工作量1、用户2参与待处理任务1的工作量2、用户3参与待处理任务1的工作量3、用户4参与待处理任务1的工作量4。

可知，用户1和用户2的岗位职级编码，均为岗位职级编码1；待处理任务1的B₁为用户1的工作量1与用户2的工作量2两者之和。用户3和用户4的岗位职级编码，均为岗位职级编码2；待处理任务1的B₂为用户3的工作量3与用户4的工作量4两者之和。

待处理任务2的预测工作量包括了B₁和B₂；其中，待处理任务2的B₁为岗位职级编码1下的、且参与待处理任务2的用户的工作量的总和，其中，待处理任务2的B₂为岗位职级编码2下的、且参与待处理任务2的用户的工作量的总和。并且，待处理任务2的预测工作量，指示出了参与待处理任务2的各用户，分别为用户1、用户2、用户3以及用户4。待处理任务2的预测工作量，指示出了用户1的岗位职级编码1、用户2的岗位职级编码1、用户3的岗位职级编码2、用户4的岗位职级编码2。待处理任务2的预测工作量，指示出了用户1参与待处理任务2的工作量5、用户2参与待处理任务2的工作量6、用户3参与待处理任务2的工作量7、用户4参与待处理任务2的工作量8。

可知，用户1和用户2的岗位职级编码，均为岗位职级编码1；待处理任务2的B₁为用户1的工作量5与用户2的工作量6两者之和。用户3和用户4的岗位职级编码，均为岗位职级编码2；待处理任务2的B₂为用户3的工作量7与用户4的工作量8两者之和。

从而，针对用户1，确定用户1参与了待处理任务1和待处理任务2；针对用户1，可以确定出待处理任务1的预测工作量所指示的用户1的工作量1、待处理任务2的预测工作量所指示的用户1的工作量5；针对用户1，将用户1的工作量1和用户1的工作量5进行求和，得到用户1的第一工作量。可知，用户1的第一工作量为用户1参与待识别数据中的待处理任务1时所付出的工作量1、参与待识别数据中的待处理任务2时所付出的工作量5两者之和。上述工作量1，是用户1参与待处理任务1的预测量信息；工作量5，是用户1参与待处理任务2的预测量信息。

针对用户2，确定用户2参与了待处理任务1和待处理任务2；针对用户2，可以确定出待处理任务1的预测工作量所指示的用户2的工作量2、待处理任务2的预测工作量所指示的用户2的工作量6；针对用户2，将用户2的工作量2和用户2的工作量6进行求和，得到用户2的第一工作量。可知，用户2的第一工作量为用户2参与待识别数据中的待处理任务1时所付出的工作量2、参与待识别数据中的待处理任务2时所付出的工作量6两者之和。上述工作量2，是用户2参与待处理任务1的预测量信息；工作量6，是用户2参与待处理任务2的预测量信息。

针对用户3，确定用户3参与了待处理任务1和待处理任务2；针对用户3，可以确定出待处理任务1的预测工作量所指示的用户3的工作量3、待处理任务2的预测工作量所指示的用户3的工作量7；针对用户3，将用户3的工作量3和用户3的工作量7进行求和，得到用户3的第一工作量。可知，用户3的第一工作量为用户3参与待识别数据中的待处理任务1时所付出的工作量3、参与待识别数据中的待处理任务2时所付出的工作量7两者之和。上述工作量3，是用户3参与待处理任务1的预测量信息；工作量7，是用户3参与待处理任务2的预测量信息。

针对用户4，确定用户4参与了待处理任务1和待处理任务2；针对用户4，可以确定出待处理任务1的预测工作量所指示的用户4的工作量4、待处理任务2的预测工作量所指示的用户4的工作量8；针对用户4，将用户4的工作量4和用户4的工作量8进行求和，得到用户4的第一工作量。可知，用户4的第一工作量为用户4参与待识别数据中的待处理任务1时所付出的工作量4、参与待识别数据中的待处理任务2时所付出的工作量8两者之和。上述工作量4，是用户4参与待处理任务1的预测量信息；工作量8，是用户4参与待处理任务2的预测量信息。

S306、获取用户的第二工作比重和用户的第二工作量；其中，第二工作比重为真实比重信息的总和，真实比重信息为真实情况下用户参与待处理任务时的工作比重；第二工作量为真实量信息的总和，真实量信息为真实情况下用户参与待处理任务时的工作量。

示例性地，为了确定出用户的超额适应产出信息和超额协作产出信息，还需要参与待识别数据的每一用户的第二工作比重和第二工作量。

其中，针对每一用户，用户的第二工作比重为真实情况下用户参与待处理任务时所付出的工作比重的总和，用户的第二工作量为真实情况下用户参与待处理任务时所付出的工作量的总和。

举例来说，针对步骤S305的示例，真实情况下用户1参与待处理任务1的工作比重9、真实情况下用户2参与待处理任务1的工作比重10、真实情况下用户3参与待处理任务1的工作比重11、真实情况下用户4参与待处理任务1的工作比重12。

真实情况下用户1参与待处理任务2的工作比重13、真实情况下用户2参与待处理任务2的工作比重14、真实情况下用户3参与待处理任务2的工作比重15、真实情况下用户4参与待处理任务2的工作比重16。

从而，用户1的第二工作比重为真实情况下用户1参与待处理任务1的工作比重9、真实情况下用户1参与待处理任务2的工作比重13两者之和。上述工作比重9，是用户1参与待处理任务1的真实比重信息；工作比重13，是用户1参与待处理任务1的真实比重信息。

用户2的第二工作比重为真实情况下用户2参与待处理任务1的工作比重10、真实情况下用户2参与待处理任务2的工作比重14两者之和。上述工作比重10，是用户2参与待处理任务1的真实比重信息；工作比重14，是用户2参与待处理任务1的真实比重信息。

用户3的第二工作比重为真实情况下用户3参与待处理任务1的工作比重11、真实情况下用户3参与待处理任务2的工作比重15两者之和。上述工作比重11，是用户3参与待处理任务1的真实比重信息；工作比重15，是用户3参与待处理任务1的真实比重信息。

用户4的第二工作比重为真实情况下用户4参与待处理任务1的工作比重12、真实情况下用户4参与待处理任务2的工作比重16两者之和。上述工作比重12，是用户4参与待处理任务1的真实比重信息；工作比重16，是用户4参与待处理任务1的真实比重信息。

一个示例中，待处理任务为代码贡献任务，第一工作比重为预测的代码工作比重的总和，预测的代码工作比重为预测出的用户参与代码贡献任务时的代码工作比重，代码工作比重为代码的用户人力投入信息与代码的团队人力投入信息之间的比例。第一工作量为预测的代码提交行数的总和，预测的代码提交行数为预测出的用户参与代码贡献任务时的代码提交行数。第二工作比重为真实的代码工作比重的总和，真实的代码工作比重为真实情况下用户参与代码贡献任务时的代码工作比重。第二工作量为真实的代码提交行数的总和，真实的代码提交行数为真实情况下用户参与代码贡献任务时的代码提交行数。

或者，一个示例中，待处理任务为卡片贡献任务，第一工作比重为预测的卡片工作比重的总和，预测的卡片工作比重为预测出的用户参与卡片贡献任务时的卡片工作比重，卡片工作比重为卡片的用户人力投入信息与卡片的团队人力投入信息之间的比例。第一工作量为预测的卡片数量的总和，预测的卡片数量为预测出的用户参与卡片贡献任务时所完成的卡片数量。第二工作比重为真实的卡片工作比重的总和，真实的卡片工作比重为真实情况下用户参与卡片贡献任务时的卡片工作比重。第二工作量为真实的卡片数量的总和，真实的卡片数量为真实情况下用户参与卡片贡献任务时所完成的卡片数量。

或者，一个示例中，待处理任务为卡片工时任务，第一工作比重为预测的工时工作比重的总和，预测的工时工作比重为预测出的用户参与卡片工时任务时的工时工作比重，工时工作比重为卡片工时的用户人力投入信息与卡片工时的团队人力投入信息之间的比例。第一工作量为预测的卡片工时的总和，预测的卡片工时为预测出的用户参与卡片工时任务时的卡片工时。第二工作比重为真实的工时工作比重的总和，真实的工时工作比重为真实情况下用户参与卡片工时任务时的工时工作比重。第二工作量为真实的卡片工时的总和，真实的卡片工时为真实情况下用户参与卡片工时任务时的卡片工时。

或者，一个示例中，待处理任务为文档贡献任务，第一工作比重为预测的文档工作比重的总和，预测的文档工作比重为预测出的用户参与文档贡献任务时的文档工作比重；其中，文档工作比重的为用户文档数量与团队文档数量之间的比例，用户文档数量为用户所对应的文档的数量，用户所对应的文档为与卡片关联的文档；团队文档数量为待识别数据下的各用户的用户文档数量的总和。

第一工作量为预测的文档信息的总和，预测的文档信息为预测出的用户参与文档贡献任务时的文档信息；其中，文档信息为与卡片关联的文档的数量，或者，文档信息为与卡片关联的文档的字数，或者，文档信息为与卡片关联的文档的影响力指数。

第二工作比重为真实的文档工作比重的总和，真实的文档工作比重为真实情况下用户参与文档贡献任务时的文档工作比重。

第二工作量为真实的文档信息的总和，真实的文档信息为真实情况下用户参与文档贡献任务时的文档信息。

示例性地，若待处理任务为代码贡献任务，从而，待识别数据中包括多个已经完成的代码贡献任务。其中，代码贡献任务，指的是，用户对编程的代码贡献量或代码贡献程度。

若待处理任务为代码贡献任务，针对每一用户，用户的第一工作比重表征预测出的用户参与代码贡献任务时所付出的代码工作比重之和；即，第一工作比重为预测的代码工作比重的总和，预测的代码工作比重为预测出的用户参与代码贡献任务时的代码工作比重。其中，代码工作比重为代码的用户人力投入信息与代码的团队人力投入信息之间的比例。其中，代码的用户人力投入信息，指的是，用户在提交代码上的投入量(投入量，例如是，用户提交的代码行数、或者用户编写代码所花费的时间)。代码的团队人力投入信息，指的是，团队中的每一用户在提交代码上的投入量的总和。

针对每一用户，用户的第一工作量为预测出的用户参与代码贡献任务时所付出的代码提交行数之和；即，第一工作量为预测的代码提交行数的总和，预测的代码提交行数为预测出的用户参与代码贡献任务时的代码提交行数。其中，代码提交行数，指的是，用户所提交的代码的行数。

针对每一用户，用户的第二工作比重为真实情况下用户参与代码贡献任务时所付出的代码工作比重的之和；即，第二工作比重为真实的代码工作比重的总和，真实的代码工作比重为真实情况下用户参与代码贡献任务时的代码工作比重。

针对每一用户，用户的第二工作量为真实情况下用户参与代码贡献任务时所付出的代码提交行数之和；即，第二工作量为真实的代码提交行数的总和，真实的代码提交行数为真实情况下用户参与代码贡献任务时的代码提交行数。

举例来说，用户1、用户2、用户3以及用户4均参与了待识别数据。其中，用户1、用户2、用户3以及用户4参与了待识别数据中的待处理任务1，用户1、用户2、用户3以及用户4参与了待识别数据中的待处理任务2。此时，待处理任务，指的是，代码贡献的任务。

预测出的用户1参与待处理任务1的预测的代码工作比重a1、预测出的用户2参与待处理任务1的预测的代码工作比重a2、预测出的用户3参与待处理任务1的预测的代码工作比重a3、预测出的用户4参与待处理任务1的预测的代码工作比重a4。预测出的用户1参与待处理任务2的预测的代码工作比重a5、预测出的用户2参与待处理任务2的预测的代码工作比重a6、预测出的用户3参与待处理任务2的预测的代码工作比重a7、预测出的用户4参与待处理任务2的预测的代码工作比重a8。

从而，得到用户1的第一工作比重为预测的代码工作比重a1与预测的代码工作比重a5两者之和。用户2的第一工作比重为预测的代码工作比重a2与预测的代码工作比重a6两者之和2。用户3的第一工作比重为预测的代码工作比重a3与预测的代码工作比重a7两者之和。用户4的第一工作比重为预测的代码工作比重a4与预测的代码工作比重a8两者之和。

预测出的用户1参与待处理任务1的预测的代码提交行数b1、预测出的用户2参与待处理任务1的预测的代码提交行数b2、预测出的用户3参与待处理任务1的预测的代码提交行数b3、预测出的用户4参与待处理任务1的预测的代码提交行数b4。预测出的用户1参与待处理任务2的预测的代码提交行数b5、预测出的用户2参与待处理任务2的预测的代码提交行数b6、预测出的用户3参与待处理任务2的预测的代码提交行数b7、预测出的用户4参与待处理任务2的预测的代码提交行数b8。

从而，得到用户1的第一工作量为预测的代码提交行数b1与预测的代码提交行数b5两者之和。用户2的第一工作量为预测的代码提交行数b3与预测的代码提交行数b6两者之和。用户3的第一工作量为预测的代码提交行数b3与预测的代码提交行数b7两者之和。用户4的第一工作量为预测的代码提交行数b4与预测的代码提交行数b8两者之和。

同样的，可以得到用户1的第二工作比重和第二工作量，得到用户2的第二工作比重和第二工作量，得到用户3的第二工作比重和第二工作量，得到用户4的第二工作比重和第二工作量。

从而，若待处理任务为代码贡献任务，可以根据参与待识别数据中的各待处理任务的用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定出每一用户的超额适应产出信息和超额协作产出信息。从而可以基于用户的超额适应产出信息和超额协作产出信息，为用户推荐匹配的代码贡献的任务。进而，使得代码编写任务可以被合理的分配给用户，使得代码编写任务可以被尽快完成。

若待处理任务为卡片贡献任务，从而，待识别数据中包括多个已经完成的卡片贡献任务。其中，卡片贡献任务，指的是，用户对卡片的付出贡献量或付出贡献程度。卡片，是软件开发中的方法论，每一任务是一个卡片。

若待处理任务为卡片贡献任务，针对每一用户，用户的第一工作比重表征预测出的用户参与卡片贡献任务时所付出的卡片工作比重之和；即，第一工作比重为预测的卡片工作比重的总和，预测的卡片工作比重为预测出的用户参与卡片贡献任务时的卡片工作比重。其中，卡片工作比重为卡片的用户人力投入信息与卡片的团队人力投入信息之间的比例。其中，卡片的用户人力投入信息，指的是，用户在卡片上的投入量(投入量，例如是，用户提交的卡片的总量、或者用户完成卡片所花费的时间)。卡片的团队人力投入信息，指的是，团队中的每一用户在卡片上的投入量的总和。

针对每一用户，用户的第一工作量为预测出的用户参与卡片贡献任务时所完成的卡片数量之和；即，第一工作量为预测的卡片数量的总和，预测的卡片数量为预测出的用户参与卡片贡献任务时所完成的卡片数量。

针对每一用户，用户的第二工作比重为真实情况下用户参与卡片贡献任务时所付出的卡片工作比重之和；即，第二工作比重为真实的卡片工作比重的总和，真实的卡片工作比重为真实情况下用户参与卡片贡献任务时的卡片工作比重。

针对每一用户，用户的第二工作量为真实情况下用户参与卡片贡献任务时所完成的卡片数量之和；即，第二工作量为真实的卡片数量的总和，真实的卡片数量为真实情况下用户参与卡片贡献任务时所完成的卡片数量。

从而，若待处理任务为卡片贡献任务，可以根据参与待识别数据中的各待处理任务的用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定出每一用户的超额适应产出信息和超额协作产出信息。从而可以基于用户的超额适应产出信息和超额协作产出信息，为用户推荐匹配的卡片贡献任务。进而，使得卡片贡献的任务可以被合理的分配给用户，使得卡片的相关任务可以被尽快完成。

若待处理任务为卡片工时任务，从而，待识别数据中包括多个已经完成的卡片工时任务。其中，卡片工时任务，指的是，用户完成卡片的工时。

若待处理任务为卡片工时任务，针对每一用户，用户的第一工作比重表征预测出的用户参与卡片工时任务时所付出的工时工作比重的总和；即，第一工作比重为预测的工时工作比重的总和，预测的工时工作比重为预测出的用户参与卡片工时任务时的工时工作比重。其中，工时工作比重为卡片工时的用户人力投入信息与卡片工时的团队人力投入信息之间的比例。其中，卡片工时的用户人力投入信息，指的是，用户在完成卡片时所花费工时的总量。卡片工时的团队人力投入信息，指的是，团队中的每一用户在完成卡片时所花费工时的总量。

针对每一用户，用户的第一工作量为预测出的用户参与卡片工时任务时所完成的卡片工时的总和；即，第一工作量为预测的卡片工时的总和，预测的卡片工时为预测出的用户参与卡片工时任务时的卡片工时。

针对每一用户，用户的第二工作比重为真实情况下用户参与卡片工时任务时所付出的工时工作比重的总和；即，第二工作比重为真实的工时工作比重的总和，真实的工时工作比重为真实情况下用户参与卡片工时任务时的工时工作比重。

针对每一用户，用户的第二工作量为真实情况下用户参与卡片工时任务时所完成的卡片工时的总和；即，第二工作量为真实的卡片工时的总和，真实的卡片工时为真实情况下用户参与卡片工时任务时的卡片工时。

从而，若待处理任务为卡片工时任务，可以根据参与待识别数据中的各待处理任务的用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定出每一用户的超额适应产出信息和超额协作产出信息。从而可以基于用户的超额适应产出信息和超额协作产出信息，为用户推荐匹配的卡片工时任务。进而，使得卡片的相关任务可以被合理的分配给用户，使得卡片的相关任务可以被尽快完成。

若待处理任务为文档贡献任务，从而，待识别数据中包括多个已经完成的文档贡献任务。其中，文档贡献任务，指的是，用户编写文档的贡献量或贡献程度。

若待处理任务为文档贡献任务，针对每一用户，用户的第一工作比重表征预测出的用户参与文档贡献任务时所对应的文档工作比重之和；即，第一工作比重为预测的文档工作比重的总和，预测的文档工作比重为预测出的用户参与文档贡献任务时的文档工作比重。其中，文档工作比重的为用户文档数量与团队文档数量之间的比例。其中，用户文档数量，指的是，用户所对应的文档的数量；其中，用户所对应的文档为与卡片关联的文档。例如，用户所对应的文档，是用户所编写的文档，也是与卡片关联的文档。团队文档数量，指的是各用户的用户文档数量之和。

针对每一用户，用户的第一工作量为预测出的用户参与文档贡献任务时所对应的文档信息的总和；即，第一工作量为预测的文档信息的总和，预测的文档信息为预测出的用户参与文档贡献任务时的文档信息。其中，文档信息，指的是，与卡片关联的文档的数量；此时，用户的第一工作量为与用户对应的、且与卡片关联的文档的文档总数量。

或者，文档信息，指的是，与卡片关联的文档的字数；此时，用户的第一工作量为与用户对应的、且与卡片关联的文档的文档总字数。

或者，文档信息，指的是，与卡片关联的文档的影响力指数；此时，用户的第一工作量为与用户对应的、且与卡片关联的文档的影响力指数的指数总和。

针对每一用户，用户的第二工作比重为真实情况下用户参与文档贡献任务时所对应的文档工作比重的总和；即，第二工作比重为真实的文档工作比重的总和，真实的文档工作比重为真实情况下用户参与文档贡献任务时的文档工作比重。

针对每一用户，用户的第二工作量为真实情况下用户参与文档贡献任务时所对应的文档信息的总和；即，第二工作量为真实的文档信息的总和，真实的文档信息为真实情况下用户参与文档贡献任务时的文档信息。

从而，若待处理任务为文档贡献任务，可以根据参与待识别数据中的各待处理任务的用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定出每一用户的超额适应产出信息和超额协作产出信息。从而可以基于用户的超额适应产出信息和超额协作产出信息，为用户推荐匹配的文档贡献任务，即，为用户推荐与用户匹配的文档编写任务。进而，使得文档编写任务可以被合理的分配给用户，使得文档编写任务可以被尽快完成。

S307、根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定超额适应产出信息和超额协作产出信息。

其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

一个示例中，步骤S307包括：

步骤S307的第一步骤、根据第一工作比重、第一工作量以及第二工作比重，确定超额适应产出信息。

步骤S307的第二步骤、根据第一工作比重、第一工作量以及第二工作量，确定超额协作产出信息。或者，根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定超额协作产出信息。

示例性地，针对参与待识别数据中的待处理任务的用户，根据每一用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定出每一用户超额适应产出信息和超额协作产出信息。从而可以得到个人工作状态的情况和团队配合状态的情况。进而便于为用户推荐合适的任务。

一个示例中，针对每一用户，在确定用户的超额适应产出信息的时候，可以根据该用户的所预测的工作比重、所预测的工作量以及真实的工作比重，确定出用户的超额适应产出信息。从而，针对每一用户，根据用户的第一工作比重、第一工作量以及第二工作比重，确定用户的超额适应产出信息。

针对每一用户，在确定用户的超额协作产出信息的时候，可以根据该用户的所预测的工作比重、所预测的工作量以及真实的工作量，确定出用户的超额协作产出信息。从而，针对每一用户，根据用户的第一工作比重、第一工作量以及第二工作量，确定用户的超额协作产出信息。

或者，在确定用户的超额协作产出信息的时候，可以根据该用户的所预测的工作比重、所预测的工作量、真实的工作比重以及真实的工作量，确定出用户的超额协作产出信息。从而，针对每一用户，根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定用户的超额协作产出信息。

从而，根据用户的所预测的工作比重、所预测的工作量以及真实的工作量，确定出用户的超额协作产出信息，得到用户在完成任务时的个人工作状态的情况；个人工作状态，指的是，个人熟练度，和/或，个人效率。根据该用户的所预测的工作比重、所预测的工作量、真实的工作比重以及真实的工作量，或者，根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定用户的超额协作产出信息，得到用户在完成任务时的团队配合状态；团队配合状态，指的是，配合度，和/或，作用度。从而有针对性的、准确的确定出用户的个人工作状态和团队配合状态，便于合理的为用户推荐与用户匹配的任务。

一个示例中，步骤S307的第一步骤，包括：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系。根据第二工作比重、第一工作量以及用户总人数，确定第二项目信息；其中，第二项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系。根据第一项目信息和第二项目信息，确定用户的超额适应产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间。上述“根据第一项目信息和第二项目信息，确定用户的超额适应产出信息”，包括：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值。

根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和。

确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第二项目信息的乘积，为用户的第二工作贡献信息。

根据用户的第一工作贡献信息与用户的第二工作贡献信息，确定用户的超额适应产出信息。

一个示例中，用户的超额适应产出信息为用户的第二工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值。

示例性地，在确定用户的超额适应产出信息的过程中，可以采用以下方式实现。

参与待识别数据的用户有多个，进而可以得到参与待识别数据的用户的用户总人数。第一工作比重表征的是预测出的用户所参与每一待处理任务所付出的工作比重之和，第一工作量表征的是预测出的用户所参与每一待处理任务所付出的工作量之和；根据每一用户的第一工作比重、每一用户的第一工作量、以及用户总人数，可以确定出第一项目信息。可知，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系。

其中，第一项目信息

其中，R为用户总人数，R为大于等于1的正整数。k为大于等于1、小于等于R的正整数。w_b，k为第k个用户的第一工作比重，r_b，k为第k个用户的第一工作量。

第二工作比重表征的是真实情况下用户所参与每一待处理任务所付出的工作比重之和，第一工作量表征的是预测出的用户所参与每一待处理任务所付出的工作量之和；根据第二工作比重、第一工作量以及用户总人数，可以确定出第二项目信息。可知，第二项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系。

其中，第二项目信息

其中，R为用户总人数，R为大于等于1的正整数。k为大于等于1、小于等于R的正整数。w_p，k为第k个用户的第二工作比重，r_b，k为第k个用户的第一工作量。

第一工作比重表征的是预测出的用户所参与每一待处理任务所付出的工作比重之和，第二工作量表征的是真实情况下用户所参与每一待处理任务所付出的工作量之和；根据第一工作比重、第二工作量以及用户总人数，可以确定出第三项目信息。可知，第三项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系。

其中，第三项目信息

其中，R为用户总人数，R为大于等于1的正整数。k为大于等于1、小于等于R的正整数。w_b，k为第k个用户的第一工作比重，r_p，k为第k个用户的第二工作量。

第二工作比重表征的是真实情况下用户所参与每一待处理任务所付出的工作比重之和，第二工作量表征的是真实情况下用户所参与每一待处理任务所付出的工作量之和；根据第二工作比重、第二工作量以及用户总人数，可以确定出第四项目信息。可知，第四项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第二工作量之间的关系。

其中，第四项目信息

其中，R为用户总人数，R为大于等于1的正整数。k为大于等于1、小于等于R的正整数。w_p，k为第k个用户的第二工作比重，r_p，k为第k个用户的第二工作量。

可以根据第一项目信息和第二项目信息，确定出参与待识别数据的每一用户的超额适应产出信息。从而，基于预测出的用户的工作比重和预测出的用户的工作量之间的关系、真实情况下用户的工作比重和预测出的用户的工作量之间的关系，得到每一用户的个人工作状态，进而得到每一用户的超额适应产出信息。通过基于预测出的用户的工作比重、真实情况下用户的工作比重，两者各自相对于预测出的用户的工作量的关系，可以确定出用户的个人工作状态；进而准确的确定出用户的个人工作状态。

一个示例中，可以通过以下过程，根据第一项目信息和第二项目信息，确定出参与待识别数据的每一用户的超额适应产出信息。

待识别数据中包括E个待处理任务。E为大于等于1的正整数。第e个待处理任务具有时间信息τ_e，时间信息τ_e表征完成第e个待处理任务所耗费的时间。e为大于等于1、小于等于E的正整数。

进而根据待识别数据中待处理任务的时间信息，可以计算出第e个待处理任务的任务绩效归因参数

其中，第e个待处理任务的任务绩效归因参数η_e表征第e个待处理任务的时间信息与多个待处理任务的时间信息之间的比值，/>

为E个待处理任务的时间信息之和。

由于用户参与了待处理数据中的至少一个待处理任务，所以预先存储有待处理任务和用户之间的对应关系，即，预先存储有预设对应关系。针对每一用户，可以根据预设对应关系，从各待处理任务中选择出该用户所参与的待处理任务。

然后，由于每一待处理任务具有任务绩效归因参数，从而针对每一用户，可以确定出该用户所参与的待处理任务的任务绩效归因参数的总和。并且，针对每一用户，确定该用户所参与的待处理任务的任务绩效归因参数的总和，为该用户的用户绩效归因参数。即，对第k个用户对应的每一个待处理任务的任务绩效归因参数进行求和，得到第k个用户的用户绩效归因参数。

举例来说，第1个待处理任务的任务绩效归因参数η₁，第2个待处理任务的任务绩效归因参数η₂，用户1参与了第1个待处理任务和第2个待处理任务；进而可以得到用户1的用户绩效归因参数为η₁+η₂。

然后，对第k个用户的用户绩效归因参数、与第一项目信息Q₁进行乘积，得到第k个用户的第一工作贡献信息η_k(Q₁)。

举例来说，第1个待处理任务的任务绩效归因参数η₁，第2个待处理任务的任务绩效归因参数η₂，用户1参与了第1个待处理任务和第2个待处理任务；进而可以得到用户1的第一工作贡献信息η₁(Q₁)＝(η₁+η₂)Q₁。

对第k个用户的用户绩效归因参数、与第二项目信息Q₂进行乘积，得到第k个用户的第二工作贡献信息η_k(Q₂)。

举例来说，第1个待处理任务的任务绩效归因参数η₁，第2个待处理任务的任务绩效归因参数η₂，用户1参与了第1个待处理任务和第2个待处理任务；进而可以得到用户1的第二工作贡献信息η₁(Q₂)＝(η₁+η₂)Q₂。

对第k个用户的用户绩效归因参数、与第三项目信息Q₃进行乘积，得到第k个用户的第三工作贡献信息η_k(Q₃)。

举例来说，第1个待处理任务的任务绩效归因参数η₁，第2个待处理任务的任务绩效归因参数η₂，用户1参与了第1个待处理任务和第2个待处理任务；进而可以得到用户1的第三工作贡献信息η₁(Q₃)＝(η₁+η₂)Q₃。

对第k个用户的用户绩效归因参数、与第四项目信息Q₄进行乘积，得到第k个用户的第四工作贡献信息η_k(Q₄)。

举例来说，第1个待处理任务的任务绩效归因参数η₁，第2个待处理任务的任务绩效归因参数η₂，用户1参与了第1个待处理任务和第2个待处理任务；进而可以得到用户1的第四工作贡献信息η₁(Q₃)＝(η₁+η₂)Q₄。

根据第k个用户的第一工作贡献信息η_k(Q₁)和第k个用户的第二工作贡献信息η_k(Q₂)，可以确定出第k个用户的超额适应产出信息。

一个示例中，第k个用户的超额适应产出信息AR_k＝η_k(Q₂)-η_k(Q₁)。从而准确的得到第k个用户的个人工作状态。

从而，基于第一项目信息、第二项目信息、用户的用户绩效归因参数，确定出用户的超额适应产出信息；即，基于用户的预测出的工作比重和预测出的工作量之间的关系、用户的真实情况下的工作比重和预测出的工作量之间的关系、用户所参与各待处理任务的任务绩效归因参数之和，准确的确定出用户的个人工作状态。

一个示例中，步骤S307的第二步骤中“根据第一工作比重、第一工作量以及第二工作量，确定超额协作产出信息”，包括：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系。根据第一工作比重、第二工作量以及用户总人数，确定第三项目信息；其中，第三项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系。根据第一项目信息和第三项目信息，确定用户的超额协作产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间。上述“根据第一项目信息和第三项目信息，确定用户的超额协作产出信息”，包括：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值。

根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和。

确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第三项目信息的乘积，为用户的第三工作贡献信息。

根据用户的第一工作贡献信息与用户的第三工作贡献信息，确定用户的超额协作产出信息。

一个示例中，用户的超额协作产出信息为用户的第三工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值。

一个示例中，步骤S307的第二步骤中“根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定超额协作产出信息”，包括：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；并根据第二工作比重、第一工作量以及用户总人数，确定第二项目信息；其中，第二项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系。

根据第一工作比重、第二工作量以及用户总人数，确定第三项目信息；其中，第三项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；并根据第二工作比重、第二工作量以及用户总人数，确定第四项目信息；其中，第四项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第二工作量之间的关系。

根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间。上述“根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息”，包括：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值。

根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和。

根据用户的用户绩效归因参数、第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息。

一个示例中，上述“根据用户的用户绩效归因参数、第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息”，包括：

确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第二项目信息的乘积，为用户的第二工作贡献信息。

确定用户的用户绩效归因参数与第三项目信息的乘积，为用户的第三工作贡献信息；并确定用户的用户绩效归因参数与第四项目信息的乘积，为用户的第四工作贡献信息。

根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的超额协作产出信息。

一个示例中，上述“根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的超额协作产出信息”，包括：

确定用户的第三工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值，为用户的初始超额协作产出数据。根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的综合交互收益数据。确定用户的初始超额协作产出数据所表征的数值与用户的综合交互收益数据所表征的数值的总和，为用户的超额协作产出信息。

示例性地，在确定用户的超额协作产出信息的过程中，可以采用以下两种方式实现。

第一种方式。根据前面的介绍，可以确定出第一项目信息Q₁和第三项目信息Q₃。

可以根据第一项目信息和第三项目信息，确定出参与待识别数据的每一用户的超额协作产出信息。从而，基于预测出的用户的工作比重和预测出的用户的工作量之间的关系、预测出的用户的工作比重和真实情况下用户的工作量之间的关系，得到每一用户的团队配合状态，进而得到每一用户的超额协作产出信息。通过基于预测出的用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系，可以确定出用户的团队配合状态；进而准确的确定出用户的团队配合状态。

一个示例中，可以通过以下过程，根据第一项目信息和第三项目信息，确定出参与待识别数据的每一用户的超额协作产出信息。

根据前面的介绍，可以得到第k个用户的第一工作贡献信息η_k(Q₁)、第k个用户的第三工作贡献信息η_k(Q₃)。

根据第k个用户的第一工作贡献信息η_k(Q₁)和第k个用户的第三工作贡献信息η_k(Q₃)，可以确定出第k个用户的超额协作产出信息。

一个示例中，第k个用户的超额协作产出信息SR_k＝η_k(Q₃)-η_k(Q₁)。从而准确的得到第k个用户的团队配合状态。

从而，基于第一项目信息、第三项目信息、用户的用户绩效归因参数，确定出用户的超额协作产出信息；即，基于预测出的用户的工作比重和预测出的用户的工作量之间的关系、预测出的用户的工作比重和真实情况下用户的工作量之间的关系、用户所参与各待处理任务的任务绩效归因参数之和，准确的确定出用户的团队配合状态。

第二种方式。根据前面的介绍，可以确定出第一项目信息Q₁、第二项目信息Q₂、第三项目信息Q₃、以及第四项目信息Q₄。

可以根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定出参与待识别数据的每一用户的超额协作产出信息。从而，基于预测出的用户的工作比重和预测出的用户的工作量之间的关系、真实情况下用户的工作比重和预测出的用户的工作量之间的关系、预测出的用户的工作比重和真实情况下用户的工作量之间的关系、真实情况下用户的工作比重和真实情况下用户的工作量之间的关系，得到每一用户的团队配合状态，进而得到每一用户的超额协作产出信息。基于预测出的用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系；并且，基于真实情况下用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系，可以确定出用户的团队配合状态；进而准确的确定出用户的团队配合状态。

一个示例中，可以通过以下过程，根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息。

根据前面的介绍，可以得到每一用户的用户绩效归因参数。从而针对每一用户，对用户的用户绩效归因参数、第一项目信息、第二项目信息、第三项目信息以及第四项目信息进行计算处理，得到用户的超额协作产出信息。所得到的超额协作产出信息综合考虑了多种因素，进而可以准确的确定出用户的团队配合状态。

根据前面介绍，可以得到每一用户的第一工作贡献信息、第二工作贡献信息、第三工作贡献信息以及第四工作贡献信息。即，得到第k个用户的第一工作贡献信息η_kQQ₁)、第k个用户的第二工作贡献信息η_k(Q₂)、第k个用户的第三工作贡献信息η_k(Q₃)、以及第k个用户的第四工作贡献信息η_k(Q₄)。

根据第k个用户的第一工作贡献信息η_k(Q₁)、第k个用户的第二工作贡献信息η_k(Q₂)、第k个用户的第三工作贡献信息η_k(Q₃)、以及第k个用户的第四工作贡献信息η_k(Q₄)，可以确定出第k个用户的超额协作产出信息。所得到超额协作产出信息综合考虑了多种因素；结合了预测出的用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系；并且，结合了真实情况下用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系；并且，结合了用户的用户绩效归因参数；可以准确的得到超额协作产出信息。

一个示例中，将第k个用户的第三工作贡献信息η_k(Q₃)，减去第k个用户的第一工作贡献信息η_k(Q₁)，得到第k个用户的初始超额协作产出数据XR_k＝η_k(Q₃)-η_k(Q₁)。

然后，根据第k个用户的第一工作贡献信息η_k(Q₁)、第k个用户的第二工作贡献信息η_k(Q₂)、第k个用户的第三工作贡献信息η_k(Q₃)、第k个用户的第四工作贡献信息η_k(Q₄)，确定第k个用户的综合交互收益数据IR_k＝η_k(Q₄)-η_k(Q₃)-η_k(Q₂)+η_k(Q₁)。

然后，根据第k个用户的初始超额协作产出数据XR_k、第k个用户的综合交互收益数据IR_k，确定第k个用户的超额协作产出信息SR_k＝XR_kIR_k。从而准确的得到第k个用户的团队配合状态。

本实施例的步骤S304-S307，可以基于指Brinson绩效归因模型实现。

S308、根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。

示例性地，本步骤可以参见上述步骤S205，不再赘述。

S309、可视化显示用户的超额适应产出信息和超额协作产出信息。或者，根据多个用户的超额适应产出信息和多个用户的超额协作产出信息，生成并显示对比图。

其中，对比图包括第一对比信息和第二对比信息，第一对比信息为用户之间的超额适应产出信息的对比信息，第二对比信息为用户之间的超额协作产出信息的对比信息。

示例性地，在得到每一用户的超额适应产出信息和超额协作产出信息之后，为了便于用户查看自己的超额适应产出信息和超额协作产出信息，可以可视化显示用户的超额适应产出信息和超额协作产出信息。

例如，针对每一用户，将用户的超额适应产出信息和超额协作产出信息，发送给用户的终端设备；进而终端设备显示出该用户的超额适应产出信息和超额协作产出信息，使得用户查看。

还可以对多个用户的超额适应产出信息和超额协作产出信息，进行比对分析，得到用户之间的超额适应产出信息的对比信息、用户之间的超额协作产出信息的对比信息；将对比信息，显示到对比图中，进而使得用户查看自己在个人工作情况、以及团队配合情况。便于用户获知自己在团队配合中的情况。

本实施例中，通过上述过程，基于用户的预测出的工作比重和预测出的工作量之间的关系、用户的真实情况下的工作比重和预测出的工作量之间的关系、用户所参与各待处理任务的任务绩效归因参数之和，准确的确定出用户的超额适应产出信息。基于预测出的用户的工作比重和预测出的用户的工作量之间的关系、预测出的用户的工作比重和真实情况下用户的工作量之间的关系、用户所参与各待处理任务的任务绩效归因参数之和，准确的确定出用户的超额协作产出信息。或者是，基于预测出的用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系；并且，基于真实情况下用户的工作比重，分别相对于预测出的用户的工作量、真实情况下用户的工作量的关系，准确的确定出用户超额协作产出信息。从而得到每一用户的个人工作状态和团队配合状态，便于确定出与用户匹配的任务，并向用户推荐与其匹配的任务。

图4是根据本公开第四实施例的示意图，如图4所示，本公开提供了一种应用于任务推荐的模型训练方法，该方法包括：

S401、获取待训练数据，其中，待训练数据中包括至少一个待训练任务，待训练任务为至少一个用户所完成的。

示例性地，本实施例的执行主体为终端设备、或者服务器、或者任务推荐装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。

在需要为用户推荐任务之前，需要用户的超额适应产出信息和超额协作产出信息。超额适应产出信息和超额协作产出信息，参见上述任务推荐方法的实施例的介绍。

超额适应产出信息，需要基于任务推荐方法的实施例中的待处理任务的预测工作比重和预测工作量确定出来。超额协作产出信息，也是需要基于任务推荐方法的实施例中的待处理任务的预测工作比重和预测工作量确定出来。待处理任务的预测工作比重和待处理任务的预测工作量，参见上述任务推荐方法的实施例的介绍。

待处理任务的预测工作比重，需要基于预设基准分配模型所得到。待处理任务的预测工作量需要基于预设基准工作量预估模型所得到。进而需要进行模型的训练。

在模型训练之前，首先需要获取待训练数据，待训练数据中包括至少一个待训练任务。待训练数据中的待训练任务，是归属于至少一个项目的。针对每一项目，项目中包括一个或多个待训练任务；需要多个用户参与同一项目；并且针对每一待训练任务，需要至少一个用户参与项目下的待训练任务。

所以，所获取到的待训练数据，是多个用户下的待训练数据。

其中，待训练任务，即是，已经完成的“任务”。

举例来说，项目A包括待训练任务a1、待训练任务b1以及待训练任务c1，项目B包括待训练任务a2、待训练任务b2以及待训练任务c2。用户a参与了项目A的待训练任务a1、项目A的待训练任务b1、项目A的待训练任务c1、项目B的待训练任务a2、以及项目B的待训练任务b2。用户b参与了项目A的待训练任务a1、项目A的待训练任务b1、项目B的待训练任务a2、以及项目B的待训练任务b2。用户c参与了项目A的待训练任务c1、项目B的待训练任务b2、以及项目B的待训练任务c2。

从而，针对上述待训练任务，获取待训练数据，待训练数据中包括项目A的待训练任务a1、项目A的待训练任务b1、项目A的待训练任务c1、项目B的待训练任务a2、项目B的待训练任务b2、项目B的待训练任务c2。可知，该待训练数据针对于用户a、用户b以及用户c。

S402、根据待训练任务对第一初始模型进行训练，得到预设基准分配模型，并根据待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型。

其中，预设基准分配模型用于基于上述任务推荐方法的实施例中的待识别数据，确定待识别数据中的待处理任务的预测工作比重；预设基准工作量预估模型用于基于上述任务推荐方法的实施例中的待识别数据，确定待识别数据中的待处理任务的预测工作量；待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

示例性地，将各待训练任务，输入至第一初始模型，进而对第一初始模型进行训练，得到预设基准分配模型。预设基准分配模型，用于确定上述任务推荐方法的实施例中的待处理任务的预测工作比重。

将各待训练任务，输入至第二初始模型，进而对第二初始模型进行训练，得到预设基准工作量预估模型。预设基准工作量预估模型，用于确定上述任务推荐方法的实施例中的待处理任务的预测工作量。

进而基于各待处理任务的预测工作比重和预设工作量，确定出参与上述任务推荐方法的实施例中的待识别数据的每一用户的超额适应产出信息和超额协作产出信息。针对每一用户，根据每一用户的超额适应产出信息和超额协作产出信息，为每一用户推荐与用户匹配的任务。

本实施例中，获取待训练数据，其中，待训练数据中包括至少一个待训练任务，待训练任务为至少一个用户所完成的。根据待训练任务对第一初始模型进行训练，得到预设基准分配模型，并根据待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型。预设基准分配模型，用于确定上述任务推荐方法的实施例中的待处理任务的预测工作比重。预设基准工作量预估模型，用于确定上述任务推荐方法的实施例中的待处理任务的预测工作量。基于各待处理任务的预测工作比重和预设工作量，确定出参与上述任务推荐方法的实施例中的待识别数据的每一用户的超额适应产出信息和超额协作产出信息。针对每一用户，根据每一用户的超额适应产出信息和超额协作产出信息，为每一用户推荐与用户匹配的任务。从而为用户确定出合适的任务，以供用户完成任务；从而便于任务尽快的完成，提高了任务的完成效率。

图5是根据本公开第五实施例的示意图，如图5所示，本公开提供了一种应用于任务推荐的模型训练方法，该方法包括：

S501、获取待训练数据，其中，待训练数据中包括至少一个待训练任务，待训练任务为至少一个用户所完成的。

一个示例中，待训练任务具有任务信息；任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息。其中，任务类别信息表征待训练任务的类别；任务难度信息表征待训练任务的难度级别；任务规模信息表征完成待训练任务所需要的用户的总人数、以及完成待训练任务所需要的用户的岗位职级编码。

示例性地，本实施例的执行主体为终端设备、或者服务器、或者任务推荐装置或设备、或者其他可以执行本实施例的装置或设备，对此不做限制。

本步骤可以参见上述步骤S401。并且，每一待训练任务具有任务信息，任务信息包括：任务类别信息、任务难度信息、任务规模信息。

其中，任务类别信息表征待训练任务的类别。例如，待训练任务的类别为应用a的功能1的编码，或者，待训练任务的类别为应用a的功能2的编码，待训练任务的类别为应用a的功能3的编码。

任务难度信息表征待训练任务的难度级别。例如，待训练任务的难度级别归属于1级至10级。10级表征待训练任务的难度最高，1级表征待训练任务的难度最低。

任务规模信息表征完成待训练任务所需要的用户的总人数、完成待训练任务所需要的用户的岗位职级编码。岗位职级编码表征用户的岗位职级。例如，待训练任务需要2个用户完成，待训练任务所需要的用户1的岗位职级编码为x1，待训练任务所需要的用户2的岗位职级编码为x2。

模型的训练过程，需要预测出待训练任务的预测工作比重和预测工作量。其中，待训练任务的预测工作比重的分析过程，需要涉及任务类别信息、任务难度信息以及任务规模信息；从而基于这三个信息可以对待训练任务的预测工作比重进行预测之后，以对第一初始模型进行训练。由于待训练任务的预测工作量的分析过程，需要涉及任务类别信息和任务难度信息，从而，基于这两个信息可以对待训练任务的预测工作量进行预测之后，以对第二初始模型进行训练。

一个示例中，待训练任务具有真实工作比重，待训练任务的真实工作比重表征真实情况下完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。

待训练任务具有真实工作量，待训练任务的真实工作量表征真实情况下完成待训练任务时岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和。

示例性地，在对第一初始模型进行训练得到预设基准分配模型，以及对对第二初始模型进行训练，得到预设基准工作量预估模型的时候，需要采用待训练任务的真实工作比重和真实工作量。所获取的待训练数据中的每一待训练任务具有真实工作比重和真实工作量。

由于完成每一待训练任务需要至少一个用户，用户具有岗位职级编码；完成待训练任务的用户在参与待训练任务的过程中，针对待训练任务有工作比重；从而，可以得到每一用户针对每一待训练任务的工作比重，经过求和计算，可以得到待训练任务的真实工作比重。其中，待训练任务的真实工作比重，表征真实情况下完成待训练任务时每一岗位职级编码的工作比重参数；工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。

针对每一待训练任务，第i个待训练任务的真实工作比重为y_i＝(W₁，W₂，...，W_a，...，W_A)^T，W_a为归属于同一岗位职级编码a下的各用户的工作比重的总和；即，W_a为第a个岗位职级编码的工作比重参数。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数，a为大于等于1、小于等于A的正整数。i为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。

由于完成每一待训练任务需要至少一个用户，用户具有岗位职级编码；完成待训练任务的用户在参与待训练任务的过程中，针对待训练任务有工作量；从而，可以得到每一用户针对每一待训练任务的工作量，经过求和计算，可以得到待训练任务的真实工作量。其中，待训练任务的真实工作量表征真实情况下完成待训练任务时每一岗位职级编码的工作量参数；工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和。

针对每一待训练任务，第i个待训练任务的真实工作量为D_i＝(D₁，D₂，...，D_a，...，D_A)^T，D_a为归属于同一岗位职级编码a下的各用户的工作量的总和；即，D_a为第a个岗位职级编码的工作量。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数。i为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。

S502、根据待训练任务的任务信息和真实工作比重，对第一初始模型中的第一树模型进行训练，得到第一树模型的第一损失函数。

其中，第一损失函数表征待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异，待训练任务的预测工作比重表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。

其中，第一初始模型中包括多个第一树模型，第一树模型包括至少一个节点，第一树模型中的节点表征对待训练任务的处理动作。

一个示例中，步骤S502，包括以下过程：

重复步骤S502的第一步骤和步骤S502的第二步骤，直至m的取值为M+1：

步骤S502的第一步骤、将待训练任务输入至第m个第一树模型中，对第m个第一树模型进行训练，输出第m个第一树模型的第一损失函数；其中，第一损失函数中包括待训练任务的第一损失信息，第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

步骤S502的第二步骤、根据第m个第一树模型的第一损失函数中的第一损失信息，更新待训练任务，得到更新后的待训练任务；并确定m的取值加1。

示例性地，由于待训练任务具有任务信息和真实工作比重，可以基于每一待训练任务的任务信息和真实工作比重，对第一初始模型进行训练。

其中，第一初始模型中包括多个第一树模型。每一第一树模型中包括至少一个节点，第一树模型中的节点表征对待训练任务的处理动作，第一树模型中的节点表征对待训练任务的任务信息的处理和工作比重的预测。其中，第一初始模型中的不同的第一树模型的节点有交叉，即，某一个节点归属于一个第一树模型，也同时归属于另一个第一树模型。例如，第一初始模型是GBDT模型；GBDT模型由多个第一树模型构成；多个第一树模型中的节点有交叉，进而构成GBDT模型。

其中，第一初始模型中包括M个第一树模型，M为大于等于1的正整数；m为大于等于1、小于等于M的正整数。

从而，采用由多个第一树模型所构成的第一初始模型去训练，以得到预设基准分配模型。第一初始模型中的多个第一树模型中的节点有交叉。这样的模型可以学习到待训练数据中的各待训练任务之间的关系、学习用户在参与各待训练任务上的工作比重和个人状态。

就可以将各待训练任务的任务信息和真实工作比重，输入到第一初始模型，进而对第一初始模型中的每一第一树模型进行训练。

在对第一初始模型中的第m个第一树模型进行训练的过程中，可以输出每一待训练任务的预测工作比重。其中，所得到的待训练任务的预测工作比重表征所预测出的完成待训练任务时每一岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。其中，由于完成每一待训练任务需要至少一个用户，用户具有岗位职级编码；完成待训练任务的用户在参与待训练任务的过程中，针对待训练任务有工作比重；进而，针对每一待训练任务，将归属于同一岗位职级编码、且参与待训练任务的用户的工作比重进行求和，就得到了该待训练任务的每一岗位职级编码的工作比重参数；上述过程，可以解释待训练任务的预测工作比重的含义。

针对每一待训练任务，第i个待训练任务的预测工作比重为f(x_i)＝(F₁，F₂，...，F_a，...，F_A)^T，F_a为归属于同一岗位职级编码a下的各用户的工作比重的总和；即，F_a为第a个岗位职级编码的工作比重参数。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数。i为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。x_i为第i个待训练任务的任务信息。

然后，针对第m个第一树模型，根据每一待训练任务的预测工作比重和真实工作比重，得到第m个第一树模型的第一损失函数。从而得到每一第一树模型的第一损失函数。可知，第m个第一树模型的第一损失函数表征待训练数据中各待训练任务的预测工作比重与真实工作比重之间的差异；第m个第一树模型的第一损失函数，指示的是待训练数据中各待训练任务的特征。

就可以根据各第一树模型的第一损失函数，更新第一初始模型中的各第一树模型，进而得到预设基准分配模型。

进而根据待训练任务的任务信息，通过第一初始模型中的第一树模型，得到待训练任务的预测工作比重；基于待训练任务的预测工作比重和真实工作比重，得到第一树模型的第一损失函数；基于第一损失函数，更新第一初始模型，以得到预设基准分配模型。从而，完成了对第一初始模型的训练，得到预设基准分配模型；预设基准分配模型包括M个训练后的第一树模型；每一第一树模型的节点表征对任务的处理动作，M个训练后的第一树模型之间的节点有交叉；从而，预设基准分配模型中的节点具有信息传递关系，从而所得到预设基准分配模型可以用于处理由多个用户所完成的各待处理任务，以得到每一待处理任务的预测工作比重，进而可以准确的得到参与各待处理任务的每一用户的预测工作比重，以确定出用户的超额适应产出信息和超额协作产出信息，以为用户匹配合适的任务。

一个示例中，步骤S502可以采用以下过程实现。

对第1个第一树模型进行处理，此时m＝1。

将每一待训练任务的任务信息输入至第1个第一树模型中，输出每一待训练任务的预测工作比重。每一待训练任务具有真实工作比重；根据每一待训练任务的预测工作比重和真实工作比重，确定出每一待训练任务的预测工作比重与真实工作比重之间的差异，进而得到每一待训练任务的第一损失信息。根据每一待训练任务的第一损失信息，确定出第1个第一树模型的第一损失函数；可知，第1个第一树模型的第一损失函数包括每一待训练任务的第一损失信息。

然后，可以根据第1个第一树模型的第一损失函数中的各第一损失信息，更新每一待训练任务的真实工作比重，进而将修改每一待训练任务的真实工作比重；从而更新了待训练任务的数据。

然后，确定m的取值加1。然后，对第2个第一树模型进行处理，此时m＝2。

根据前面的介绍，更新了每一待训练任务的真实工作比重；但是每一待训练任务的任务信息是不变的。将每一待训练任务的任务信息输入至第1个第一树模型中，输出每一待训练任务的预测工作比重。每一待训练任务具有更新后的真实工作比重；根据每一待训练任务的预测工作比重和更新后的真实工作比重，确定出每一待训练任务的预测工作比重与更新后的真实工作比重之间的差异，进而得到每一待训练任务的第一损失信息。根据每一待训练任务的第一损失信息，确定出第2个第一树模型的第一损失函数；可知，第2个第一树模型的第一损失函数包括每一待训练任务的第一损失信息。

然后，可以根据第2个第一树模型的第一损失函数中的各第一损失信息，再次更新每一待训练任务的更新后的真实工作比重，进而再次修改每一待训练任务的真实工作比重；从而再次更新了待训练任务的数据。

然后，确定m的取值加1。然后，对第3个第一树模型进行处理，此时m＝3。

根据前面的介绍，再次更新了每一待训练任务的真实工作比重；但是每一待训练任务的任务信息是不变的。将每一待训练任务的任务信息输入至第1个第一树模型中，输出每一待训练任务的预测工作比重。每一待训练任务具有更新后的真实工作比重；根据每一待训练任务的预测工作比重和更新后的真实工作比重，确定出每一待训练任务的预测工作比重与更新后的真实工作比重之间的差异，进而得到每一待训练任务的第一损失信息。根据每一待训练任务的第一损失信息，确定出第3个第一树模型的第一损失函数；可知，第3个第一树模型的第一损失函数包括每一待训练任务的第一损失信息。

然后，可以根据第3个第一树模型的第一损失函数中的各第一损失信息，再次更新每一待训练任务的更新后的真实工作比重，进而再次修改每一待训练任务的真实工作比重；从而再次更新了待训练任务的数据。

然后，确定m的取值加1。然后，对第4个第一树模型进行处理，此时m＝4。

以此类推，直至基于第M个第一树模型进行了真实工作比重的更新。此时，m的取值为M+1，不再更新真实工作比重。

从而，经过迭代处理，根据各待训练任务的任务信息和每一次更新后的真实工作比重，确定出第m个第一树模型的第一损失函数。进而针对第一初始模型中的每一第一树模型，确定出每一第一树模型的第一损失函数。在每次得到一个第一树模型的第一损失函数的时候，并不先对该第一树模型的参数进行更新，而是得到所有第一树模型各自的第一损失函数之后，才去执行步骤S503，去分别更新每一第一树模型。

根据各待训练任务的任务信息和每一次更新后的真实工作比重，确定出第m个第一树模型的第一损失函数。可以对待训练数据中的待训练任务的特征进行学习，进而得到可以表征待训练数据的各待训练任务之间的关联信息的每一第一损失函数。

一个示例中，步骤S502，通过以下方式实现：

重复步骤S502的第一个步骤至步骤S502的第四个步骤，直至m的取值为M+1：

步骤S502的第一个步骤、将待训练任务输入至第m个第一树模型中，对第m个第一树模型进行训练，输出第m个第一树模型的第一损失函数；其中，第一损失函数中包括待训练任务的第一损失信息，第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

步骤S502的第二个步骤、根据第m个第一树模型的第一损失函数中的第一损失信息和待训练任务的预测工作比重，确定第m个第一树模型的第一负梯度信息；其中，第一负梯度信息表征待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异。

步骤S502的第三个步骤、根据第m个第一树模型的第一负梯度信息，更新待训练任务，得到更新后的待训练任务。

步骤S502的第四个步骤、确定m的取值加1。

一个示例中，第m个第一树模型的第一负梯度信息中包括基于第m个第一树模型所得到待训练任务的第一负梯度值；第一负梯度值表征待训练任务的预测工作比重与真实工作比重之间的差异。

则步骤S502的第三个步骤，包括：将待训练任务的真实工作比重，替换为第m个第一树模型的第一负梯度信息中与待训练任务对应的第一负梯度值，得到更新后的待训练任务。

示例性地，第i个待训练任务的任务信息x_i、第i个待训练任务的真实工作比重y_i，构成了第i个待训练任务的特征(x_i，y_i)。其中，第i个待训练任务的任务信息

其中，/>

为第i个待训练任务的任务信息x_i中的任务类别信息，/>

为第i个待训练任务的任务信息x_i中的任务难度信息，/>

为第i个待训练任务的任务信息x_i中的任务规模信息。

得到待训练数据中的各待训练任务所构成的第一特征矩阵T1＝{(x₁，y₁)，(x₂，y₂)，...，(x_i，y_i)，…，(x_n，y_n)}，n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数；i为大于等于1、且小于等于n的正整数。

重复以下过程，直至m的取值为M+1，其中，m的初始值为1。

针对第m个第一树模型，将每一待训练任务的任务信息输入至第m个第一树模型中，输出每一待训练任务的预测工作比重。从而根据第i个待训练任务的任务信息x_i，得到第i个待训练任务的预测工作比重f(x_i)。

第i个待训练任务具有真实工作比重y_i；根据第i个待训练任务的预测工作比重f(x_i)和真实工作比重y_i，依据第1个第一树模型，确定出第i个待训练任务的预测工作比重与真实工作比重之间的差异，进而得到第i个待训练任务的第一损失信息L(y_i，f(x_i))。根据每一待训练任务的第一损失信息，确定出第m个第一树模型的第一损失函数L(y，f(x))＝MSELoss(y，f(x))；其中，f(x)为各待训练任务的预测工作比重所构成的矩阵，y为各待训练任务的真实工作比重所构成的矩阵。可知，第m个第一树模型的第一损失函数包括每一待训练任务的第一损失信息。

针对第m个第一树模型，根据第m个第一树模型的第一损失函数中的第一损失信息和待训练任务的预测工作比重，确定第m个第一树模型的第一负梯度信息；其中，第一负梯度信息表征每一待训练任务的预测工作比重与真实工作比重之间的差异。

一个示例中，针对第m个第一树模型，第m个第一树模型的第一损失函数中包括每一待训练任务的第一损失信息，即，包括第i个待训练任务的第一损失信息L(y_i，f(x_i))。第i个待训练任务具有预测工作比重f(x_i)。从而，针对第m个第一树模型，可以根据第i个待训练任务的第一损失信息L(y_i，f(x_i))、以及第i个待训练任务的预测工作比重f(x_i)，确定出第i个待训练任务的第一负梯度值

其中，f(x_i)为第i个待训练任务的预测工作比重；L(y_i，f(x_i))，为针对第m个第一树模型进行处理时，第i个待训练任务的第一损失信息；m表征第m个第一树模型；f(x)＝f_m-1(x)是一个下角标，f(x)＝f_m-1(x)是基于第m-1个第一树模型的参数所计算出的，f(x)＝f_m-1(x)是第m个第一树模型所需要的变量参数。

可知，针对第m个第一树模型，所得到的第i个待训练任务的第一负梯度值ng_mi表征第i个待训练任务的预测工作比重与真实工作比重之间的差异。

各待训练任务的第一负梯度值，构成了第m个第一树模型的第一负梯度信息。

并且，f(x_i)为第i个待训练任务的预测工作比重；但本实施例中需要基于待训练任务对应的第一负梯度值，更新第i个待训练任务的真实工作比重，从而，更进一步的，f(x_i)表征的是，基于之前的所有的第1至m-1个第一树模型所得到的第i个待训练任务的工作比重的预测值。

然后，针对第m个第一树模型，就可以根据第m个第一树模型的第一负梯度信息，更新待训练任务，得到更新后的待训练任务。一个示例中，针对第m个第一树模型，将第i个待训练任务的真实工作比重，替换为第i个待训练任务的第一负梯度值ng_mi，从而更新每一待训练任务的真实工作比重。从而，将前一个第一树模型所得到的每一待训练任务的第一负梯度值，传递给后一个第一树模型。

然后，将m的取值加1。

针对第m+1个第一树模型，第i个待训练任务具有真实工作比重y_i为第m个第一树模型所输出的第i个待训练任务的第一负梯度值ng_mi；第i个待训练任务的任务信息x_i是不变的。然后重复执行上述过程，进而再次更新第i个待训练任务具有真实工作比重。

以此类推，直至m的取值为M+1。迭代的得到每一第一树模型的第一负梯度信息。但是在每次基于上述处理得到每一第一树模型的第一负梯度信息的时候，并不对每一第一树模型进行更新，而是得到所有第一树模型的第一负梯度信息之后，才会基于步骤S503对各第一树模型进行更新，以得到预设基准分配模型。

本步骤中，迭代的完成以下过程：针对第m个第一树模型，可以基于第m个第一树模型的第一负梯度信息，更新待训练任务的真实工作比重，得到更新后的待训练任务；确定m+1。可以将前一个第一树模型的信息，传递给后一个第一树模型，完成数据和特征的传递。

S503、根据第一损失函数，更新第一初始模型中的第一树模型，得到预设基准分配模型。

一个示例中，步骤S503，包括以下过程：

重复以下步骤S503的第一步骤和步骤S503的第二步骤，直至处理完第一初始模型中的全部第一树模型：

步骤S503的第一步骤、根据第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新；其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

步骤S503的第二步骤、确定m的取值加1。

其中，在处理完第一初始模型中的全部第一树模型时，得到预设基准分配模型。

示例性地，通过步骤S502，得到每一第一树模型的第一损失函数，进而针对每一第一树模型，基于每一第一树模型的分别进行更新。

重复以下过程，直至对第一初始模型中的全部第一树模型处理完毕。

确定m的初始值为1。根据第1个第一树模型的第一损失函数，对第2个第一树模型进行更新，即，根据前一个第一树模型的第一损失函数，对后一个第一树模型进行更新。

然后，确定m的取值为2。根据第2个第一树模型的第一损失函数，对第3个第一树模型进行更新。

然后，确定m的取值为3。根据第3个第一树模型的第一损失函数，对第4个第一树模型进行更新。

以此类推，直至m的取值为M+1。就可以对第一初始模型中的全部第一树模型更新完毕；从而，得到预设基准分配模型。其中，针对第1个第一树模型，可以根据第1个第一树模型的第一损失函数对第1个第一树模型进行更新。

上述过程中，由于待训练任务，在整个第一初始模型中有一定的处理路径，进而基于第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新，可以将待处理任务的处理路径上的信息进行传递，从而得到可以用于确定用户的预测工作比重的预设基准分配模型。

一个示例中，步骤S503，通过以下方式实现：

重复以下步骤S503的第一个步骤至步骤S503的第四个步骤，直至处理完第一初始模型中的全部第一树模型：

步骤S503的第一个步骤、根据第m个第一树模型的节点，确定第m+1个第一树模型的节点组合；其中，第m+1个第一树模型的节点组合中包括多个待处理的节点；待处理的节点，为第m个第一树模型中归属于第m+1个第一树模型的节点。其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

步骤S503的第二个步骤、根据第m个第一树模型的第一损失函数，确定待处理的节点对应的第一损失参数；其中，第一损失函数中包括待训练任务的第一损失信息，第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异。

步骤S503的第三个步骤、根据待处理的节点对应的第一损失参数，更新第m+1个第一树模型。

步骤S503的第四个步骤、确定m的取值加1。

一个示例中，步骤S503的第三个步骤，包括：根据待处理的节点对应的第一损失参数，确定第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值。根据第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值，更新第m+1个第一树模型。

示例性地，在步骤S502之后，从去对每一第一树模型进行更新。

针对第m+1个第一树模型，确定出第m个第一树模型的节点中归属于第m+1个第一树模型的节点，得到与第m+1个第一树模型对应的节点组合，其中，与第m+1个第一树模型对应的节点组合中包括J个待处理的节点；J个待处理的节点是归属于第m个第一树模型的节点，J个待处理的节点也是归属于第m+1个第一树模型的节点。其中，第一初始模型中的每一节点表征的待训练任务的一个处理动作。

第m个第一树模型的第一损失函数中，包括依据第m个第一树模型所得到的每一待训练任务的第一损失信息；针对与第m+1个第一树模型对应的节点组合中的每一待处理的节点，可以根据第m个第一树模型的第一损失函数，确定出每一待处理的节点的第一损失参数。示例性地，由于第一初始模型中的每一节点表征的待训练任务的一个处理动作，从而，与第m+1个第一树模型对应的节点组合中的每一待处理的节点也是表征的待训练任务的一个处理动作；第m个第一树模型的第一损失函数中，包括依据第m个第一树模型所得到的每一待训练任务的第一损失信息；从而，可以将第m个第一树模型的第一损失函数中与每一待处理的节点对应的待训练任务的第一损失信息，做为每一待处理的节点的第一损失参数；第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异。

然后，根据与第m+1个第一树模型对应的节点组合中各待处理的节点的第一损失参数，更新第m+1个第一树模型。然后确定m的取值加1；重复上述过程，直至m的取值为M+1。就可以对第一初始模型中的全部第一树模型更新完毕；从而，得到预设基准分配模型。

从而，第一损失函数可以体现出第一初始模型中的节点之间的信息传递关系，并且，基于第m个第一树模型中归属于第m+1个第一树模型的节点的第一损失参数，去更新第m+1个第一树模型，可以使得第一初始模型中的各第一树模型得到各待训练任务之间的信息关系，得到可以确定出用户的预测工作比重的预设基准分配模型。

一个示例中，针对第m+1个第一树模型，与第m+1个第一树模型对应的节点组合中包括J个待处理的节点。J为大于等于1的正整数。

与第m+1个第一树模型对应的节点组合中的每一待处理的节点也是表征的待训练任务的一个处理动作；第m个第一树模型的第一损失函数中，包括依据第m个第一树模型所得到的每一待训练任务的第一损失信息；从而，可以将第m个第一树模型的第一损失函数中与每一待处理的节点对应的待训练任务的第一损失信息，做为每一待处理的节点的第一损失参数；第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异。

然后，针对与第m+1个第一树模型对应的节点组合中的第t个待处理的节点，根据第m+1个第一树模型的节点组合中的各待处理的节点的第一损失参数，确定出第m+1个第一树模型的节点组合中第t个待处理的节点的最佳拟合值

c为待确定的拟合值。t为大于等于1、小于等于J的正整数。y_i为第m+1个第一树模型的节点组合中第t个待处理的节点的第一损失参数中的真实工作比重，该真实工作比重为与该第t个待处理的节点对应的待处理任务的真实工作比重。f_m(x_s)为第m+1个第一树模型的节点组合中第t个待处理的节点的第一损失参数中的预测工作比重，该预测工作比重为与该第t个待处理的节点对应的待处理任务的预测工作比重。L表征损失函数。s表征第s个待训练任务，由于节点表征待训练任务的一个处理动作，从而x_s为第s个待训练任务的任务信息，x_s也指示出与第s个待训练任务对应的待处理的节点；/>

表征与第s个待训练任务对应的待处理的节点，是属于第m个第一树模型的。s为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。

其中，第m+1个第一树模型的节点组合中包括J个待处理的节点，J个待处理的节点是归属于第m个第一树模型的节点，J个待处理的节点也是归属于第m+1个第一树模型的节点。

然后，针对与第m+1个第一树模型对应的节点组合中的每一待处理的节点，第m个第一树模型的第一损失函数中，是体现了父节点与子节点的传递关系的，进而与第m+1个第一树模型对应的节点组合中的每一待处理的节点，得到每一待处理的节点的最佳拟合值。

然后，根据与第m+1个第一树模型对应的节点组合中的各待处理的节点的最佳拟合值，更新第m+1个第一树模型，得到更新后的第m+1个第一树模型

其中，f_m(x)表征第m个第一树模型。

为与第m+1个第一树模型对应的节点组合中第t个待处理的节点的最佳拟合值。

表征第m+1个第一树模型中的节点x也归属于第m个第一树模型。/>

表征第m+1个第一树模型中的节点x。

然后，确定m的取值加1。重复执行上述过程，直至m的取值为M+1。其中，针对第1个第一树模型，可以根据第1个第一树模型的第一损失函数对第1个第一树模型进行更新。就可以对第一初始模型中的全部第一树模型更新完毕；从而，得到预设基准分配模型

其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

从而，基于第m个第一树模型中归属于第m+1个第一树模型的节点的第一损失参数，去更新第m+1个第一树模型；针对与第m+1个第一树模型对应的节点组合中的每一待处理的节点，第m个第一树模型的第一损失函数中，是体现了父节点与子节点的传递关系的，进而与第m+1个第一树模型对应的节点组合中的每一待处理的节点，得到每一待处理的节点的最佳拟合值；根据最佳拟合值，更新第m+1个第一树模型。可以使得第m+1个第一树模型学习到第m个第一树模型中的信息、以及第m个第一树模型所需要传递的信息，进而第一初始模型中的各第一树模型得到各待训练任务之间的信息关系，得到可以确定出用户的预测工作比重的预设基准分配模型。

S504、根据待训练任务的任务信息和真实工作量，对第二初始模型中的第二树模型进行训练，得到第二树模型的第二损失函数。

其中，第二损失函数表征待训练数据中待训练任务的预测工作量与真实工作量之间的差异，待训练任务的预测工作量表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；

其中，第二初始模型中包括多个第二树模型，第二树模型包括至少一个节点，第二树模型中的节点表征对待训练任务的处理动作。

其中，预设基准分配模型用于基于上述任务推荐方法的实施例中的待识别数据，确定待识别数据中的待处理任务的预测工作比重；预设基准工作量预估模型用于基于上述任务推荐方法的实施例中的待识别数据，确定待识别数据中的待处理任务的预测工作量；待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

一个示例中，步骤S504，包括以下过程：

重复步骤S504的第一步骤和步骤S504的第二步骤，直至d的取值为D+1：

步骤S504的第一步骤、将待训练任务输入至第d个第二树模型中，对第d个第二树模型进行训练，输出第d个第二树模型的第二损失函数；其中，第二损失函数中包括待训练任务的第二损失信息，第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

步骤S504的第二步骤、根据第d个第二树模型的第二损失函数中的第二损失信息，更新待训练任务，得到更新后的待训练任务；并确定d的取值加1。

示例性地，由于待训练任务具有任务信息和真实工作量，可以基于每一待训练任务的任务信息和真实工作量，对第二初始模型进行训练。

其中，第二初始模型中包括多个第二树模型。每一第二树模型中包括至少一个节点，第二树模型中的节点表征对待训练任务的处理动作，第二树模型中的节点表征对待训练任务的任务信息的处理和工作量的预测。其中，第二初始模型中的不同的第二树模型的节点有交叉，即，某一个节点归属于一个第二树模型，也同时归属于另一个第二树模型。例如，第二初始模型是GBDT模型；GBDT模型由多个第二树模型构成；多个第二树模型中的节点有交叉，进而构成GBDT模型。

其中，第二初始模型中包括D个第二树模型，D为大于等于1的正整数；d为大于等于1、小于等于D的正整数。

从而，采用由多个第二树模型所构成的第二初始模型去训练，以得到预设基准工作量预估模型。第二初始模型中的多个第二树模型中的节点有交叉。这样的模型可以学习到待训练数据中的各待训练任务之间的关系、学习用户在参与各待训练任务上的工作量和团队配合状态。

就可以将各待训练任务的任务信息和真实工作量，输入到第二初始模型，进而对第二初始模型中的每一第二树模型进行训练。

在对第二初始模型中的第d个第二树模型进行训练的过程中，可以输出每一待训练任务的预测工作量。其中，所得到的待训练任务的预测工作量表征所预测出的完成待训练任务时每一岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和。其中，由于完成每一待训练任务需要至少一个用户，用户具有岗位职级编码；完成待训练任务的用户在参与待训练任务的过程中，针对待训练任务有工作量；进而，针对每一待训练任务，将归属于同一岗位职级编码、且参与待训练任务的用户的工作量进行求和，就得到了该待训练任务的每一岗位职级编码的工作量参数；上述过程，可以解释待训练任务的预测工作量的含义。

针对每一待训练任务，第i个待训练任务的预测工作量为h(x_i)＝(H₁，H₂，...，H_a，...，H_A)^T，H_a为归属于同一岗位职级编码a下的各用户的工作量的总和；即，H_a为第a个岗位职级编码的工作量参数。T表征转置矩阵。一共有A个岗位职级编码，A为大于等于1的正整数。i为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。x_i为第i个待训练任务的任务信息。

然后，针对第d个第二树模型，根据每一待训练任务的预测工作量和真实工作量，得到第d个第二树模型的第二损失函数。从而得到每一第二树模型的第二损失函数。可知，第d个第二树模型的第二损失函数表征待训练数据中各待训练任务的预测工作量与真实工作量之间的差异；第d个第二树模型的第二损失函数，指示的是待训练数据中各待训练任务的特征。

就可以根据各第二树模型的第二损失函数，更新第二初始模型中的各第二树模型，进而得到预设基准工作量预估模型。

进而根据待训练任务的任务信息，通过第二初始模型中的第二树模型，得到待训练任务的预测工作量；基于待训练任务的预测工作量和真实工作量，得到第二树模型的第二损失函数；基于第二损失函数，更新第二初始模型，以得到预设基准工作量预估模型。从而，完成了对第二初始模型的训练，得到预设基准工作量预估模型；预设基准工作量预估模型包括D个训练后的第二树模型；每一第二树模型的节点表征对任务的处理动作，D个训练后的第二树模型之间的节点有交叉；从而，预设基准工作量预估模型中的节点具有信息传递关系，从而所得到预设基准工作量预估模型可以用于处理由多个用户所完成的各待处理任务，以得到每一待处理任务的预测工作量，进而可以准确的得到参与各待处理任务的每一用户的预测工作量，以确定出用户的超额适应产出信息和超额协作产出信息，以为用户匹配合适的任务。

一个示例中，步骤S504可以采用以下过程实现。

对第1个第二树模型进行处理，此时d＝1。

将每一待训练任务的任务信息输入至第1个第二树模型中，输出每一待训练任务的预测工作量。每一待训练任务具有真实工作量；根据每一待训练任务的预测工作量和真实工作量，确定出每一待训练任务的预测工作量与真实工作量之间的差异，进而得到每一待训练任务的第二损失信息。根据每一待训练任务的第二损失信息，确定出第1个第二树模型的第二损失函数；可知，第1个第二树模型的第二损失函数包括每一待训练任务的第二损失信息。

然后，可以根据第1个第二树模型的第二损失函数中的各第二损失信息，更新每一待训练任务的真实工作量，进而将修改每一待训练任务的真实工作量；从而更新了待训练任务的数据。

然后，确定d的取值加1。然后，对第2个第二树模型进行处理，此时d＝2。

根据前面的介绍，更新了每一待训练任务的真实工作量；但是每一待训练任务的任务信息是不变的。将每一待训练任务的任务信息输入至第1个第二树模型中，输出每一待训练任务的预测工作量。每一待训练任务具有更新后的真实工作量；根据每一待训练任务的预测工作量和更新后的真实工作量，确定出每一待训练任务的预测工作量与更新后的真实工作量之间的差异，进而得到每一待训练任务的第二损失信息。根据每一待训练任务的第二损失信息，确定出第2个第二树模型的第二损失函数；可知，第2个第二树模型的第二损失函数包括每一待训练任务的第二损失信息。

然后，可以根据第2个第二树模型的第二损失函数中的各第二损失信息，再次更新每一待训练任务的更新后的真实工作量，进而再次修改每一待训练任务的真实工作量；从而再次更新了待训练任务的数据。

然后，确定d的取值加1。然后，对第3个第二树模型进行处理，此时d＝3。

根据前面的介绍，再次更新了每一待训练任务的真实工作量；但是每一待训练任务的任务信息是不变的。将每一待训练任务的任务信息输入至第1个第二树模型中，输出每一待训练任务的预测工作量。每一待训练任务具有更新后的真实工作量；根据每一待训练任务的预测工作量和更新后的真实工作量，确定出每一待训练任务的预测工作量与更新后的真实工作量之间的差异，进而得到每一待训练任务的第二损失信息。根据每一待训练任务的第二损失信息，确定出第3个第二树模型的第二损失函数；可知，第3个第二树模型的第二损失函数包括每一待训练任务的第二损失信息。

然后，可以根据第3个第二树模型的第二损失函数中的各第二损失信息，再次更新每一待训练任务的更新后的真实工作量，进而再次修改每一待训练任务的真实工作量；从而再次更新了待训练任务的数据。

然后，确定d的取值加1。然后，对第4个第二树模型进行处理，此时d＝4。

以此类推，直至基于第D个第二树模型进行了真实工作量的更新。此时，d的取值为D+1，不再更新真实工作量。

从而，经过迭代处理，根据各待训练任务的任务信息和每一次更新后的真实工作量，确定出第d个第二树模型的第二损失函数。进而针对第二初始模型中的每一第二树模型，确定出每一第二树模型的第二损失函数。在每次得到一个第二树模型的第二损失函数的时候，并不先对该第二树模型的参数进行更新，而是得到所有第二树模型各自的第二损失函数之后，才去执行步骤S505，去分别更新每一第二树模型。

根据各待训练任务的任务信息和每一次更新后的真实工作量，确定出第d个第二树模型的第二损失函数。可以对待训练数据中的待训练任务的特征进行学习，进而得到可以表征待训练数据的各待训练任务之间的关联信息的每一第二损失函数。

一个示例中，步骤S504，通过以下方式实现：

重复步骤S504的第一个步骤至步骤S504的第四个步骤，直至d的取值为D+1：

步骤S504的第一个步骤、将待训练任务输入至第d个第二树模型中，对第d个第二树模型进行训练，输出第d个第二树模型的第二损失函数；其中，第二损失函数中包括待训练任务的第二损失信息，第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

步骤S504的第二个步骤、根据第d个第二树模型的第二损失函数中的第二损失信息和待训练任务的预测工作量，确定第d个第二树模型的第二负梯度信息；其中，第二负梯度信息表征待训练数据中待训练任务的预测工作量与真实工作量之间的差异。

步骤S504的第三个步骤、根据第d个第二树模型的第二负梯度信息，更新待训练任务，得到更新后的待训练任务。

步骤S504的第四个步骤、确定d的取值加1。

一个示例中，第d个第二树模型的第二负梯度信息中包括基于第d个第二树模型所得到待训练任务的第二负梯度值；第二负梯度值表征待训练任务的预测工作量与真实工作量之间的差异。

则步骤S504的第三个步骤，包括：根据第d个第二树模型的第二负梯度信息，更新待训练任务，得到更新后的待训练任务，包括：将待训练任务的真实工作量，替换为第d个第二树模型的第二负梯度信息中与待训练任务对应的第二负梯度值，得到更新后的待训练任务。

示例性地，第i个待训练任务的任务信息x_i、第i个待训练任务的真实工作量r_i，构成了第i个待训练任务的特征(x_i，r_i)。此时，第i个待训练任务的任务信息

或者，第i个待训练任务的任务信息/>

其中，/>

为第i个待训练任务的任务信息x_i中的任务类别信息，/>

为第i个待训练任务的任务信息x_i中的任务难度信息，/>

为第i个待训练任务的任务信息x_i中的任务规模信息。

得到待训练数据中的各待训练任务所构成的第二特征矩阵T2＝{(x₁，r₁)，(x₂，r₂)，…，(x_i，r_i)，...，(x_n，r_n)}，n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数；i为大于等于1、且小于等于n的正整数。

重复以下过程，直至d的取值为D+1，其中，d的初始值为1。

针对第d个第二树模型，将每一待训练任务的任务信息输入至第d个第二树模型中，输出每一待训练任务的预测工作量。从而根据第i个待训练任务的任务信息x_i，得到第i个待训练任务的预测工作量h(x_i)。

第i个待训练任务具有真实工作量r_i；根据第i个待训练任务的预测工作量h(x_i)和真实工作量r_i，依据第1个第二树模型，确定出第i个待训练任务的预测工作量与真实工作量之间的差异，进而得到第i个待训练任务的第二损失信息L(r_i，h(x_i))。根据每一待训练任务的第二损失信息，确定出第d个第二树模型的第二损失函数L(r，h(x))＝MSELoss(r，h(x))；其中，h(x)为各待训练任务的预测工作量所构成的矩阵，r为各待训练任务的真实工作量所构成的矩阵。可知，第d个第二树模型的第二损失函数包括每一待训练任务的第二损失信息。

针对第d个第二树模型，根据第d个第二树模型的第二损失函数中的第二损失信息和待训练任务的预测工作量，确定第d个第二树模型的第二负梯度信息；其中，第二负梯度信息表征每一待训练任务的预测工作量与真实工作量之间的差异。

一个示例中，针对第d个第二树模型，第d个第二树模型的第二损失函数中包括每一待训练任务的第二损失信息，即，包括第i个待训练任务的第二损失信息L(r_i，h(x_i))。第i个待训练任务具有预测工作量h(x_i)。从而，针对第d个第二树模型，可以根据第i个待训练任务的第二损失信息L(r_i，h(x_i))、以及第i个待训练任务的预测工作量h(x_i)，确定出第i个待训练任务的第二负梯度值

其中，h(x_i)为第i个待训练任务的预测工作量；L(r_i，h(x_i))，为针对第d个第二树模型进行处理时，第i个待训练任务的第二损失信息；d表征第d个第二树模型；h(x)＝h_d-1(x)是一个下角标h(x)＝h_d-1(x)是基于第d-1个第二树模型的参数所计算出的h(x)＝h_d-1(x)是第d个第二树模型所需要的变量参数。

可知，针对第d个第二树模型，所得到的第i个待训练任务的第二负梯度值ng_di表征第i个待训练任务的预测工作量与真实工作量之间的差异。

各待训练任务的第二负梯度值，构成了第d个第二树模型的第二负梯度信息。

并且，h(x_i)为第i个待训练任务的预测工作量；但本实施例中需要基于待训练任务对应的第二负梯度值，更新第i个待训练任务的真实工作量，从而，更进一步的，h(x_i)表征的是，基于之前的所有的第1至d-1个第二树模型所得到的第i个待训练任务的工作量的预测值。

然后，针对第d个第二树模型，就可以根据第d个第二树模型的第二负梯度信息，更新待训练任务，得到更新后的待训练任务。一个示例中，针对第d个第二树模型，将第i个待训练任务的真实工作量，替换为第i个待训练任务的第二负梯度值ng_di，从而更新每一待训练任务的真实工作量。从而，将前一个第二树模型所得到的每一待训练任务的第二负梯度值，传递给后一个第二树模型。

然后，将d的取值加1。

针对第d+1个第二树模型，第i个待训练任务具有真实工作量r_i为第d个第二树模型所输出的第i个待训练任务的第二负梯度值ng_di；第i个待训练任务的任务信息x_i是不变的。然后重复执行上述过程，进而再次更新第i个待训练任务具有真实工作量。

以此类推，直至d的取值为D+1。迭代的得到每一第二树模型的第二负梯度信息。但是在每次基于上述处理得到每一第二树模型的第二负梯度信息的时候，并不对每一第二树模型进行更新，而是得到所有第二树模型的第二负梯度信息之后，才会基于步骤S505对各第二树模型进行更新，以得到预设基准工作量预估模型。

本步骤中，迭代的完成以下过程：针对第d个第二树模型，可以基于第d个第二树模型的第二负梯度信息，更新待训练任务的真实工作量，得到更新后的待训练任务；确定d+1。可以将前一个第二树模型的信息，传递给后一个第二树模型，完成数据和特征的传递。

S505、根据第二损失函数，更新第二初始模型中的第二树模型，得到预设基准工作量预估模型。

一个示例中，步骤S505，包括以下过程：

重复以下步骤S505的第一步骤和步骤S505的第二步骤，直至处理完第二初始模型中的全部第二树模型：

步骤S505的第一步骤、根据第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新；其中，d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

步骤S505的第二步骤、确定d的取值加1。

其中，在处理完第二初始模型中的全部第二树模型时，得到预设基准工作量预估模型。

示例性地，通过步骤S504，得到每一第二树模型的第二损失函数，进而针对每一第二树模型，基于每一第二树模型的分别进行更新。

重复以下过程，直至对第二初始模型中的全部第二树模型处理完毕。

确定d的初始值为1。根据第1个第二树模型的第二损失函数，对第2个第二树模型进行更新，即，根据前一个第二树模型的第二损失函数，对后一个第二树模型进行更新。

然后，确定d的取值为2。根据第2个第二树模型的第二损失函数，对第3个第二树模型进行更新。

然后，确定d的取值为3。根据第3个第二树模型的第二损失函数，对第4个第二树模型进行更新。

以此类推，直至d的取值为D+1。就可以对第二初始模型中的全部第二树模型更新完毕；从而，得到预设基准工作量预估模型。其中，针对第1个第二树模型，可以根据第1个第二树模型的第二损失函数对第1个第二树模型进行更新。

上述过程中，由于待训练任务，在整个第二初始模型中有一定的处理路径，进而基于第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新，可以将待处理任务的处理路径上的信息进行传递，从而得到可以用于确定用户的预测工作量的预设基准工作量预估模型。

一个示例中，步骤S505，通过以下方式实现：

重复以下步骤S505的第一个步骤至步骤S505的第四个步骤，直至处理完第二初始模型中的全部第二树模型：

步骤S505的第一个步骤、根据第d个第二树模型的节点，确定第d+1个第二树模型的节点组合；其中，第d+1个第二树模型的节点组合中包括多个待处理的节点；待处理的节点，为第d个第二树模型中归属于第d+1个第二树模型的节点。

步骤S505的第二个步骤、根据第d个第二树模型的第二损失函数，确定待处理的节点对应的第二损失参数；其中，第二损失函数中包括待训练任务的第二损失信息，第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异。

步骤S505的第三个步骤、根据待处理的节点对应的第二损失参数，更新第d+1个第二树模型。

步骤S505的第四个步骤、确定d的取值加1。

一个示例中，步骤S505的第三个步骤，包括：根据待处理的节点对应的第二损失参数，确定第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值；根据第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值，更新第d+1个第二树模型。

示例性地，在步骤S504之后，从去对每一第二树模型进行更新。

针对第d+1个第二树模型，确定出第d个第二树模型的节点中归属于第d+1个第二树模型的节点，得到与第d+1个第二树模型对应的节点组合，其中，与第d+1个第二树模型对应的节点组合中包括Z个待处理的节点；Z个待处理的节点是归属于第d个第二树模型的节点，Z个待处理的节点也是归属于第d+1个第二树模型的节点。其中，第二初始模型中的每一节点表征的待训练任务的一个处理动作。

第d个第二树模型的第二损失函数中，包括依据第d个第二树模型所得到的每一待训练任务的第二损失信息；针对与第d+1个第二树模型对应的节点组合中的每一待处理的节点，可以根据第d个第二树模型的第二损失函数，确定出每一待处理的节点的第二损失参数。示例性地，由于第二初始模型中的每一节点表征的待训练任务的一个处理动作，从而，与第d+1个第二树模型对应的节点组合中的每一待处理的节点也是表征的待训练任务的一个处理动作；第d个第二树模型的第二损失函数中，包括依据第d个第二树模型所得到的每一待训练任务的第二损失信息；从而，可以将第d个第二树模型的第二损失函数中与每一待处理的节点对应的待训练任务的第二损失信息，做为每一待处理的节点的第二损失参数；第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异。

然后，根据与第d+1个第二树模型对应的节点组合中各待处理的节点的第二损失参数，更新第d+1个第二树模型。然后确定d的取值加1；重复上述过程，直至d的取值为D+1。就可以对第二初始模型中的全部第二树模型更新完毕；从而，得到预设基准工作量预估模型。

从而，第二损失函数可以体现出第二初始模型中的节点之间的信息传递关系，并且，基于第d个第二树模型中归属于第d+1个第二树模型的节点的第二损失参数，去更新第d+1个第二树模型，可以使得第二初始模型中的各第二树模型得到各待训练任务之间的信息关系，得到可以确定出用户的预测工作量的预设基准工作量预估模型。

一个示例中，针对第d+1个第二树模型，与第d+1个第二树模型对应的节点组合中包括Z个待处理的节点。Z为大于等于1的正整数。

与第d+1个第二树模型对应的节点组合中的每一待处理的节点也是表征的待训练任务的一个处理动作；第d个第二树模型的第二损失函数中，包括依据第d个第二树模型所得到的每一待训练任务的第二损失信息；从而，可以将第d个第二树模型的第二损失函数中与每一待处理的节点对应的待训练任务的第二损失信息，做为每一待处理的节点的第二损失参数；第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异。

然后，针对与第d+1个第二树模型对应的节点组合中的第j个待处理的节点，根据第d+1个第二树模型的节点组合中的各待处理的节点的第二损失参数，确定出第d+1个第二树模型的节点组合中第j个待处理的节点的最佳拟合值

c为待确定的拟合值。j为大于等于1、小于等于Z的正整数。r_i为第d+1个第二树模型的节点组合中第j个待处理的节点的第二损失参数中的真实工作量，该真实工作量为与该第j个待处理的节点对应的待处理任务的真实工作量。h_d(x_u)为第d+1个第二树模型的节点组合中第j个待处理的节点的第二损失参数中的预测工作量，该预测工作量为与该第j个待处理的节点对应的待处理任务的预测工作量。L表征损失函数。u表征第u个待训练任务，由于节点表征待训练任务的一个处理动作，从而x_u为第u个待训练任务的任务信息，x_u也指示出与第u个待训练任务对应的待处理的节点；

表征与第u个待训练任务对应的待处理的节点，是属于第d个第二树模型的。u为大于等于1、且小于等于n的正整数；n为待训练数据中的待训练任务的总个数，n为大于等于1的正整数。

其中，第d+1个第二树模型的节点组合中包括Z个待处理的节点，Z个待处理的节点是归属于第d个第二树模型的节点，Z个待处理的节点也是归属于第d+1个第二树模型的节点。

然后，针对与第d+1个第二树模型对应的节点组合中的每一待处理的节点，第d个第二树模型的第二损失函数中，是体现了父节点与子节点的传递关系的，进而与第d+1个第二树模型对应的节点组合中的每一待处理的节点，得到每一待处理的节点的最佳拟合值。

然后，根据与第d+1个第二树模型对应的节点组合中的各待处理的节点的最佳拟合值，更新第d+1个第二树模型，得到更新后的第d+1个第二树模型

其中，h_d(x)表征第d个第二树模型。

为与第d+1个第二树模型对应的节点组合中第j个待处理的节点的最佳拟合值。/>

表征第d+1个第二树模型中的节点x也归属于第d个第二树模型。/>

表征第d+1个第二树模型中的节点x。

然后，确定d的取值加1。重复执行上述过程，直至d的取值为D+1。其中，针对第1个第二树模型，可以根据第1个第二树模型的第二损失函数对第1个第二树模型进行更新。就可以对第二初始模型中的全部第二树模型更新完毕；从而，得到预设基准工作量预估模型

其中，d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

从而，基于第d个第二树模型中归属于第d+1个第二树模型的节点的第二损失参数，去更新第d+1个第二树模型；针对与第d+1个第二树模型对应的节点组合中的每一待处理的节点，第d个第二树模型的第二损失函数中，是体现了父节点与子节点的传递关系的，进而与第d+1个第二树模型对应的节点组合中的每一待处理的节点，得到每一待处理的节点的最佳拟合值；根据最佳拟合值，更新第d+1个第二树模型。可以使得第d+1个第二树模型学习到第d个第二树模型中的信息、以及第d个第二树模型所需要传递的信息，进而第二初始模型中的各第二树模型得到各待训练任务之间的信息关系，得到可以确定出用户的预测工作量的预设基准工作量预估模型。

本实施例中，基于待训练任务的预测工作比重和真实工作比重，得到第一树模型的第一损失函数；基于第一损失函数，更新第一初始模型，以得到预设基准分配模型。从而，完成了对第一初始模型的训练，得到预设基准分配模型；预设基准分配模型包括M个训练后的第一树模型；每一第一树模型的节点表征对任务的处理动作，M个训练后的第一树模型之间的节点有交叉；从而，预设基准分配模型中的节点具有信息传递关系，从而所得到预设基准分配模型可以用于处理由多个用户所完成的各待处理任务，以得到每一待处理任务的预测工作比重，进而可以准确的得到参与各待处理任务的每一用户的预测工作比重，以确定出用户的超额适应产出信息和超额协作产出信息，以为用户匹配合适的任务。基于待训练任务的预测工作量和真实工作量，得到第二树模型的第二损失函数；基于第二损失函数，更新第二初始模型，以得到预设基准工作量预估模型。从而，完成了对第二初始模型的训练，得到预设基准工作量预估模型；预设基准工作量预估模型包括D个训练后的第二树模型；每一第二树模型的节点表征对任务的处理动作，D个训练后的第二树模型之间的节点有交叉；从而，预设基准工作量预估模型中的节点具有信息传递关系，从而所得到预设基准工作量预估模型可以用于处理由多个用户所完成的各待处理任务，以得到每一待处理任务的预测工作量，进而可以准确的得到参与各待处理任务的每一用户的预测工作量，以确定出用户的超额适应产出信息和超额协作产出信息，以为用户匹配合适的任务。

基于上述方案，可以得到待处理任务的预测工作比重和预测工作量；还可以得到用户的超额适应产出信息和超额协作产出信息。例如，图6是本公开所提供的预测工作量的示意图。待处理任务为应用，可以得到应用的预测工作量，该预测工作量为月活跃用户人数(Monthly Active User，简称MAU)。待处理任务为代码贡献任务，可以得到代码贡献任务的预测工作量，该预测工作量为代码提交行数。待处理任务为订单任务，可以得到订单任务的预测工作量，该预测工作量为订单金额。待处理任务为签约任务，可以得到签约任务的预测工作量，该预测工作量为意向签约的数量。待处理任务为评审任务，可以得到评审任务的预测工作量，该预测工作量为千行评审的数量。待处理任务为文献撰写任务，可以得到文献撰写任务的预测工作量，该预测工作量为文献的技术影响力。图6中的图形的每一角，为上述一个待处理任务。

举例来说，针对5种类别的待识别数据，每一类别的待识别数据具有类别。分别可以得到用户的超额适应产出信息和超额协作产出信息。表1中示出了一个用户在不同的待识别数据下的超额适应产出信息和超额协作产出信息。

表1为用户的超额适应产出信息和超额协作产出信息

图7是根据本公开第六实施例的示意图，如图7所示，本公开提供了任务推荐装置700，该装置包括：

获取单元701，用于获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的。

第一确定单元702，用于根据待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

第二确定单元703，用于根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。

本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

图8是根据本公开第七实施例的示意图，如图8所示，本公开提供了任务推荐装置800，该装置包括：

获取单元801，用于获取待识别数据，其中，待识别数据中包括至少一个待处理任务，待处理任务为至少一个用户所完成的。

第一确定单元802，用于根据待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

第二确定单元803，用于根据用户的超额适应产出信息和超额协作产出信息，确定与用户匹配的任务，将与用户匹配的任务推荐给用户。

一个示例中，待处理任务具有任务信息；第一确定单元802，包括：

第一确定子单元8021，用于根据待处理任务的任务信息，确定待处理任务的预测工作比重；其中，待处理任务的预测工作比重表征所预测出的完成待处理任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和。

第二确定子单元8022，用于根据待处理任务的任务信息，确定待处理任务的预测工作量；其中，待处理任务的预测工作量表征所预测出的完成待处理任务时岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和。

第三确定子单元8023，用于根据待处理任务的预测工作比重和待处理任务的预测工作量，确定超额适应产出信息和超额协作产出信息。

一个示例中，任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；其中，任务类别信息表征待处理任务的类别；任务难度信息表征待处理任务的难度级别；任务规模信息表征完成待处理任务所需要的用户的总人数、以及完成待处理任务所需要的用户的岗位职级编码。

一个示例中，第一确定子单元8021，具体用于：将待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中，输出待处理任务的预测工作比重。

一个示例中，第二确定子单元8022，具体用于：将待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中，输出待处理任务的预测工作量。

一个示例中，第三确定子单元8023，包括：

第一确定模块80231，用于根据待处理任务的预测工作比重和预设对应关系，确定用户的第一工作比重，其中，预设对应关系表征待处理任务和用户之间的对应关系，第一工作比重为预测比重信息的总和，预测比重信息为预测出的用户参与待处理任务时的工作比重。

第二确定模块80232，用于根据待处理任务的预测工作量和预设对应关系，确定用户的第一工作量，其中，第一工作量为预测量信息的总和，预测量信息为预测出的用户参与待处理任务时的工作量。

获取模块80233，用于获取用户的第二工作比重和用户的第二工作量；其中，第二工作比重为真实比重信息的总和，真实比重信息为真实情况下用户参与待处理任务时的工作比重；第二工作量为真实量信息的总和，真实量信息为真实情况下用户参与待处理任务时的工作量。

第三确定模块80234，用于根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定超额适应产出信息和超额协作产出信息。

一个示例中，第一确定模块80231，包括：

第一确定子模块802311，用于根据待处理任务的预测工作比重和预设对应关系，确定用户所参与的待处理任务的第一处理信息，第一处理信息与待处理任务为一一对应关系，第一处理信息为用户参与待处理任务时所付出的工作比重。

第一处理子模块802312，用于对第一处理信息进行求和处理，得到用户的第一工作比重。

一个示例中，第二确定模块80232，包括：

第二确定子模块802321，用于根据待处理任务的预测工作量和预设对应关系，确定用户所参与的待处理任务的第二处理信息，第二处理信息与待处理任务为一一对应关系，第二处理信息为用户参与待处理任务时所付出的工作量。

第二处理子模块802322，用于对第二处理信息进行求和处理，得到用户的第一工作量。

一个示例中，第三确定模块80234，包括：

第三确定子模块802341，用于根据第一工作比重、第一工作量以及第二工作比重，确定超额适应产出信息。

第四确定子模块802342，用于根据第一工作比重、第一工作量以及第二工作量，确定超额协作产出信息，或者，根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定超额协作产出信息。

一个示例中，第三确定子模块802341，具体用于：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；根据第二工作比重、第一工作量以及用户总人数，确定第二项目信息；其中，第二项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；根据第一项目信息和第二项目信息，确定用户的超额适应产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间；第三确定子模块802341在根据第一项目信息和第二项目信息，确定用户的超额适应产出信息时，具体用于：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第二项目信息的乘积，为用户的第二工作贡献信息；根据用户的第一工作贡献信息与用户的第二工作贡献信息，确定用户的超额适应产出信息。

一个示例中，用户的超额适应产出信息为用户的第二工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值。

一个示例中，第四确定子模块802342在根据第一工作比重、第一工作量以及第二工作量，确定超额协作产出信息时，具体用于：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；根据第一工作比重、第二工作量以及用户总人数，确定第三项目信息；其中，第三项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；根据第一项目信息和第三项目信息，确定用户的超额协作产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间；第四确定子模块802342在根据第一项目信息和第三项目信息，确定用户的超额协作产出信息时，具体用于：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第三项目信息的乘积，为用户的第三工作贡献信息；根据用户的第一工作贡献信息与用户的第三工作贡献信息，确定用户的超额协作产出信息。

一个示例中，用户的超额协作产出信息为用户的第三工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值。

一个示例中，第四确定子模块802342根据用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定超额协作产出信息时，具体用于：

根据第一工作比重、第一工作量以及用户总人数，确定第一项目信息；其中，第一项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；并根据第二工作比重、第一工作量以及用户总人数，确定第二项目信息；其中，第二项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；根据第一工作比重、第二工作量以及用户总人数，确定第三项目信息；其中，第三项目信息表征参与待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；并根据第二工作比重、第二工作量以及用户总人数，确定第四项目信息；其中，第四项目信息表征参与待识别数据中的待处理任务的用户的第二工作比重和第二工作量之间的关系；根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息。

一个示例中，待处理任务具有时间信息，时间信息表征完成待处理任务所耗费的时间；第四确定子模块802342根据第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息时，具体用于：

根据待识别数据中待处理任务的时间信息，确定待处理任务的任务绩效归因参数；其中，任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；根据待处理任务的任务绩效归因参数和预设对应关系，确定用户的用户绩效归因参数；其中，用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；根据用户的用户绩效归因参数、第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息。

一个示例中，第四确定子模块802342在根据用户的用户绩效归因参数、第一项目信息、第二项目信息、第三项目信息以及第四项目信息，确定用户的超额协作产出信息时，具体用于：

确定用户的用户绩效归因参数与第一项目信息的乘积，为用户的第一工作贡献信息；并确定用户的用户绩效归因参数与第二项目信息的乘积，为用户的第二工作贡献信息；确定用户的用户绩效归因参数与第三项目信息的乘积，为用户的第三工作贡献信息；并确定用户的用户绩效归因参数与第四项目信息的乘积，为用户的第四工作贡献信息；根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的超额协作产出信息。

一个示例中，第四确定子模块802342在根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的超额协作产出信息时，具体用于：

确定用户的第三工作贡献信息所表征的数值与用户的第一工作贡献信息所表征的数值之间的差值，为用户的初始超额协作产出数据；根据用户的第一工作贡献信息、用户的第二工作贡献信息、用户的第三工作贡献信息以及用户的第四工作贡献信息，确定用户的综合交互收益数据；确定用户的初始超额协作产出数据所表征的数值与用户的综合交互收益数据所表征的数值的总和，为用户的超额协作产出信息。

一个示例中，待处理任务为代码贡献任务，第一工作比重为预测的代码工作比重的总和，预测的代码工作比重为预测出的用户参与代码贡献任务时的代码工作比重，代码工作比重为代码的用户人力投入信息与代码的团队人力投入信息之间的比例；第一工作量为预测的代码提交行数的总和，预测的代码提交行数为预测出的用户参与代码贡献任务时的代码提交行数；第二工作比重为真实的代码工作比重的总和，真实的代码工作比重为真实情况下用户参与代码贡献任务时的代码工作比重；第二工作量为真实的代码提交行数的总和，真实的代码提交行数为真实情况下用户参与代码贡献任务时的代码提交行数。

一个示例中，，待处理任务为卡片贡献任务，第一工作比重为预测的卡片工作比重的总和，预测的卡片工作比重为预测出的用户参与卡片贡献任务时的卡片工作比重，卡片工作比重为卡片的用户人力投入信息与卡片的团队人力投入信息之间的比例；第一工作量为预测的卡片数量的总和，预测的卡片数量为预测出的用户参与卡片贡献任务时所完成的卡片数量；第二工作比重为真实的卡片工作比重的总和，真实的卡片工作比重为真实情况下用户参与卡片贡献任务时的卡片工作比重；第二工作量为真实的卡片数量的总和，真实的卡片数量为真实情况下用户参与卡片贡献任务时所完成的卡片数量。

一个示例中，，待处理任务为卡片工时任务，第一工作比重为预测的工时工作比重的总和，预测的工时工作比重为预测出的用户参与卡片工时任务时的工时工作比重，工时工作比重为卡片工时的用户人力投入信息与卡片工时的团队人力投入信息之间的比例；第一工作量为预测的卡片工时的总和，预测的卡片工时为预测出的用户参与卡片工时任务时的卡片工时；第二工作比重为真实的工时工作比重的总和，真实的工时工作比重为真实情况下用户参与卡片工时任务时的工时工作比重；第二工作量为真实的卡片工时的总和，真实的卡片工时为真实情况下用户参与卡片工时任务时的卡片工时。

一个示例中，，待处理任务为文档贡献任务，第一工作比重为预测的文档工作比重的总和，预测的文档工作比重为预测出的用户参与文档贡献任务时的文档工作比重；其中，文档工作比重的为用户文档数量与团队文档数量之间的比例，用户文档数量为用户所对应的文档的数量，用户所对应的文档为与卡片关联的文档；团队文档数量为待识别数据下的各用户的用户文档数量的总和；第一工作量为预测的文档信息的总和，预测的文档信息为预测出的用户参与文档贡献任务时的文档信息；其中，文档信息为与卡片关联的文档的数量，或者，文档信息为与卡片关联的文档的字数，或者，文档信息为与卡片关联的文档的影响力指数；第二工作比重为真实的文档工作比重的总和，真实的文档工作比重为真实情况下用户参与文档贡献任务时的文档工作比重；第二工作量为真实的文档信息的总和，真实的文档信息为真实情况下用户参与文档贡献任务时的文档信息。

一个示例中，第二确定单元803，具体用于：

根据超额适应产出信息和超额协作产出信息，对用户进行聚类处理，得到至少一个用户群；其中，用户群具有用户类别；根据用户群的用户类别，为用户群中的用户匹配任务。

一个示例中，本实施例提供的装置，还包括：

显示单元804，用于可视化显示用户的超额适应产出信息和超额协作产出信息；或者，根据多个用户的超额适应产出信息和多个用户的超额协作产出信息，生成并显示对比图；其中，对比图包括第一对比信息和第二对比信息，第一对比信息为用户之间的超额适应产出信息的对比信息，第二对比信息为用户之间的超额协作产出信息的对比信息。

本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

图9是根据本公开第八实施例的示意图，如图9所示，本公开提供了应用于任务推荐的模型训练装置900，该装置包括：

获取单元901，用于获取待训练数据，其中，待训练数据中包括至少一个待训练任务，待训练任务为至少一个用户所完成的。

第一训练单元902，用于根据待训练任务对第一初始模型进行训练，得到预设基准分配模型。

第二训练单元903，用于根据待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型。

其中，预设基准分配模型用于基于任务推荐装置中的待识别数据，确定待识别数据中的待处理任务的预测工作比重；预设基准工作量预估模型用于基于任务推荐装置中的待识别数据，确定待识别数据中的待处理任务的预测工作量；待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；超额适应产出信息表征用户在完成任务时的个人工作状态，超额协作产出信息表征用户在完成任务时的团队配合状态。

本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

图10是根据本公开第九实施例的示意图，如图10所示，本公开提供了应用于任务推荐的模型训练装置1000，该装置包括：

获取单元1001，用于获取待训练数据，其中，待训练数据中包括至少一个待训练任务，待训练任务为至少一个用户所完成的。

第一训练单元1002，用于根据待训练任务对第一初始模型进行训练，得到预设基准分配模型。

第二训练单元1003，用于根据待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型。

一个示例中，待训练任务具有任务信息；任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；其中，任务类别信息表征待训练任务的类别；任务难度信息表征待训练任务的难度级别；任务规模信息表征完成待训练任务所需要的用户的总人数、以及完成待训练任务所需要的用户的岗位职级编码。

一个示例中，第一初始模型中包括多个第一树模型，第一树模型包括至少一个节点，第一树模型中的节点表征对待训练任务的处理动作。第二初始模型中包括多个第二树模型，第二树模型包括至少一个节点，第二树模型中的节点表征对待训练任务的处理动作。

一个示例中，待训练任务具有真实工作比重，待训练任务的真实工作比重表征真实情况下完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；第一训练单元1002，包括：

第一训练子单元10021，用于根据待训练任务的任务信息和真实工作比重，对第一初始模型中的第一树模型进行训练，得到第一树模型的第一损失函数；其中，第一损失函数表征待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异，待训练任务的预测工作比重表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。

第一更新子单元10022，用于根据第一损失函数，更新第一初始模型中的第一树模型，得到预设基准分配模型。

一个示例中，第一训练子单元10021，包括：重复以下各模块，直至m的取值为M+1：

第一训练模块100211，用于将待训练任务输入至第m个第一树模型中，对第m个第一树模型进行训练，输出第m个第一树模型的第一损失函数；其中，第一损失函数中包括待训练任务的第一损失信息，第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

第一更新模块100212，用于根据第m个第一树模型的第一损失函数中的第一损失信息，更新待训练任务，得到更新后的待训练任务；并确定m的取值加1。

一个示例中，第一更新模块100212，包括：

第一确定子模块1002121，用于根据第m个第一树模型的第一损失函数中的第一损失信息和待训练任务的预测工作比重，确定第m个第一树模型的第一负梯度信息；其中，第一负梯度信息表征待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异。

第一更新子模块1002122，用于根据第m个第一树模型的第一负梯度信息，更新待训练任务，得到更新后的待训练任务。

一个示例中，第m个第一树模型的第一负梯度信息中包括基于第m个第一树模型所得到待训练任务的第一负梯度值；第一负梯度值表征待训练任务的预测工作比重与真实工作比重之间的差异。

第一更新子模块1002122，具体用于：将待训练任务的真实工作比重，替换为第m个第一树模型的第一负梯度信息中与待训练任务对应的第一负梯度值，得到更新后的待训练任务。

一个示例中，第一更新子单元10022，包括：重复以下各模块，直至处理完第一初始模型中的全部第一树模型：

第二更新模块100221，用于根据第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新；其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为第一初始模型中的第一树模型的数量。

第一确定模块100222，用于确定m的取值加1。

其中，在处理完第一初始模型中的全部第一树模型时，得到预设基准分配模型。

一个示例中，第二更新模块100221，包括：

第二确定子模块1002211，用于根据第m个第一树模型的节点，确定第m+1个第一树模型的节点组合；其中，第m+1个第一树模型的节点组合中包括多个待处理的节点；待处理的节点，为第m个第一树模型中归属于第m+1个第一树模型的节点。

第三确定子模块1002212，用于根据第m个第一树模型的第一损失函数，确定待处理的节点对应的第一损失参数；其中，第一损失函数中包括待训练任务的第一损失信息，第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异。

第二更新子模块1002213，用于根据待处理的节点对应的第一损失参数，更新第m+1个第一树模型。

一个示例中，第二更新子模块1002213，具体用于：

根据待处理的节点对应的第一损失参数，确定第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值；根据第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值，更新第m+1个第一树模型。

一个示例中，待训练任务具有真实工作量，待训练任务的真实工作量表征真实情况下完成待训练任务时岗位职级编码的工作量参数，工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和；第二训练单元1003，包括：

第二训练子单元10031，用于根据待训练任务的任务信息和真实工作量，对第二初始模型中的第二树模型进行训练，得到第二树模型的第二损失函数；其中，第二损失函数表征待训练数据中待训练任务的预测工作量与真实工作量之间的差异，待训练任务的预测工作量表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和。

第二更新子单元10032，用于根据第二损失函数，更新第二初始模型中的第二树模型，得到预设基准工作量预估模型。

一个示例中，第二训练子单元10031，包括：重复以下各模块，直至d的取值为D+1：

第二训练模块100311，用于将待训练任务输入至第d个第二树模型中，对第d个第二树模型进行训练，输出第d个第二树模型的第二损失函数；其中，第二损失函数中包括待训练任务的第二损失信息，第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

第三更新模块100312，用于根据第d个第二树模型的第二损失函数中的第二损失信息，更新待训练任务，得到更新后的待训练任务；并确定d的取值加1。

一个示例中，第三更新模块100312，包括：

第四确定子模块1003121，用于根据第d个第二树模型的第二损失函数中的第二损失信息和待训练任务的预测工作量，确定第d个第二树模型的第二负梯度信息；其中，第二负梯度信息表征待训练数据中待训练任务的预测工作量与真实工作量之间的差异。

第三更新子模块1003122，用于根据第d个第二树模型的第二负梯度信息，更新待训练任务，得到更新后的待训练任务。

一个示例中，第d个第二树模型的第二负梯度信息中包括基于第d个第二树模型所得到待训练任务的第二负梯度值；第二负梯度值表征待训练任务的预测工作量与真实工作量之间的差异。

第三更新子模块1003122，具体用于：将待训练任务的真实工作量，替换为第d个第二树模型的第二负梯度信息中与待训练任务对应的第二负梯度值，得到更新后的待训练任务。

一个示例中，第二更新子单元10032，包括：重复以下各模块，直至处理完第二初始模型中的全部第二树模型：

第四更新模块100321，用于根据第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新；其中，d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为第二初始模型中的第二树模型的数量。

第二确定模块100322，用于确定d的取值加1；

其中，在处理完第二初始模型中的全部第二树模型时，得到预设基准工作量预估模型。

一个示例中，第四更新模块100321，包括：

第五确定子模块1003211，用于根据第d个第二树模型的节点，确定第d+1个第二树模型的节点组合；其中，第d+1个第二树模型的节点组合中包括多个待处理的节点；待处理的节点，为第d个第二树模型中归属于第d+1个第二树模型的节点。

第六确定子模块1003212，用于根据第d个第二树模型的第二损失函数，确定待处理的节点对应的第二损失参数；其中，第二损失函数中包括待训练任务的第二损失信息，第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异。

第四更新子模块1003213，用于根据待处理的节点对应的第二损失参数，更新第d+1个第二树模型。

一个示例中，第四更新子模块1003213，具体用于：

根据待处理的节点对应的第二损失参数，确定第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值；根据第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值，更新第d+1个第二树模型。

本实施例的装置，可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

图11是根据本公开第十实施例的示意图，如图11所示，本实施例中的电子设备1100可以包括：处理器1101和存储器1102。

存储器1102，用于存储程序；存储器1102，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器1102用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1102中。并且上述的计算机程序、计算机指令、数据等可以被处理器1101调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1102中。并且上述的计算机程序、计算机指据等可以被处理器1101调用。

处理器1101，用于执行存储器1102存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器1101和存储器1102可以是独立结构，也可以是集成在一起的集成结构。当处理器1101和存储器1102是独立结构时，存储器1102、处理器1101可以通过总线1103耦合连接。

本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任一实施例提供的方案。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图12所示，设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如任务推荐方法或者应用于任务推荐的模型训练方法。例如，在一些实施例中，任务推荐方法或者应用于任务推荐的模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行任务推荐方法或者应用于任务推荐的模型训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (87)

1.一种任务推荐方法，包括：

获取待识别数据，其中，所述待识别数据中包括至少一个待处理任务，所述待处理任务为至少一个用户所完成的；

根据所述待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态；

根据所述用户的超额适应产出信息和超额协作产出信息，确定与所述用户匹配的任务，将与所述用户匹配的任务推荐给所述用户。

2.根据权利要求1所述的方法，其中，所述待处理任务具有任务信息；根据所述待识别数据，确定用户的超额适应产出信息和超额协作产出信息，包括：

根据所述待处理任务的任务信息，确定所述待处理任务的预测工作比重，并根据所述待处理任务的任务信息，确定所述待处理任务的预测工作量；其中，所述待处理任务的预测工作比重表征所预测出的完成待处理任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和；所述待处理任务的预测工作量表征所预测出的完成待处理任务时岗位职级编码的工作量参数，所述工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和；

根据所述待处理任务的预测工作比重和所述待处理任务的预测工作量，确定所述超额适应产出信息和所述超额协作产出信息。

3.根据权利要求2所述的方法，其中，所述任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；

其中，所述任务类别信息表征待处理任务的类别；所述任务难度信息表征待处理任务的难度级别；所述任务规模信息表征完成待处理任务所需要的用户的总人数、以及完成待处理任务所需要的用户的岗位职级编码。

4.根据权利要求3所述的方法，其中，根据所述待处理任务的任务信息，确定所述待处理任务的预测工作比重，包括：

将所述待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中，输出所述待处理任务的预测工作比重。

5.根据权利要求3或4所述的方法，其中，根据所述待处理任务的任务信息，确定所述待处理任务的预测工作量，包括：

将所述待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中，输出所述待处理任务的预测工作量。

6.根据权利要求2-5中任一项所述的方法，其中，根据所述待处理任务的预测工作比重和所述待处理任务的预测工作量，确定所述超额适应产出信息和所述超额协作产出信息，包括：

根据所述待处理任务的预测工作比重和预设对应关系，确定所述用户的第一工作比重，其中，所述预设对应关系表征待处理任务和用户之间的对应关系，所述第一工作比重为预测比重信息的总和，所述预测比重信息为预测出的用户参与待处理任务时的工作比重；并根据所述待处理任务的预测工作量和预设对应关系，确定所述用户的第一工作量，其中，所述第一工作量为预测量信息的总和，所述预测量信息为预测出的用户参与待处理任务时的工作量；

获取所述用户的第二工作比重和所述用户的第二工作量；其中，所述第二工作比重为真实比重信息的总和，所述真实比重信息为真实情况下用户参与待处理任务时的工作比重；所述第二工作量为真实量信息的总和，所述真实量信息为真实情况下用户参与待处理任务时的工作量；

根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定所述超额适应产出信息和所述超额协作产出信息。

7.根据权利要求6所述的方法，其中，根据所述待处理任务的预测工作比重和预设对应关系，确定所述用户的第一工作比重，包括：

根据所述待处理任务的预测工作比重和所述预设对应关系，确定所述用户所参与的待处理任务的第一处理信息，所述第一处理信息与待处理任务为一一对应关系，所述第一处理信息为所述用户参与待处理任务时所付出的工作比重；

对所述第一处理信息进行求和处理，得到所述用户的第一工作比重。

8.根据权利要求6或7所述的方法，其中，根据所述待处理任务的预测工作量和预设对应关系，确定所述用户的第一工作量，包括：

根据所述待处理任务的预测工作量和所述预设对应关系，确定所述用户所参与的待处理任务的第二处理信息，所述第二处理信息与待处理任务为一一对应关系，所述第二处理信息为所述用户参与待处理任务时所付出的工作量；

对所述第二处理信息进行求和处理，得到所述用户的第一工作量。

9.根据权利要求6-8中任一项所述的方法，其中，根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定所述超额适应产出信息和所述超额协作产出信息，包括：

根据所述第一工作比重、所述第一工作量以及所述第二工作比重，确定所述超额适应产出信息；

根据所述第一工作比重、所述第一工作量以及所述第二工作量，确定所述超额协作产出信息，或者，根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定所述超额协作产出信息。

10.根据权利要求9所述的方法，其中，根据所述第一工作比重、所述第一工作量以及所述第二工作比重，确定所述超额适应产出信息，包括：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；

根据所述第二工作比重、所述第一工作量以及用户总人数，确定第二项目信息；其中，所述第二项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；

根据所述第一项目信息和所述第二项目信息，确定所述用户的超额适应产出信息。

11.根据权利要求10所述的方法，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；根据所述第一项目信息和所述第二项目信息，确定所述用户的超额适应产出信息，包括：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第二项目信息的乘积，为所述用户的第二工作贡献信息；

根据所述用户的第一工作贡献信息与所述用户的第二工作贡献信息，确定所述用户的超额适应产出信息。

12.根据权利要求11所述的方法，其中，所述用户的超额适应产出信息为所述用户的第二工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值。

13.根据权利要求9-12中任一项所述的方法，其中，根据所述第一工作比重、所述第一工作量以及所述第二工作量，确定所述超额协作产出信息，包括：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；

根据所述第一工作比重、所述第二工作量以及用户总人数，确定第三项目信息；其中，所述第三项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；

根据所述第一项目信息和所述第三项目信息，确定所述用户的超额协作产出信息。

14.根据权利要求13所述的方法，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；根据所述第一项目信息和所述第三项目信息，确定所述用户的超额协作产出信息，包括：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第三项目信息的乘积，为所述用户的第三工作贡献信息；

根据所述用户的第一工作贡献信息与所述用户的第三工作贡献信息，确定所述用户的超额协作产出信息。

15.根据权利要求14所述的方法，其中，所述用户的超额协作产出信息为所述用户的第三工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值。

16.根据权利要求9-15中任一项所述的方法，其中，根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定所述超额协作产出信息，包括：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；并根据所述第二工作比重、所述第一工作量以及用户总人数，确定第二项目信息；其中，所述第二项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；

根据所述第一工作比重、所述第二工作量以及用户总人数，确定第三项目信息；其中，所述第三项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；并根据所述第二工作比重、所述第二工作量以及用户总人数，确定第四项目信息；其中，所述第四项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第二工作量之间的关系；

根据所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息。

17.根据权利要求16所述的方法，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；根据所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息，包括：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

根据所述用户的用户绩效归因参数、所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息。

18.根据权利要求17所述的方法，其中，根据所述用户的用户绩效归因参数、所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息，包括：

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第二项目信息的乘积，为所述用户的第二工作贡献信息；

确定所述用户的用户绩效归因参数与所述第三项目信息的乘积，为所述用户的第三工作贡献信息；并确定所述用户的用户绩效归因参数与所述第四项目信息的乘积，为所述用户的第四工作贡献信息；

根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的超额协作产出信息。

19.根据权利要求18所述的方法，其中，根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的超额协作产出信息，包括：

确定所述用户的第三工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值，为所述用户的初始超额协作产出数据；

根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的综合交互收益数据；

确定所述用户的初始超额协作产出数据所表征的数值与所述用户的综合交互收益数据所表征的数值的总和，为所述用户的超额协作产出信息。

20.根据权利要求6-19中任一项所述的方法，其中，所述待处理任务为代码贡献任务，所述第一工作比重为预测的代码工作比重的总和，所述预测的代码工作比重为预测出的用户参与代码贡献任务时的代码工作比重，所述代码工作比重为代码的用户人力投入信息与代码的团队人力投入信息之间的比例；

所述第一工作量为预测的代码提交行数的总和，所述预测的代码提交行数为预测出的用户参与代码贡献任务时的代码提交行数；

所述第二工作比重为真实的代码工作比重的总和，所述真实的代码工作比重为真实情况下用户参与代码贡献任务时的代码工作比重；

所述第二工作量为真实的代码提交行数的总和，所述真实的代码提交行数为真实情况下用户参与代码贡献任务时的代码提交行数。

21.根据权利要求6-19中任一项所述的方法，其中，所述待处理任务为卡片贡献任务，所述第一工作比重为预测的卡片工作比重的总和，所述预测的卡片工作比重为预测出的用户参与卡片贡献任务时的卡片工作比重，所述卡片工作比重为卡片的用户人力投入信息与卡片的团队人力投入信息之间的比例；

所述第一工作量为预测的卡片数量的总和，所述预测的卡片数量为预测出的用户参与卡片贡献任务时所完成的卡片数量；

所述第二工作比重为真实的卡片工作比重的总和，所述真实的卡片工作比重为真实情况下用户参与卡片贡献任务时的卡片工作比重；

所述第二工作量为真实的卡片数量的总和，所述真实的卡片数量为真实情况下用户参与卡片贡献任务时所完成的卡片数量。

22.根据权利要求6-19中任一项所述的方法，其中，所述待处理任务为卡片工时任务，所述第一工作比重为预测的工时工作比重的总和，所述预测的工时工作比重为预测出的用户参与卡片工时任务时的工时工作比重，所述工时工作比重为卡片工时的用户人力投入信息与卡片工时的团队人力投入信息之间的比例；

所述第一工作量为预测的卡片工时的总和，所述预测的卡片工时为预测出的用户参与卡片工时任务时的卡片工时；

所述第二工作比重为真实的工时工作比重的总和，所述真实的工时工作比重为真实情况下用户参与卡片工时任务时的工时工作比重；

所述第二工作量为真实的卡片工时的总和，所述真实的卡片工时为真实情况下用户参与卡片工时任务时的卡片工时。

23.根据权利要求6-19中任一项所述的方法，其中，所述待处理任务为文档贡献任务，所述第一工作比重为预测的文档工作比重的总和，所述预测的文档工作比重为预测出的用户参与文档贡献任务时的文档工作比重；其中，所述文档工作比重的为用户文档数量与团队文档数量之间的比例，所述用户文档数量为用户所对应的文档的数量，用户所对应的文档为与卡片关联的文档；所述团队文档数量为所述待识别数据下的各用户的用户文档数量的总和；

所述第一工作量为预测的文档信息的总和，所述预测的文档信息为预测出的用户参与文档贡献任务时的文档信息；其中，所述文档信息为与卡片关联的文档的数量，或者，所述文档信息为与卡片关联的文档的字数，或者，所述文档信息为与卡片关联的文档的影响力指数；

所述第二工作比重为真实的文档工作比重的总和，所述真实的文档工作比重为真实情况下用户参与文档贡献任务时的文档工作比重；

所述第二工作量为真实的文档信息的总和，所述真实的文档信息为真实情况下用户参与文档贡献任务时的文档信息。

24.根据权利要求1-23中任一项所述的方法，其中，根据所述用户的超额适应产出信息和超额协作产出信息，确定与所述用户匹配的任务，包括：

根据所述超额适应产出信息和所述超额协作产出信息，对用户进行聚类处理，得到至少一个用户群；其中，所述用户群具有用户类别；

根据所述用户群的用户类别，为所述用户群中的用户匹配任务。

25.根据权利要求1-24中任一项所述的方法，还包括：

可视化显示所述用户的超额适应产出信息和超额协作产出信息；

或者，根据多个用户的超额适应产出信息和所述多个用户的超额协作产出信息，生成并显示对比图；其中，所述对比图包括第一对比信息和第二对比信息，所述第一对比信息为用户之间的超额适应产出信息的对比信息，所述第二对比信息为用户之间的超额协作产出信息的对比信息。

26.一种应用于任务推荐的模型训练方法，包括：

获取待训练数据，其中，所述待训练数据中包括至少一个待训练任务，所述待训练任务为至少一个用户所完成的；

根据所述待训练任务对第一初始模型进行训练，得到预设基准分配模型，并根据所述待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型；

其中，所述预设基准分配模型用于基于权利要求1-24任一项所述的待识别数据，确定所述待识别数据中的待处理任务的预测工作比重；所述预设基准工作量预估模型用于基于权利要求1-24任一项所述的待识别数据，确定所述待识别数据中的待处理任务的预测工作量；所述待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态。

27.根据权利要求26所述的方法，其中，所述待训练任务具有任务信息；所述任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；

其中，所述任务类别信息表征待训练任务的类别；所述任务难度信息表征待训练任务的难度级别；所述任务规模信息表征完成待训练任务所需要的用户的总人数、以及完成待训练任务所需要的用户的岗位职级编码。

28.根据权利要求26或27所述的方法，其中，所述第一初始模型中包括多个第一树模型，所述第一树模型包括至少一个节点，所述第一树模型中的节点表征对待训练任务的处理动作；

所述第二初始模型中包括多个第二树模型，所述第二树模型包括至少一个节点，所述第二树模型中的节点表征对待训练任务的处理动作。

29.根据权利要求28所述的方法，其中，所述待训练任务具有真实工作比重，所述待训练任务的真实工作比重表征真实情况下完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；根据所述待训练任务对第一初始模型进行训练，得到预设基准分配模型，包括：

根据所述待训练任务的任务信息和真实工作比重，对所述第一初始模型中的第一树模型进行训练，得到所述第一树模型的第一损失函数；其中，所述第一损失函数表征所述待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异，所述待训练任务的预测工作比重表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；

根据所述第一损失函数，更新所述第一初始模型中的第一树模型，得到所述预设基准分配模型。

30.根据权利要求29所述的方法，其中，根据所述待训练任务的任务信息和真实工作比重，对所述第一初始模型中的第一树模型进行训练，得到所述第一树模型的第一损失函数，包括：

重复以下各步骤，直至m的取值为M+1：

将所述待训练任务输入至第m个第一树模型中，对所述第m个第一树模型进行训练，输出所述第m个第一树模型的第一损失函数；其中，所述第一损失函数中包括待训练任务的第一损失信息，所述第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为所述第一初始模型中的第一树模型的数量；

根据所述第m个第一树模型的第一损失函数中的第一损失信息，更新所述待训练任务，得到更新后的待训练任务；并确定m的取值加1。

31.根据权利要求30所述的方法，其中，根据所述第m个第一树模型的第一损失函数中的第一损失信息，更新所述待训练任务，得到更新后的待训练任务，包括：

根据所述第m个第一树模型的第一损失函数中的第一损失信息和所述待训练任务的预测工作比重，确定所述第m个第一树模型的第一负梯度信息；其中，所述第一负梯度信息表征所述待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异；

根据所述第m个第一树模型的第一负梯度信息，更新所述待训练任务，得到更新后的待训练任务。

32.根据权利要求31所述的方法，其中，所述第m个第一树模型的第一负梯度信息中包括基于所述第m个第一树模型所得到待训练任务的第一负梯度值；所述第一负梯度值表征待训练任务的预测工作比重与真实工作比重之间的差异；

根据所述第m个第一树模型的第一负梯度信息，更新所述待训练任务，得到更新后的待训练任务，包括：将所述待训练任务的真实工作比重，替换为所述第m个第一树模型的第一负梯度信息中与所述待训练任务对应的第一负梯度值，得到所述更新后的待训练任务。

33.根据权利要求29-32中任一项所述的方法，其中，根据所述第一损失函数，更新所述第一初始模型中的第一树模型，得到所述预设基准分配模型，包括：

重复以下各步骤，直至处理完所述第一初始模型中的全部第一树模型：

根据第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新；其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为所述第一初始模型中的第一树模型的数量；

确定m的取值加1；

其中，在处理完所述第一初始模型中的全部第一树模型时，得到所述预设基准分配模型。

34.根据权利要求33所述的方法，其中，根据第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新，包括：

根据第m个第一树模型的节点，确定第m+1个第一树模型的节点组合；其中，所述第m+1个第一树模型的节点组合中包括多个待处理的节点；所述待处理的节点，为第m个第一树模型中归属于第m+1个第一树模型的节点；

根据所述第m个第一树模型的第一损失函数，确定所述待处理的节点对应的第一损失参数；其中，所述第一损失函数中包括待训练任务的第一损失信息，所述第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；所述第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异；

根据所述待处理的节点对应的第一损失参数，更新所述第m+1个第一树模型。

35.根据权利要求34所述的方法，其中，根据所述待处理的节点对应的第一损失参数，更新所述第m+1个第一树模型，包括：

根据所述待处理的节点对应的第一损失参数，确定第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值；

根据第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值，更新所述第m+1个第一树模型。

36.根据权利要求28-35中任一项所述的方法，其中，所述待训练任务具有真实工作量，所述待训练任务的真实工作量表征真实情况下完成待训练任务时岗位职级编码的工作量参数，所述工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和；根据所述待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型，包括：

根据所述待训练任务的任务信息和真实工作量，对所述第二初始模型中的第二树模型进行训练，得到所述第二树模型的第二损失函数；其中，所述第二损失函数表征所述待训练数据中待训练任务的预测工作量与真实工作量之间的差异，所述待训练任务的预测工作量表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；

根据所述第二损失函数，更新所述第二初始模型中的第二树模型，得到所述预设基准工作量预估模型。

37.根据权利要求36所述的方法，其中，根据所述待训练任务的任务信息和真实工作量，对所述第二初始模型中的第二树模型进行训练，得到所述第二树模型的第二损失函数，包括：

重复以下各步骤，直至d的取值为D+1：

将所述待训练任务输入至第d个第二树模型中，对所述第d个第二树模型进行训练，输出所述第d个第二树模型的第二损失函数；其中，所述第二损失函数中包括待训练任务的第二损失信息，所述第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为所述第二初始模型中的第二树模型的数量；

根据所述第d个第二树模型的第二损失函数中的第二损失信息，更新所述待训练任务，得到更新后的待训练任务；并确定d的取值加1。

38.根据权利要求37所述的方法，其中，根据所述第d个第二树模型的第二损失函数中的第二损失信息，更新所述待训练任务，得到更新后的待训练任务，包括：

根据所述第d个第二树模型的第二损失函数中的第二损失信息和所述待训练任务的预测工作量，确定所述第d个第二树模型的第二负梯度信息；其中，所述第二负梯度信息表征所述待训练数据中待训练任务的预测工作量与真实工作量之间的差异；

根据所述第d个第二树模型的第二负梯度信息，更新所述待训练任务，得到更新后的待训练任务。

39.根据权利要求38所述的方法，其中，所述第d个第二树模型的第二负梯度信息中包括基于所述第d个第二树模型所得到待训练任务的第二负梯度值；所述第二负梯度值表征待训练任务的预测工作量与真实工作量之间的差异；

根据所述第d个第二树模型的第二负梯度信息，更新所述待训练任务，得到更新后的待训练任务，包括：将所述待训练任务的真实工作量，替换为所述第d个第二树模型的第二负梯度信息中与所述待训练任务对应的第二负梯度值，得到所述更新后的待训练任务。

40.根据权利要求36-39中任一项所述的方法，其中，根据所述第二损失函数，更新所述第二初始模型中的第二树模型，得到所述预设基准工作量预估模型，包括：

重复以下各步骤，直至处理完所述第二初始模型中的全部第二树模型：

根据第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新；其中，d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为所述第二初始模型中的第二树模型的数量；

确定d的取值加1；

其中，在处理完所述第二初始模型中的全部第二树模型时，得到所述预设基准工作量预估模型。

41.根据权利要求40所述的方法，其中，根据第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新，包括：

根据第d个第二树模型的节点，确定第d+1个第二树模型的节点组合；其中，所述第d+1个第二树模型的节点组合中包括多个待处理的节点；所述待处理的节点，为第d个第二树模型中归属于第d+1个第二树模型的节点；

根据所述第d个第二树模型的第二损失函数，确定所述待处理的节点对应的第二损失参数；其中，所述第二损失函数中包括待训练任务的第二损失信息，所述第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；所述第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异；

根据所述待处理的节点对应的第二损失参数，更新所述第d+1个第二树模型。

42.根据权利要求41所述的方法，其中，根据所述待处理的节点对应的第二损失参数，更新所述第d+1个第二树模型，包括：

根据所述待处理的节点对应的第二损失参数，确定第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值；

根据第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值，更新所述第d+1个第二树模型。

43.一种任务推荐装置，包括：

获取单元，用于获取待识别数据，其中，所述待识别数据中包括至少一个待处理任务，所述待处理任务为至少一个用户所完成的；

第一确定单元，用于根据所述待识别数据，确定用户的超额适应产出信息和超额协作产出信息；其中，所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态；

第二确定单元，用于根据所述用户的超额适应产出信息和超额协作产出信息，确定与所述用户匹配的任务，将与所述用户匹配的任务推荐给所述用户。

44.根据权利要求43所述的装置，其中，所述待处理任务具有任务信息；所述第一确定单元，包括：

第一确定子单元，用于根据所述待处理任务的任务信息，确定所述待处理任务的预测工作比重；其中，所述待处理任务的预测工作比重表征所预测出的完成待处理任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作比重之和；

第二确定子单元，用于根据所述待处理任务的任务信息，确定所述待处理任务的预测工作量；其中，所述待处理任务的预测工作量表征所预测出的完成待处理任务时岗位职级编码的工作量参数，所述工作量参数表征归属于同一岗位职级编码、且参与待处理任务的用户的工作量之和；

第三确定子单元，用于根据所述待处理任务的预测工作比重和所述待处理任务的预测工作量，确定所述超额适应产出信息和所述超额协作产出信息。

45.根据权利要求44所述的装置，其中，所述任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；

其中，所述任务类别信息表征待处理任务的类别；所述任务难度信息表征待处理任务的难度级别；所述任务规模信息表征完成待处理任务所需要的用户的总人数、以及完成待处理任务所需要的用户的岗位职级编码。

46.根据权利要求45所述的装置，其中，所述第一确定子单元，具体用于：

将所述待处理任务的任务类别信息、任务难度信息以及任务规模信息，输入至预设基准分配模型中，输出所述待处理任务的预测工作比重。

47.根据权利要求45或46所述的装置，其中，所述第二确定子单元，具体用于：

将所述待处理任务的任务类别信息和任务难度信息，输入至预设基准工作量预估模型中，输出所述待处理任务的预测工作量。

48.根据权利要求44-47中任一项所述的装置，其中，所述第三确定子单元，包括：

第一确定模块，用于根据所述待处理任务的预测工作比重和预设对应关系，确定所述用户的第一工作比重，其中，所述预设对应关系表征待处理任务和用户之间的对应关系，所述第一工作比重为预测比重信息的总和，所述预测比重信息为预测出的用户参与待处理任务时的工作比重；

第二确定模块，用于根据所述待处理任务的预测工作量和预设对应关系，确定所述用户的第一工作量，其中，所述第一工作量为预测量信息的总和，所述预测量信息为预测出的用户参与待处理任务时的工作量；

获取模块，用于获取所述用户的第二工作比重和所述用户的第二工作量；其中，所述第二工作比重为真实比重信息的总和，所述真实比重信息为真实情况下用户参与待处理任务时的工作比重；所述第二工作量为真实量信息的总和，所述真实量信息为真实情况下用户参与待处理任务时的工作量；

第三确定模块，用于根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量中的至少三个，确定所述超额适应产出信息和所述超额协作产出信息。

49.根据权利要求48所述的装置，其中，所述第一确定模块，包括：

第一确定子模块，用于根据所述待处理任务的预测工作比重和所述预设对应关系，确定所述用户所参与的待处理任务的第一处理信息，所述第一处理信息与待处理任务为一一对应关系，所述第一处理信息为所述用户参与待处理任务时所付出的工作比重；

第一处理子模块，用于对所述第一处理信息进行求和处理，得到所述用户的第一工作比重。

50.根据权利要求48或49所述的装置，其中，所述第二确定模块，包括：

第二确定子模块，用于根据所述待处理任务的预测工作量和所述预设对应关系，确定所述用户所参与的待处理任务的第二处理信息，所述第二处理信息与待处理任务为一一对应关系，所述第二处理信息为所述用户参与待处理任务时所付出的工作量；

第二处理子模块，用于对所述第二处理信息进行求和处理，得到所述用户的第一工作量。

51.根据权利要求48-50中任一项所述的装置，其中，所述第三确定模块，包括：

第三确定子模块，用于根据所述第一工作比重、所述第一工作量以及所述第二工作比重，确定所述超额适应产出信息；

第四确定子模块，用于根据所述第一工作比重、所述第一工作量以及所述第二工作量，确定所述超额协作产出信息，或者，根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定所述超额协作产出信息。

52.根据权利要求51所述的装置，其中，所述第三确定子模块，具体用于：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；

根据所述第二工作比重、所述第一工作量以及用户总人数，确定第二项目信息；其中，所述第二项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；

根据所述第一项目信息和所述第二项目信息，确定所述用户的超额适应产出信息。

53.根据权利要求52所述的装置，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；所述第三确定子模块在根据所述第一项目信息和所述第二项目信息，确定所述用户的超额适应产出信息时，具体用于：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第二项目信息的乘积，为所述用户的第二工作贡献信息；

根据所述用户的第一工作贡献信息与所述用户的第二工作贡献信息，确定所述用户的超额适应产出信息。

54.根据权利要求53所述的装置，其中，所述用户的超额适应产出信息为所述用户的第二工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值。

55.根据权利要求51-54中任一项所述的装置，其中，所述第四确定子模块在根据所述第一工作比重、所述第一工作量以及所述第二工作量，确定所述超额协作产出信息时，具体用于：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；

根据所述第一工作比重、所述第二工作量以及用户总人数，确定第三项目信息；其中，所述第三项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；

根据所述第一项目信息和所述第三项目信息，确定所述用户的超额协作产出信息。

56.根据权利要求55所述的装置，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；所述第四确定子模块在根据所述第一项目信息和所述第三项目信息，确定所述用户的超额协作产出信息时，具体用于：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第三项目信息的乘积，为所述用户的第三工作贡献信息；

根据所述用户的第一工作贡献信息与所述用户的第三工作贡献信息，确定所述用户的超额协作产出信息。

57.根据权利要求56所述的装置，其中，所述用户的超额协作产出信息为所述用户的第三工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值。

58.根据权利要求51-57中任一项所述的装置，其中，所述第四确定子模块根据所述用户的第一工作比重、第一工作量、第二工作比重以及第二工作量，确定所述超额协作产出信息时，具体用于：

根据所述第一工作比重、所述第一工作量以及用户总人数，确定第一项目信息；其中，所述第一项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第一工作量之间的关系；并根据所述第二工作比重、所述第一工作量以及用户总人数，确定第二项目信息；其中，所述第二项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第一工作量之间的关系；

根据所述第一工作比重、所述第二工作量以及用户总人数，确定第三项目信息；其中，所述第三项目信息表征参与所述待识别数据中的待处理任务的用户的第一工作比重和第二工作量之间的关系；并根据所述第二工作比重、所述第二工作量以及用户总人数，确定第四项目信息；其中，所述第四项目信息表征参与所述待识别数据中的待处理任务的用户的第二工作比重和第二工作量之间的关系；

根据所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息。

59.根据权利要求58所述的装置，其中，所述待处理任务具有时间信息，所述时间信息表征完成待处理任务所耗费的时间；所述第四确定子模块根据所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息时，具体用于：

根据所述待识别数据中待处理任务的时间信息，确定所述待处理任务的任务绩效归因参数；其中，所述任务绩效归因参数表征一个待处理任务的时间信息与多个待处理任务的时间信息之间的比值；

根据所述待处理任务的任务绩效归因参数和所述预设对应关系，确定所述用户的用户绩效归因参数；其中，所述用户绩效归因参数为用户所参与的待处理任务的任务绩效归因参数的总和；

根据所述用户的用户绩效归因参数、所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息。

60.根据权利要求59所述的装置，其中，所述第四确定子模块在根据所述用户的用户绩效归因参数、所述第一项目信息、所述第二项目信息、所述第三项目信息以及所述第四项目信息，确定所述用户的超额协作产出信息时，具体用于：

确定所述用户的用户绩效归因参数与所述第一项目信息的乘积，为所述用户的第一工作贡献信息；并确定所述用户的用户绩效归因参数与所述第二项目信息的乘积，为所述用户的第二工作贡献信息；

确定所述用户的用户绩效归因参数与所述第三项目信息的乘积，为所述用户的第三工作贡献信息；并确定所述用户的用户绩效归因参数与所述第四项目信息的乘积，为所述用户的第四工作贡献信息；

根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的超额协作产出信息。

61.根据权利要求60所述的装置，其中，所述第四确定子模块在根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的超额协作产出信息时，具体用于：

确定所述用户的第三工作贡献信息所表征的数值与所述用户的第一工作贡献信息所表征的数值之间的差值，为所述用户的初始超额协作产出数据；

根据所述用户的第一工作贡献信息、所述用户的第二工作贡献信息、所述用户的第三工作贡献信息以及所述用户的第四工作贡献信息，确定所述用户的综合交互收益数据；

确定所述用户的初始超额协作产出数据所表征的数值与所述用户的综合交互收益数据所表征的数值的总和，为所述用户的超额协作产出信息。

62.根据权利要求48-61中任一项所述的装置，其中，所述待处理任务为代码贡献任务，所述第一工作比重为预测的代码工作比重的总和，所述预测的代码工作比重为预测出的用户参与代码贡献任务时的代码工作比重，所述代码工作比重为代码的用户人力投入信息与代码的团队人力投入信息之间的比例；

所述第一工作量为预测的代码提交行数的总和，所述预测的代码提交行数为预测出的用户参与代码贡献任务时的代码提交行数；

所述第二工作比重为真实的代码工作比重的总和，所述真实的代码工作比重为真实情况下用户参与代码贡献任务时的代码工作比重；

所述第二工作量为真实的代码提交行数的总和，所述真实的代码提交行数为真实情况下用户参与代码贡献任务时的代码提交行数。

63.根据权利要求48-61中任一项所述的装置，其中，所述待处理任务为卡片贡献任务，所述第一工作比重为预测的卡片工作比重的总和，所述预测的卡片工作比重为预测出的用户参与卡片贡献任务时的卡片工作比重，所述卡片工作比重为卡片的用户人力投入信息与卡片的团队人力投入信息之间的比例；

所述第一工作量为预测的卡片数量的总和，所述预测的卡片数量为预测出的用户参与卡片贡献任务时所完成的卡片数量；

所述第二工作比重为真实的卡片工作比重的总和，所述真实的卡片工作比重为真实情况下用户参与卡片贡献任务时的卡片工作比重；

所述第二工作量为真实的卡片数量的总和，所述真实的卡片数量为真实情况下用户参与卡片贡献任务时所完成的卡片数量。

64.根据权利要求48-61中任一项所述的装置，其中，所述待处理任务为卡片工时任务，所述第一工作比重为预测的工时工作比重的总和，所述预测的工时工作比重为预测出的用户参与卡片工时任务时的工时工作比重，所述工时工作比重为卡片工时的用户人力投入信息与卡片工时的团队人力投入信息之间的比例；

所述第一工作量为预测的卡片工时的总和，所述预测的卡片工时为预测出的用户参与卡片工时任务时的卡片工时；

所述第二工作比重为真实的工时工作比重的总和，所述真实的工时工作比重为真实情况下用户参与卡片工时任务时的工时工作比重；

所述第二工作量为真实的卡片工时的总和，所述真实的卡片工时为真实情况下用户参与卡片工时任务时的卡片工时。

65.根据权利要求48-61中任一项所述的装置，其中，所述待处理任务为文档贡献任务，所述第一工作比重为预测的文档工作比重的总和，所述预测的文档工作比重为预测出的用户参与文档贡献任务时的文档工作比重；其中，所述文档工作比重的为用户文档数量与团队文档数量之间的比例，所述用户文档数量为用户所对应的文档的数量，用户所对应的文档为与卡片关联的文档；所述团队文档数量为所述待识别数据下的各用户的用户文档数量的总和；

所述第一工作量为预测的文档信息的总和，所述预测的文档信息为预测出的用户参与文档贡献任务时的文档信息；其中，所述文档信息为与卡片关联的文档的数量，或者，所述文档信息为与卡片关联的文档的字数，或者，所述文档信息为与卡片关联的文档的影响力指数；

所述第二工作比重为真实的文档工作比重的总和，所述真实的文档工作比重为真实情况下用户参与文档贡献任务时的文档工作比重；

所述第二工作量为真实的文档信息的总和，所述真实的文档信息为真实情况下用户参与文档贡献任务时的文档信息。

66.根据权利要求43-65中任一项所述的装置，其中，所述第二确定单元，具体用于：

根据所述超额适应产出信息和所述超额协作产出信息，对用户进行聚类处理，得到至少一个用户群；其中，所述用户群具有用户类别；

根据所述用户群的用户类别，为所述用户群中的用户匹配任务。

67.根据权利要求43-66中任一项所述的装置，还包括：

显示单元，用于可视化显示所述用户的超额适应产出信息和超额协作产出信息；或者，根据多个用户的超额适应产出信息和所述多个用户的超额协作产出信息，生成并显示对比图；其中，所述对比图包括第一对比信息和第二对比信息，所述第一对比信息为用户之间的超额适应产出信息的对比信息，所述第二对比信息为用户之间的超额协作产出信息的对比信息。

68.一种应用于任务推荐的模型训练装置，包括：

获取单元，用于获取待训练数据，其中，所述待训练数据中包括至少一个待训练任务，所述待训练任务为至少一个用户所完成的；

第一训练单元，用于根据所述待训练任务对第一初始模型进行训练，得到预设基准分配模型；

第二训练单元，用于根据所述待训练任务对第二初始模型进行训练，得到预设基准工作量预估模型；

其中，所述预设基准分配模型用于基于权利要求43-67任一项所述的待识别数据，确定所述待识别数据中的待处理任务的预测工作比重；所述预设基准工作量预估模型用于基于权利要求43-67任一项所述的待识别数据，确定所述待识别数据中的待处理任务的预测工作量；所述待处理任务的预测工作比重和预设工作量，用于确定用户的超额适应产出信息和超额协作产出信息后，为用户推荐与用户匹配的任务；所述超额适应产出信息表征用户在完成任务时的个人工作状态，所述超额协作产出信息表征用户在完成任务时的团队配合状态。

69.根据权利要求68所述的装置，其中，所述待训练任务具有任务信息；所述任务信息包括以下的一种或几种：任务类别信息、任务难度信息、任务规模信息；

其中，所述任务类别信息表征待训练任务的类别；所述任务难度信息表征待训练任务的难度级别；所述任务规模信息表征完成待训练任务所需要的用户的总人数、以及完成待训练任务所需要的用户的岗位职级编码。

70.根据权利要求68或69所述的装置，其中，所述第一初始模型中包括多个第一树模型，所述第一树模型包括至少一个节点，所述第一树模型中的节点表征对待训练任务的处理动作；

所述第二初始模型中包括多个第二树模型，所述第二树模型包括至少一个节点，所述第二树模型中的节点表征对待训练任务的处理动作。

71.根据权利要求70所述的装置，其中，所述待训练任务具有真实工作比重，所述待训练任务的真实工作比重表征真实情况下完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；所述第一训练单元，包括：

第一训练子单元，用于根据所述待训练任务的任务信息和真实工作比重，对所述第一初始模型中的第一树模型进行训练，得到所述第一树模型的第一损失函数；其中，所述第一损失函数表征所述待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异，所述待训练任务的预测工作比重表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；

第一更新子单元，用于根据所述第一损失函数，更新所述第一初始模型中的第一树模型，得到所述预设基准分配模型。

72.根据权利要求71所述的装置，其中，所述第一训练子单元，包括：

重复以下各模块，直至m的取值为M+1：

第一训练模块，用于将所述待训练任务输入至第m个第一树模型中，对所述第m个第一树模型进行训练，输出所述第m个第一树模型的第一损失函数；其中，所述第一损失函数中包括待训练任务的第一损失信息，所述第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为所述第一初始模型中的第一树模型的数量；

第一更新模块，用于根据所述第m个第一树模型的第一损失函数中的第一损失信息，更新所述待训练任务，得到更新后的待训练任务；并确定m的取值加1。

73.根据权利要求72所述的装置，其中，所述第一更新模块，包括：

第一确定子模块，用于根据所述第m个第一树模型的第一损失函数中的第一损失信息和所述待训练任务的预测工作比重，确定所述第m个第一树模型的第一负梯度信息；其中，所述第一负梯度信息表征所述待训练数据中待训练任务的预测工作比重与真实工作比重之间的差异；

第一更新子模块，用于根据所述第m个第一树模型的第一负梯度信息，更新所述待训练任务，得到更新后的待训练任务。

74.根据权利要求73所述的装置，其中，所述第m个第一树模型的第一负梯度信息中包括基于所述第m个第一树模型所得到待训练任务的第一负梯度值；所述第一负梯度值表征待训练任务的预测工作比重与真实工作比重之间的差异；

所述第一更新子模块，具体用于：将所述待训练任务的真实工作比重，替换为所述第m个第一树模型的第一负梯度信息中与所述待训练任务对应的第一负梯度值，得到所述更新后的待训练任务。

75.根据权利要求71-74中任一项所述的装置，其中，所述第一更新子单元，包括：

重复以下各模块，直至处理完所述第一初始模型中的全部第一树模型：

第二更新模块，用于根据第m个第一树模型的第一损失函数，对第m+1个第一树模型进行更新；其中，m为大于等于1、小于等于M的正整数，M为大于等于1的正整数，M为所述第一初始模型中的第一树模型的数量；

第一确定模块，用于确定m的取值加1；

其中，在处理完所述第一初始模型中的全部第一树模型时，得到所述预设基准分配模型。

76.根据权利要求75所述的装置，其中，所述第二更新模块，包括：

第二确定子模块，用于根据第m个第一树模型的节点，确定第m+1个第一树模型的节点组合；其中，所述第m+1个第一树模型的节点组合中包括多个待处理的节点；所述待处理的节点，为第m个第一树模型中归属于第m+1个第一树模型的节点；

第三确定子模块，用于根据所述第m个第一树模型的第一损失函数，确定所述待处理的节点对应的第一损失参数；其中，所述第一损失函数中包括待训练任务的第一损失信息，所述第一损失信息表征待训练任务的预测工作比重与真实工作比重之间的差异；所述第一损失参数表征待训练任务的预测工作比重与真实工作比重之间的差异；

第二更新子模块，用于根据所述待处理的节点对应的第一损失参数，更新所述第m+1个第一树模型。

77.根据权利要求76所述的装置，其中，所述第二更新子模块，具体用于：

根据所述待处理的节点对应的第一损失参数，确定第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值；

根据第m+1个第一树模型的节点组合中待处理的节点的最佳拟合值，更新所述第m+1个第一树模型。

78.根据权利要求70-77中任一项所述的装置，其中，所述待训练任务具有真实工作量，所述待训练任务的真实工作量表征真实情况下完成待训练任务时岗位职级编码的工作量参数，所述工作量参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作量之和；所述第二训练单元，包括：

第二训练子单元，用于根据所述待训练任务的任务信息和真实工作量，对所述第二初始模型中的第二树模型进行训练，得到所述第二树模型的第二损失函数；其中，所述第二损失函数表征所述待训练数据中待训练任务的预测工作量与真实工作量之间的差异，所述待训练任务的预测工作量表征所预测出的完成待训练任务时岗位职级编码的工作比重参数，所述工作比重参数表征归属于同一岗位职级编码、且参与待训练任务的用户的工作比重之和；

第二更新子单元，用于根据所述第二损失函数，更新所述第二初始模型中的第二树模型，得到所述预设基准工作量预估模型。

79.根据权利要求78所述的装置，其中，所述第二训练子单元，包括：

重复以下各模块，直至d的取值为D+1：

第二训练模块，用于将所述待训练任务输入至第d个第二树模型中，对所述第d个第二树模型进行训练，输出所述第d个第二树模型的第二损失函数；其中，所述第二损失函数中包括待训练任务的第二损失信息，所述第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为所述第二初始模型中的第二树模型的数量；

第三更新模块，用于根据所述第d个第二树模型的第二损失函数中的第二损失信息，更新所述待训练任务，得到更新后的待训练任务；并确定d的取值加1。

80.根据权利要求79所述的装置，其中，所述第三更新模块，包括：

第四确定子模块，用于根据所述第d个第二树模型的第二损失函数中的第二损失信息和所述待训练任务的预测工作量，确定所述第d个第二树模型的第二负梯度信息；其中，所述第二负梯度信息表征所述待训练数据中待训练任务的预测工作量与真实工作量之间的差异；

第三更新子模块，用于根据所述第d个第二树模型的第二负梯度信息，更新所述待训练任务，得到更新后的待训练任务。

81.根据权利要求80所述的装置，其中，所述第d个第二树模型的第二负梯度信息中包括基于所述第d个第二树模型所得到待训练任务的第二负梯度值；所述第二负梯度值表征待训练任务的预测工作量与真实工作量之间的差异；

所述第三更新子模块，具体用于：将所述待训练任务的真实工作量，替换为所述第d个第二树模型的第二负梯度信息中与所述待训练任务对应的第二负梯度值，得到所述更新后的待训练任务。

82.根据权利要求78-81中任一项所述的装置，其中，所述第二更新子单元，包括：

重复以下各模块，直至处理完所述第二初始模型中的全部第二树模型：

第四更新模块，用于根据第d个第二树模型的第二损失函数，对第d+1个第二树模型进行更新；其中，d为大于等于1、小于等于D的正整数，D为大于等于1的正整数，D为所述第二初始模型中的第二树模型的数量；

第二确定模块，用于确定d的取值加1；

其中，在处理完所述第二初始模型中的全部第二树模型时，得到所述预设基准工作量预估模型。

83.根据权利要求82所述的装置，其中，所述第四更新模块，包括：

第五确定子模块，用于根据第d个第二树模型的节点，确定第d+1个第二树模型的节点组合；其中，所述第d+1个第二树模型的节点组合中包括多个待处理的节点；所述待处理的节点，为第d个第二树模型中归属于第d+1个第二树模型的节点；

第六确定子模块，用于根据所述第d个第二树模型的第二损失函数，确定所述待处理的节点对应的第二损失参数；其中，所述第二损失函数中包括待训练任务的第二损失信息，所述第二损失信息表征待训练任务的预测工作量与真实工作量之间的差异；所述第二损失参数表征待训练任务的预测工作量与真实工作量之间的差异；

第四更新子模块，用于根据所述待处理的节点对应的第二损失参数，更新所述第d+1个第二树模型。

84.根据权利要求83所述的装置，其中，所述第四更新子模块，具体用于：

根据所述待处理的节点对应的第二损失参数，确定第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值；

根据第d+1个第二树模型的节点组合中待处理的节点的最佳拟合值，更新所述第d+1个第二树模型。

85.一种电子设备，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执行权利要求1-42中任一项所述的方法。

86.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-42中任一项所述的方法。

87.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-42中任一项所述方法的步骤。

Images