CN116703129B - 基于人员数据画像的智能任务匹配调度方法及系统 - Google Patents
基于人员数据画像的智能任务匹配调度方法及系统 Download PDFInfo
- Publication number
- CN116703129B CN116703129B CN202310980231.2A CN202310980231A CN116703129B CN 116703129 B CN116703129 B CN 116703129B CN 202310980231 A CN202310980231 A CN 202310980231A CN 116703129 B CN116703129 B CN 116703129B
- Authority
- CN
- China
- Prior art keywords
- task
- matched
- attribute
- personnel
- tasks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 24
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字数据处理技术领域,提出了基于人员数据画像的智能任务匹配调度方法及系统,包括:获取待匹配任务以及人员的相关数据,根据属性信息的取值范围获取待匹配任务的分类向量,根据所有待匹配任务的分类向量获取任务分类结果以及类倾向指数,根据高倾向任务集合和低倾向任务集合获取标签次序以及人员数据画像,根据人员与待匹配任务之间的需求契合度获取画像顶点和属性顶点的初始标杆值,根据匹配结果完成待匹配任务与人员之间的匹配调度。本发明避免任务之间少量属性相似对匹配时的影响,提高了人员与待匹配任务之间选择可能性的评估精度,构建更清晰的人员数据画像,使得后续匹配算法中各顶点初始化参数的设定更符合实际情况。
Description
技术领域
本发明涉及数字数据处理技术领域,具体涉及基于人员数据画像的智能任务匹配调度方法及系统。
背景技术
数据画像通常是指企业或管理系统通过对大量数据信息进行清洗、聚类、分析等处理后,将数据抽象为具体的标签,再利用这些标签将人员形象具体化的过程。数据画像能够从多个维度的数据中得到人员的发展状况、行为习惯、个人能力等相关信息的评估结果,因此利用好数据画像,有利于决策人员或者决策系统进行科学决策。
现阶段的任务匹配调度方法包括先来先服务FCFS算法、最短作业优先SJF算法、优先级调度PS算法、蚁群优化算法等,其中,先来先服务FCFS算法简单易实现,但是调度过程中不会考虑执行人员与任务之间的匹配关系,最短作业优先SJF算法具有较高的系统相应速度,缺点是无法考虑任务的优先级,优先级调度PS算法保证高优先级任务优先执行,但是会存在低优先级的任务长时间等待的问题,蚁群优化算法存在容易陷入局部最优解的问题;因此为了实现人员与任务的高度匹配和有效调度,需要基于人员数据画像提供的多维数据信息。
发明内容
本发明提供基于人员数据画像的智能任务匹配调度方法及系统,以解决人员数据画像不清晰、KM匹配算法中顶点初始化标杆参数自定义困难的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例基于人员数据画像的智能任务匹配调度方法,该方法包括以下步骤:
获取待匹配任务以及人员的相关数据;
根据每个属性信息的取值范围获取每个待匹配任务在每个属性上的分类值,根据分类值获取分类向量以及分类结果,根据每个人员选择任务时的选择倾向获取每个人员与每类待匹配任务的类倾向指数,利用大津阈值算法获取每个人员所有类倾向指数分割阈值,分别将所有大于、小于分割阈值的类倾向指数对应聚类簇内的待匹配任务的集合作为每个人员的高倾向任务集合、低倾向任务集合,根据高倾向任务集合和低倾向任务集合获取每个人员在每个属性上的标签次序,根据所有属性标签按照每个人员在所有属性上标签次序的升序排序结果获取每个人员的人员数据画像;
根据每个人员对应人员数据画像上标签次序的降序顺序将所有属性的属性权重排序组成每个人员的画像向量,根据画像向量和分类向量获取属性契合指数,根据属性契合指数以及属性相似度获取需求契合度,将画像向量对应需求契合度的最大值作为画像向量对应画像顶点的初始标杆值,根据初始标杆值利用匹配算法获取匹配结果,根据匹配结果完成待匹配任务与人员之间的匹配调度。
优选的,所述根据每个属性信息的取值范围获取每个待匹配任务在每个属性上的分类值的方法为:
式中,是待匹配任务a在第m个属性上的分类值,/>是任务a在第m个属性上的实际取值,/>是第m个属性上的中位数,/>是缩放因子,/>是任务a在第m个属性上分类结果中存在的取值区间的端点值。
优选的,所述根据分类值获取分类向量以及分类结果的方法为:
对于任意一个待匹配任务,分别获取待匹配任务在所有属性上的分类值,将待匹配任务在所有属性上分类值升序排序组成的向量作为待匹配任务的分类向量;
对于任意两个待匹配任务,获取两个待匹配任务在相同属性上分类值差值的绝对值,将两个待匹配任务在所有属性上分类值差值绝对值的累加和作为两个待匹配任务之间的属性距离;
获取所有待匹配任务的分类向量,将属性距离作为k-means算法中的度量距离,利用k-means算法获取所有待匹配任务的分类结果,将每一个聚类簇内的待匹配任务作为同一类待匹配任务。
优选的,所述根据每个人员选择任务时的选择倾向获取每个人员与每类待匹配任务的类倾向指数的方法为:
对于任意一个人员,获取人员在每一个任务属性上的属性权重,根据人员在所有属性上的属性权重获取属性向量;
根据人员的属性向量和每一类待匹配任务中待匹配任务的分类向量获取人员关于每一类待匹配任务的类相似度,将以数学常数为底数,以人员关于每一类待匹配任务类相似度的负数作为指数的计算结果作为人员关于每一类待匹配任务类倾向指数。
优选的,所述根据人员在所有属性上的属性权重获取属性向量的方法为:
对于任意一个人员,将人员历史任务数据中属于同一类待匹配任务内所有任务在每一个属性上分类值的信息熵作为分子,将人员历史任务数据中属于同一类待匹配任务内所有任务在所有属性上分类值的信息熵作为分母,将分子与分母的比值作为人员在每一个属性上的属性权重;将人员在所有属性上的属性权重升序排序组成的向量作为人员的属性向量。
优选的,所述根据人员的属性向量和每一类待匹配任务中待匹配任务的分类向量获取人员关于每一类待匹配任务的类相似度的方法为:
式中,是人员i与第k类待匹配任务的类相似度,/>是人员i的属性向量,/>是第k类待匹配任务中任务a的分类向量,/>是向量/>、/>之间的DTW距离。
优选的,所述根据高倾向任务集合和低倾向任务集合获取每个人员在每个属性上的标签次序的方法为:
式中,是人员i在第m个属性上的标签次序,Norm是归一化函数,/>、/>分别是人员i在第m个属性上的偏好向量、疏离向量,/>是向量/>、/>之间的DTW距离,/>是第m个属性的信息增益。
优选的,所述根据画像向量和分类向量获取属性契合指数的方法为:
对于任意一个人员,分别获取人员的画像向量以及待匹配任务的分类向量,将画像向量与每一个待匹配任务的分类向量之间的皮尔逊相关系数作为画像向量与每一个待匹配任务之间的第一乘积因子;
将人员对应高倾向任务集合中每个任务的分类向量与每一个待匹配任务的分类向量之间皮尔逊相关系数的累加和作为画像向量与每一个待匹配任务之间的第二乘积因子;
将画像向量与每一个待匹配任务之间第一乘积因子与第二乘积因子的乘积作为人员与每一个待匹配任务的属性契合指数。
优选的,所述根据属性契合指数以及属性相似度获取需求契合度的方法为:
式中,是人员i与待匹配任务a之间的需求契合度,/>、/>分别是人员i与待匹配任务a、待匹配任务b之间的属性契合指数,/>是任务a所在类内待匹配任务的数量,b是任务a所在类中的第b个待匹配任务,/>是任务a、任务b之间的属性相似度。
第二方面,本发明实施例还提供了基于人员数据画像的智能任务匹配调度系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是:本发明通过任务属性数据实现对待匹配任务的分类,其次根据人员选择任务时的行为倾向程度不同构建类倾向指数,类倾向指数考虑了人员行为倾向与任务分类属性之间的偏差,其有意效果在于能够将不同属性的待匹配任务之间的差异性增大,避免少量属性相似对不同待匹配任务匹配时的影响,提高了人员与代匹配任务之间选择可能性的评估精度,有利于后续构建更清晰的人员数据画像。并基于待匹配任务的人员需求和人员数据画像构建了需求契合度,需求契合度考虑了人员与任务在匹配过程中可能发生的行为变化和需求波动,其有意效果在于能够通过同类任务之间的人员需求评估人员与任务之间的匹配可能性,使得后续匹配算法中初始化参数的设定更符合实际情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于人员数据画像的智能任务匹配调度方法及系统的流程示意图;
图2为本发明一个实施例所提供的人员数据画像示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于人员数据画像的智能任务匹配调度方法及系统流程图,该方法包括以下步骤:
步骤S001,获取待匹配任务以及人员的相关数据。
人员与任务的匹配调度出现在多个领域的不同场景中,本发明以众包平台为例,从众包平台获取任务执行人员以及待匹配任务的相关数据。所述待匹配任务的数据包括任务的优先级、任务的执行时间、任务的人员需求量、任务的经济效益等M个属性信息;所述任务执行人员的数据包括用户已执行的历史任务数据信息,用户可执行的任务量。在本发明中,将待匹配的任务数量记为N。
至此,得到众包平台上的待匹配任务以及任务执行人员的相关数据。
步骤S002,基于任务属性数据实现对待匹配任务的分类,其次根据人员选择任务时的行为倾向程度不同构建类倾向指数,基于类倾向指数得到标签次序以及人员数据画像。
众包平台的管理系统在进行人员和任务的匹配过程中,需要考虑多方面影响因素,例如任务的紧急程度、经济效益的高低、任务需要的人员数量,而执行人员匹配任务时会考虑任务执行地点的远近、任务内容的难易程度、任务赏金的高低等。不同类型任务携带的属性信息不同,不同执行人员对任务的选择倾向也各不相同,因此本发明考虑针对不同类型的待匹配任务获取不同的需求向量,针对不同执行人员获取不同的数据画像,通过数据画像与需求向量之间的匹配结果获取执行人员与待匹配任务的匹配调度。
对于待匹配的N个任务,分别获取每个任务M个属性的属性信息,对于任意一个属性信息,获取该属性信息上N个任务的数据取值范围,并根据数据取值范围的中位数,在每一个属性上将任务分为两类。例如,任务人员需求量的取值范围是[10,200],中位数为50,则将需求人数大于等于50的任务记为多人员任务,将需求人数小于50的任务记为少人员任务;任务执行距离的取值范围是[2,20],中位数为5,则将执行距离大于等于5的任务记为远距离任务,将执行距离小于5的任务记为近距离任务,其余属性分类原理相同,不再赘述。
进一步的,根据上述属性分类结果,获取每个待匹配任务的分类值,计算任务a在第m个属性上的分类值:
式中,是任务a在第m个属性上的实际取值,/>是第m个属性上的中位数,是任务a在第m个属性上分类结果中存在的取值区间的端点值。例如,第m个属性是任务人员需求量,待匹配任务在此属性上的取值范围是[10,200],中位数为50,如果任务a需求人数大于等于50,则任务a为多人员任务,取值区间中属于多人员任务分类结果的端点值为200;如果任务a需求人数小于50,则任务a为少人员任务,取值区间中属于少人员任务分类结果的端点值为10。
是缩放因子,/>的大小取经验值0.1,/>的作用在于避免任务的属性取值与中位数相等时产生的分类误差。
对于任意一个待匹配任务,分别获取任务在M个属性上的分类值,将M个分类值升序排序组成的向量作为任务的分类向量,遍历N个待匹配任务,得到每个待匹配任务的分类向量,对于任意两个待匹配任务,获取两个待匹配任务在相同属性上分类值差值的绝对值,将两个待匹配任务在所有属性上分类值差值绝对值的累加和作为两个待匹配任务之间的属性距离,利用K-means聚类算法获取待匹配任务的分类结果,K的大小取经验值20,将属性距离作为聚类过程中的度量距离,K-means为公知技术,具体过程不再赘述。将每一个聚类簇内的待匹配任务作为同一类任务,如果任务执行人员的历史记录中执行的都是同一类任务,说明人员在此类任务上具有相同且稳定的选择倾向,那么在匹配过程中应该优先考虑。
基于上述分析,此处构建类倾向指数U,用于表征人员对每一类待匹配任务的选择倾向程度的高低,计算人员i关于第k类待匹配任务的类倾向指数:
式中,是人员i在第m个属性上的属性权重,/>是人员i的历史任务数据中属于第k类任务的所有任务在第m个属性上的分类值的信息熵,M是任务属性的数量。/>的值越大,人员i选择任务时越多关注任务的第m个属性信息。
是人员i与第k类待匹配任务的类相似度,/>是人员i的属性向量,所述属性向量/>是由人员i在M个属性上的属性权重升序排序组成的向量,/>是第k类待匹配任务中任务a的分类向量,/>是向量/>、/>之间的DTW距离,DTW距离为公知技术,具体过程不再赘述。/>的值越大,人员i选择任务时的行为倾向与第k类待匹配任务的属性分类结果差异越大。
类倾向指数反映了人员对每一类待匹配任务的选择倾向程度的高低。人员i在众包平台上选择任务时对任务第m个属性数据的关注程度越高,人员i历史执行任务中第m个属性数据的分类值越稳定,的值越小,/>的值越大;人员i倾向的属性数据与任务a的属性分类差异越大,人员i的历史执行任务数据中的属性向量与任务a的分类向量差异越大,/>的值越大,即/>的值越大,人员i的行为倾向与第k类待匹配任务的分类属性越相似,人员i选择执行第k类待匹配中任务的可能性越大。类倾向指数考虑了人员行为倾向与任务分类属性之间的偏差,其有意效果在于能够将不同属性的待匹配任务之间的差异性增大,避免少量属性相似对不同待匹配任务匹配时的影响,提高了人员与代匹配任务之间选择可能性的评估精度,有利于后续构建更清晰的人员数据画像。
进一步的,获取每个人员关于每类待匹配任务的类倾向指数,其次利用大津阈值算法获取每个人员所有类倾向指数的分割阈值,将所有大于分割阈值的类倾向指数对应聚类簇内的待匹配任务的集合作为人员的高倾向任务集合,将所有大于分割阈值的类倾向指数对应聚类簇内的待匹配任务的集合作为人员的低倾向任务集合,大津阈值算法为公知技术,具体过程不再赘述。
根据每个人员的高倾向任务集合和低倾向任务集合获取构建人员数据画像时的标签次序,根据标签次序获取具体的人员数据画像。计算人员i在第m个属性上的标签次序:
式中,Norm是归一化函数,、/>分别是人员i在第m个属性上的偏好向量、疏离向量,/>是向量/>、/>之间的DTW距离,/>是第m个属性的信息增益,信息增益为公知技术,具体过程不再赘述。所述偏好向量、疏离向量的获取过程如下:将人员i的高倾向任务集合中的任务数量记为/>,将/>个任务在第m个属性上的分类值组成的向量作为人员i在第m个属性上的偏好向量,将人员i的高倾向任务集合中的任务数量记为/>,将/>个任务在第m个属性上的分类值组成的向量作为人员i在第m个属性上的疏离向量。/>的值越小,第m个属性的标签次数越靠前。
进一步的,获取M个属性的标签次序。根据人员的高倾向任务集合中所有任务在M个属性上的分类结果,将每个属性上出现频次最高的分类结果作为该属性的属性标签,例如人员i的高倾向集合中90%的任务在距离这个属性上的分类为远距离任务,10%的任务在距离这个属性上的分类为近距离任务,则人员i在距离这个属性上的属性标签为远距离。根据标签次序降序排序结果,利用人员i在M个属性上的属性标签构建人员i的数据画像,如图2所示。
至此,得到每个执行人员对应的人员数据画像。
步骤S003,基于待匹配任务的人员需求构建需求契合度,基于需求契合度设置KM匹配算法中各顶点的初始化标杆。
得到人员数据画像后,本发明利用人员数据画像进行人员与任务的匹配调度。获取每个人员对应人员数据画像上的标签次序,将M个属性根据人员数据画像上的标签次序的降序顺序将M个属性的属性权重排序组成每个人员的画像向量。
对于K个不同类型的待匹配任务而言,不同类型的待匹配任务对人员的需求也是不同的,例如在获取城市交通数据的任务中,有的任务时获取道路上公交车的经过时间、有的任务是获取道路上的红绿灯和指示牌的数量,这些任务对人员的需求量不同,不同道路距离执行人员的距离也不同。为了使得N个待匹配任务都能够在时效内完成,需要获取人员数据画像与待匹配任务之间的完全匹配。
基于上述分析,此处构建需求契合度V,用于表征人员与待匹配任务需求之间的匹配程度,计算人员i与任务a之间的需求契合度:
式中,是人员i与任务a的属性契合指数, />是人员i的画像向量,/>是任务a的分类向量,/>是人员i的高倾向任务集合中的任务数量,/>是高倾向集合中第j个待匹配任务的分类向量,/>、/>分别是向量/>与/>、/>与/>之间的皮尔逊相关系数。/>的值越大,人员i与任务a的属性之间越匹配。
是人员i与任务a之间的需求契合度,/>是任务a所在类内待匹配任务的数量,b是任务a所在类中的第b个待匹配任务,/>是任务a、任务b之间的属性相似度, />的大小等于任务a、b对应分类向量之间的皮尔逊相关系数,/>是人员i与任务b的属性契合指数。
需求契合度反映了执行人员与待匹配任务需求之间的匹配程度。人员i选择任务的行为倾向于任务a的需求越契合,的值越大,人员i的数据画像与任务a的需求越匹配,/>的值越大,/>的值越大;任务a与同类任务b之间的属性数据信息越相似,的值越大,任务a与任务b的需求越相似,对任务执行人员的要求越相似,任务b的执行人员满足任务a人员需求的可能性越大,即/>的值越大,人员i满足任务a人员需求的概率越高,人员i与任务a匹配的可能性越大。需求契合度考虑了人员与任务在匹配过程中可能发生的行为变化和需求波动,其有意效果在于能够通过同类任务之间的人员需求评估人员与任务之间的匹配可能性,使得后续匹配算法中初始化参数的设定更符合实际情况。
进一步的,将每个画像向量作为一个画像顶点,将每个任务的需求向量作为一个需求顶点。对于每一个画像顶点,将其对应画像向量与需求向量之间需求契合度的最大值的作为画像向量对应顶点的初始标杆值,将所有需求顶点的初始标杆设置为0,其次利用KM匹配算法获取画像顶点和需求顶点的最大权值的完全匹配结果,KM匹配算法为公知技术,具体过程不再赘述,将最大权值的完全匹配结果作为人员数据画像和待匹配任务之间的匹配结果。
至此,得到数据画像和待匹配任务之间的匹配结果。
步骤S004,根据数据画像和待匹配任务之间的匹配结果获取具体的人员调度方案,管理系统根据人员调度方案将每个人员的匹配任务发送至个人,完成系统任务的智能匹配和调度。
根据上述步骤获取数据画像和待匹配任务之间的匹配结果,对于每个人员,将人员数据画像所有匹配结果中的待匹配任务组成的序列作为人员画像的任务列表。其次获取每个任务的优先级,将每个人员数据画像对应的任务列表中的匹配任务按照优先级降序的顺序排序,如果两个匹配任务的优先级相同,将执行时间较短的待匹配任务排在执行时间较长的待匹配任务之前,将排序完成后的结果记为执行列表,管理系统根据所有人员画像的执行列表生成人员调度方案。
进一步的,将人员调度方案发送至管理系统的执行模块,执行模块首先根据人员数据画像获取对应的人员,其次将每个人员的匹配任务发送至个人终端,完成对系统任务的智能匹配和调度,人员根据接受到的调度执行任务,并在执行任务过程中进行任务进度、执行问题等相关信息的及时反馈。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于人员数据画像的智能任务匹配调度方法,其特征在于,该方法包括以下步骤:
获取待匹配任务以及人员的相关数据;
根据每个属性信息的取值范围获取每个待匹配任务在每个属性上的分类值,根据分类值获取分类向量以及分类结果,根据每个人员选择任务时的选择倾向获取每个人员与每类待匹配任务的类倾向指数,利用大津阈值算法获取每个人员所有类倾向指数分割阈值,分别将所有大于、小于分割阈值的类倾向指数对应聚类簇内的待匹配任务的集合作为每个人员的高倾向任务集合、低倾向任务集合,根据高倾向任务集合和低倾向任务集合获取每个人员在每个属性上的标签次序,根据所有属性标签按照每个人员在所有属性上标签次序的升序排序结果获取每个人员的人员数据画像;
根据每个人员对应人员数据画像上标签次序的降序顺序将所有属性的属性权重排序组成每个人员的画像向量,根据画像向量和分类向量获取属性契合指数,根据属性契合指数以及属性相似度获取需求契合度,将画像向量对应需求契合度的最大值作为画像向量对应画像顶点的初始标杆值,根据初始标杆值利用匹配算法获取匹配结果,根据匹配结果完成待匹配任务与人员之间的匹配调度;
所述根据每个属性信息的取值范围获取每个待匹配任务在每个属性上的分类值的方法为:
式中,是待匹配任务a在第m个属性上的分类值,/>是任务a在第m个属性上的实际取值,/>是第m个属性上的中位数,/>是缩放因子,/>是任务a在第m个属性上分类结果中存在的取值区间的端点值;
所述根据分类值获取分类向量以及分类结果的方法为:
对于任意一个待匹配任务,分别获取待匹配任务在所有属性上的分类值,将待匹配任务在所有属性上分类值升序排序组成的向量作为待匹配任务的分类向量;
对于任意两个待匹配任务,获取两个待匹配任务在相同属性上分类值差值的绝对值,将两个待匹配任务在所有属性上分类值差值绝对值的累加和作为两个待匹配任务之间的属性距离;
获取所有待匹配任务的分类向量,将属性距离作为k-means算法中的度量距离,利用k-means算法获取所有待匹配任务的分类结果,将每一个聚类簇内的待匹配任务作为同一类待匹配任务;
所述根据每个人员选择任务时的选择倾向获取每个人员与每类待匹配任务的类倾向指数的方法为:
对于任意一个人员,获取人员在每一个任务属性上的属性权重,根据人员在所有属性上的属性权重获取属性向量;
根据人员的属性向量和每一类待匹配任务中待匹配任务的分类向量获取人员关于每一类待匹配任务的类相似度,将以数学常数为底数,以人员关于每一类待匹配任务类相似度的负数作为指数的计算结果作为人员关于每一类待匹配任务类倾向指数;
所述根据高倾向任务集合和低倾向任务集合获取每个人员在每个属性上的标签次序的方法为:
式中,是人员i在第m个属性上的标签次序,Norm是归一化函数,/>、/>分别是人员i在第m个属性上的偏好向量、疏离向量,/>是向量/>、/>之间的DTW距离,/>是第m个属性的信息增益;
所述根据画像向量和分类向量获取属性契合指数的方法为:
对于任意一个人员,分别获取人员的画像向量以及待匹配任务的分类向量,将画像向量与每一个待匹配任务的分类向量之间的皮尔逊相关系数作为画像向量与每一个待匹配任务之间的第一乘积因子;
将人员对应高倾向任务集合中每个任务的分类向量与每一个待匹配任务的分类向量之间皮尔逊相关系数的累加和作为画像向量与每一个待匹配任务之间的第二乘积因子;
将画像向量与每一个待匹配任务之间第一乘积因子与第二乘积因子的乘积作为人员与每一个待匹配任务的属性契合指数。
2.根据权利要求1所述的基于人员数据画像的智能任务匹配调度方法,其特征在于,所述根据人员在所有属性上的属性权重获取属性向量的方法为:
对于任意一个人员,将人员历史任务数据中属于同一类待匹配任务内所有任务在每一个属性上分类值的信息熵作为分子,将人员历史任务数据中属于同一类待匹配任务内所有任务在所有属性上分类值的信息熵作为分母,将分子与分母的比值作为人员在每一个属性上的属性权重;
将人员在所有属性上的属性权重升序排序组成的向量作为人员的属性向量。
3.根据权利要求1所述的基于人员数据画像的智能任务匹配调度方法,其特征在于,所述根据人员的属性向量和每一类待匹配任务中待匹配任务的分类向量获取人员关于每一类待匹配任务的类相似度的方法为:
式中,是人员i与第k类待匹配任务的类相似度,/>是人员i的属性向量,/>是第k类待匹配任务中任务a的分类向量,/>是向量/>、/>之间的DTW距离。
4.基于人员数据画像的智能任务匹配调度系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980231.2A CN116703129B (zh) | 2023-08-07 | 2023-08-07 | 基于人员数据画像的智能任务匹配调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310980231.2A CN116703129B (zh) | 2023-08-07 | 2023-08-07 | 基于人员数据画像的智能任务匹配调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703129A CN116703129A (zh) | 2023-09-05 |
CN116703129B true CN116703129B (zh) | 2023-10-24 |
Family
ID=87831513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310980231.2A Active CN116703129B (zh) | 2023-08-07 | 2023-08-07 | 基于人员数据画像的智能任务匹配调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703129B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556256A (zh) * | 2023-11-16 | 2024-02-13 | 南京小裂变网络科技有限公司 | 一种基于大数据的私域业务标签筛选系统及其方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018124967A1 (en) * | 2016-12-29 | 2018-07-05 | Mastercard Labs Kenya Holdings Pte Ltd | Method for identifying a job opportunity and profiling workers at a target location |
CN108804319A (zh) * | 2018-05-29 | 2018-11-13 | 西北工业大学 | 一种改进Top-k众包测试平台任务的推荐方法 |
CN110222940A (zh) * | 2019-05-13 | 2019-09-10 | 西安工业大学 | 一种众包测试平台测试人员推荐算法 |
CN111522733A (zh) * | 2020-03-16 | 2020-08-11 | 中国科学院软件研究所 | 众包测试人员推荐与众包测试方法及电子装置 |
CN111553657A (zh) * | 2020-04-28 | 2020-08-18 | 贝壳技术有限公司 | 基于行为分析的匹配方法和装置、电子设备和存储介质 |
CN113850666A (zh) * | 2021-09-22 | 2021-12-28 | 平安银行股份有限公司 | 业务调度的方法、装置、设备及存储介质 |
CN114121192A (zh) * | 2021-11-29 | 2022-03-01 | 浙江太美医疗科技股份有限公司 | 临床试验项目的业务分配方法、装置、存储介质及设备 |
CN114819688A (zh) * | 2022-05-09 | 2022-07-29 | 中移(杭州)信息技术有限公司 | 工单分派方法、设备、存储介质及装置 |
CN115293603A (zh) * | 2022-08-11 | 2022-11-04 | 深圳壹账通智能科技有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN115983591A (zh) * | 2023-01-05 | 2023-04-18 | 上海数瞳信息科技有限公司 | 基于数字化的业务决策管理平台 |
CN116257681A (zh) * | 2022-12-21 | 2023-06-13 | 中国民航科学技术研究院 | 一种基于画像技术的民用航空事件调查员推荐方法 |
-
2023
- 2023-08-07 CN CN202310980231.2A patent/CN116703129B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018124967A1 (en) * | 2016-12-29 | 2018-07-05 | Mastercard Labs Kenya Holdings Pte Ltd | Method for identifying a job opportunity and profiling workers at a target location |
CN108804319A (zh) * | 2018-05-29 | 2018-11-13 | 西北工业大学 | 一种改进Top-k众包测试平台任务的推荐方法 |
CN110222940A (zh) * | 2019-05-13 | 2019-09-10 | 西安工业大学 | 一种众包测试平台测试人员推荐算法 |
CN111522733A (zh) * | 2020-03-16 | 2020-08-11 | 中国科学院软件研究所 | 众包测试人员推荐与众包测试方法及电子装置 |
CN111553657A (zh) * | 2020-04-28 | 2020-08-18 | 贝壳技术有限公司 | 基于行为分析的匹配方法和装置、电子设备和存储介质 |
CN113850666A (zh) * | 2021-09-22 | 2021-12-28 | 平安银行股份有限公司 | 业务调度的方法、装置、设备及存储介质 |
CN114121192A (zh) * | 2021-11-29 | 2022-03-01 | 浙江太美医疗科技股份有限公司 | 临床试验项目的业务分配方法、装置、存储介质及设备 |
CN114819688A (zh) * | 2022-05-09 | 2022-07-29 | 中移(杭州)信息技术有限公司 | 工单分派方法、设备、存储介质及装置 |
CN115293603A (zh) * | 2022-08-11 | 2022-11-04 | 深圳壹账通智能科技有限公司 | 任务分配方法、装置、电子设备及计算机可读存储介质 |
CN116257681A (zh) * | 2022-12-21 | 2023-06-13 | 中国民航科学技术研究院 | 一种基于画像技术的民用航空事件调查员推荐方法 |
CN115983591A (zh) * | 2023-01-05 | 2023-04-18 | 上海数瞳信息科技有限公司 | 基于数字化的业务决策管理平台 |
Non-Patent Citations (1)
Title |
---|
基于聚类分析和双边匹配的产品开发任务分配方法;杨续昌;陈友玲;兰桂花;阳玮琦;;计算机集成制造系统(第04期);第717-725页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703129A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153759A1 (zh) | 确定运输方案的方法、训练快速装载模型的方法及设备 | |
CN111191732A (zh) | 一种基于全自动学习的目标检测方法 | |
CN110458233A (zh) | 混合粒度物体识别模型训练及识别方法、装置及存储介质 | |
CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
CN116703129B (zh) | 基于人员数据画像的智能任务匹配调度方法及系统 | |
CN109948735B (zh) | 一种多标签分类方法、系统、装置及存储介质 | |
JP2001202523A (ja) | 画像処理方法及びその装置 | |
CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
CN112070577A (zh) | 一种商品推荐方法、系统、设备及介质 | |
CN111222847B (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
CN110598061A (zh) | 一种多元图融合的异构信息网嵌入方法 | |
CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN110956303A (zh) | 信息预测方法、装置、终端及可读存储介质 | |
CN113656373A (zh) | 构建检索数据库的方法、装置、设备以及存储介质 | |
CN115712780A (zh) | 一种基于云计算和大数据的信息推送方法及装置 | |
JP2017084078A (ja) | スタイル検索装置、方法、及びプログラム | |
CN111598000A (zh) | 基于多任务的人脸识别方法、装置、服务器和可读存储介质 | |
CN111831892A (zh) | 信息推荐方法、信息推荐装置、服务器及存储介质 | |
CN111950602B (zh) | 一种基于随机梯度下降和多示例多标签学习的图像标引方法 | |
CN112182211B (zh) | 文本分类方法及装置 | |
CN111339303B (zh) | 一种基于聚类与自动摘要的文本意图归纳方法及装置 | |
CN114662595A (zh) | 大数据融合处理方法及系统 | |
CN113657440A (zh) | 一种基于用户特征聚类的拒绝样本推断方法和装置 | |
CN108280531B (zh) | 一种基于Lasso回归的学生班级成绩排名预测方法 | |
CN117710006B (zh) | 基于大数据技术的电子商务营销分析系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Intelligent task matching and scheduling method and system based on personnel data profiling Granted publication date: 20231024 Pledgee: Bank of Suzhou Co.,Ltd. Zhangjiagang sub branch Pledgor: Jiangda (Suzhou) Technology Co.,Ltd. Registration number: Y2024980020520 |