基于人工智能的任务分配方法、装置、计算机设备及介质与流程

1.本发明适用于领域，尤其涉及基于人工智能的任务分配方法、装置、计算机设备及介质。


背景技术：

2.现有技术中，一般是进行单一模式的任务分配，例如通过收集用户提供的信息；根据用户的健身信息，按照预设分类规则映射到多个预设用户分群中的一个用户分群中；在预先设置的对应关系表中查找用户分群对应的排课模式，其中，对应关系表存储有多种用户分群及其对应的排课模式，排课模式包括按照预定顺序排列的多个课程标签；然后根据排课模式中的课程标签，在课程库中查找每一课程标签对应的课程，并随机选择课程标签对应的多门课程中的一门课程，其中，课程库中存储有多种课程及其对应的课程标签；最后，将所选择的课程推送给用户。
3.现有任务分配方法的不足之处在于只适合单一的配课模式，无法满足多种配课模式需求。因此，当存在多种配课模式时，如何实现高效的任务分配是目前亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种基于人工智能的任务分配方法、装置、计算机设备及介质，以解决当存在多种配课模式时无法实现课程高效分配的问题。
5.第一方面，提供一种基于人工智能的任务分配方法，所述任务分配方法包括：
6.检测为分配对象进行任务分配的配课模式的类别及类别数量；
7.若检测所述配课模式的类别数量不少于两个，将各个所述配课模式的类别与历史配课模式的类别、历史业务验收成绩组成的目标序列，输入至专用的业务验收成绩预测模型预测，以输出各个所述配课模式的预测业务验收成绩；
8.基于各个所述配课模式的预测业务验收成绩，确定所述分配对象在不同配课模式下的各个所述配课模式的配课效果值；
9.比较各个所述配课模式的配课效果值大小，判断出配课效果值最大的配课模式，将所述出配课效果值最大的配课模式的任务分配至所述分配对象。
10.可选的是，在检测为各个分配对象进行课程任务分配的配课模式的类别及类别数量之前，还包括：
11.获取业务场景指令，根据所述业务场景指令确定对应的任务分配规则，根据所述任务分配规则，为所述分配对象进行相应配课模式下的任务分配。
12.可选的是，在所述目标序列输入至专用的业务验收成绩预测模型之前，还包括：
13.在设定的历史时间段内，获取所述分配对象的历史配课模式的类别、历史业务验收成绩。
14.可选的是，基于各个所述配课模式的预测业务验收成绩，确定各个所述配课模式的配课效果值包括：
15.判断各个预测业务验收成绩是否落入预设的配课效果级别对应的业务验收成绩范围；
16.根据各个所述预测业务验收成绩落入的业务验收成绩范围，判定各个预测业务验收成绩所属的配课效果级别，以确定各个所述配课模式的配课效果值。
17.可选的是，所述业务验收成绩预测模型的训练过程包括：
18.获取n组训练样本，n≧2，每组训练样本包括单个分配对象的第i个历史配课模式，以及在第i个历史配课模式下的实际业务验收成绩；i＝1,2,
…
,m,m≧2；
19.建立用于预测业务验收成绩的神经网络模型，利用所述n组训练样本对所述神经网络模型进行训练，更新模型的参数，得到所述业务验收成绩预测模型。
20.可选的是，所述神经网络模型采用tcn网络模型，包括依次连接的输入层、卷积层、残差模块、输出层，所述输入层用于输入每组所述训练样本中m个历史配课模式的输入量，所述m个历史配课模式的输入量形成目标序列，所述卷积层用于对所述目标序列进行卷积运算，所述残差模块用于将所述目标序列与所述卷积层的计算结果进行叠加，所述输出层用于根据所述进行叠加得到的结果，输出业务验收成绩。
21.可选的是，所述业务验收成绩预测模型的训练过程还包括：
22.设置损失函数为：由n组训练样本得到的预测业务验收成绩与实际业务验收成绩之间的均值平方误差；
23.当训练至所述损失函数减小至设定阈值以内时，更新模型的参数，得到所述业务验收成绩预测模型。
24.第二方面，提供一种基于人工智能的任务分配装置，所述任务分配装置包括：
25.检测模块，用于检测为分配对象进行任务分配的配课模式的类别及类别数量；
26.预测模块，用于在检测所述配课模式的数量不少于两个时，将各个所述配课模式的类别与历史配课模式的类别、历史业务验收成绩组成的目标序列，输入至专用的业务验收成绩预测模型，以输出各个所述配课模式的预测业务验收成绩；
27.效果值计算模块，用于根据各个所述配课模式的预测业务验收成绩，确定所述分配对象在不同配课模式下的各个所述配课模式的配课效果值；
28.分配模块，用于比较各个所述配课模式的配课效果值大小，判断出配课效果值最大的配课模式；将所述出配课效果值最大的配课模式的任务分配至所述分配对象。
29.第三方面，本发明实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于人工智能的任务分配方法。
30.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于人工智能的任务分配方法。
31.本发明与现有技术相比存在的有益效果是：
32.本发明的任务分配方法、装置、计算机设备及介质，通过实时监测为各个分配对象进行任务分配的配课模式，并统计分配的配课模式数量，能够及时发现存在冗余配课的情况，并及时进行后续处理，进行不同配课模式下的配课效果对比，选择配课效果最佳的配课模式，为分配对象进行配课，实现课程的高效分配，同时避免了冗余配课问题。
33.利用专用的业务验收成绩预测模型，该模型是根据分配对象的历史配课模式和实际业务验收成绩进行多次训练得到的，实现了对不同配课模式下配课效果的科学对比，有利于准确预测分配对象在不同配课模式下的配课效果。
附图说明
34.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
35.图1是本发明一实施例提供的一种基于人工智能的任务分配方法的一应用环境示意图；
36.图2是本发明一实施例提供的一种基于人工智能的任务分配方法的流程示意图；
37.图3是本发明一实施例提供的一种基于人工智能的任务分配装置的结构示意图；
38.图4是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
39.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
40.应当理解，当在本发明说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
41.还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
42.如在本发明说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0043]
另外，在本发明说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0044]
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0045]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、
延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0046]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0047]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0048]
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
[0049]
本发明一实施例提供的一种基于人工智能的任务分配方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端计算机设备、个人数字助理(personal digital assistant，pda)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0050]
参见图2，是本发明一实施例提供的一种基于人工智能的任务分配方法的流程示意图，上述任务分配方法以应用于图1中的客户端，客户端对应的计算机设备通过预设的应用程序接口(application programming interface，api)连接目标数据库。在目标数据被驱动运行以执行相应的任务时，会产生对应的任务日志，通过api可以采集到上述任务日志。如图2所示，该任务分配方法可以包括以下步骤：
[0051]
步骤s200，获取业务场景指令，根据所述业务场景指令确定对应的任务分配规则，根据所述任务分配规则，为各个所述分配对象进行相应配课模式下的课程分配。
[0052]
其中，业务场景需求包括：业务代理人参加培训班的场景、提升各级别的业务代理的业务技能场景、抽调代理人名单的培训场景，以及向外部业务系统提供培训业务场景。业务场景指令是针对上述各个业务场景需求而生成的指令，通过获取该业务场景指令，能够确定对应的业务场景需求，以及在业务场景需求下的配课模式及任务分配规则，按照对应的任务分配规则进行课程分配即可。
[0053]
可选的是，为了匹配各种业务场景需求，上述配课模式包括：
[0054]
培训班配课模式，用于在检测到存在所述分配对象参加的培训班信息后，根据所述培训班信息为所述分配对象进行课程分配(即一种培训任务分配)；
[0055]
个性化配课模式，用于根据所述分配对象的个人信息进行个性化课程分配，所述个人信息包括：入职时长、当前职级、职级停留时间、所属机构中的任意n个，1≤n≤4；
[0056]
名单配课模式，用于根据定向业务培训的名单人员，进行定制化课程分配；
[0057]
接口配课模式，用于根据提供的通用配课接口，通过调用所属通用配课接口的方式，进行指定课程分配。
[0058]
为了匹配各种业务场景需求，对于业务代理人参加培训班的场景，进行课程分配的模式为培训班配课模式；对于提升各级别的业务代理的业务技能场景，进行课程分配的模式为个性化配课模式；对于抽调代理人名单的培训场景，进行课程分配的模式为名单配课模式；对于向外部业务系统提供培训业务场景，进行课程分配的模式为接口配课模式。
[0059]
举例说明：在培训班配课模式下，可根据代理人参加各种不同培训班的动作来触发，通过获取用户产生的系统数据，判断用户行为，根据用户行为进行个性化配送，例如可设置培训班配课模式的触发条件为：某代理人参加a类培训班结训后第3天配送某一课程。
[0060]
在个性化配课模式下，根据代理人入司时长、当前职级、所属渠道、所属机构、当前职级停留时间等多个条件组合，定期对待分配课程的代理人进行筛选，并配送对应课程。例如，每月定期给担任主管满3个月的营销系列的代理人配送课程。
[0061]
在名单配课模式下，可以定向向一部分代理人配送课程，获取基于管理员根据业务需要导入的人员名单，给这部分代理人配送定制化课程。
[0062]
在接口配课模式下，提供通用化配课api，对外部业务系统提供公共的配课接口。在此配课模式下，外部系统如果需要配送课程给代理人，则无需自行开发配课体系，可直接接入本系统配课，通过调用通用配课接口，给制定代理人配送指定课程，从而节约成本。
[0063]
步骤s201，检测为分配对象进行任务分配的配课模式的类别及类别数量。
[0064]
其中，通过获取各个分配对象的当前配课包文件，并解析分配对象的当前配课包文件，提取各个分配对象的当前分配课程的配课模式。由于对于不同的业务场景需求下，会存在不同配课模式的任务分配，因此，可能存在一部分分配对象，在两种以上不同业务场景需求下，被分配的两种以上不同配课模式的任务分配情况，因此，需要统计为每个分配对象进行任务分配的配课模式的类别及类别数量。
[0065]
举例说明：在十个分配对象中进行配课，分别称为1号分配对象、2号分配对象、
…
、10号分配对象，在进行业务场景需求统计时，对于业务代理人参加培训班的场景下，检测到1号分配对象至3号分配对象均参加了培训班，因此为1号分配对象至3号分配对象分别进行一次培训班配课模式的任务分配。
[0066]
对于提升各级别的业务代理的业务技能场景下，检测到2号分配对象至5号分别对象均需要进行技能提升，因此，为2号分别对象至5号分配对象分别进行一次个性化配课模式的任务分配。
[0067]
对于抽调代理人名单的培训场景，由于获取的管理员根据业务需要导入的人员名单里存在5号分配对象、7号分配对象至10号分配对象，因此，需要为此部分的分配对象分别进行一次名单配课模式的任务分配。
[0068]
对于向外部业务系统提供培训业务场景，由于6号分配对象属于外部系统的代理人，因此，需要为6号分配对象进行一次接口配课模式的任务分配。
[0069]
综上，按照步骤s201，解析分配对象的当前配课包文件，能够检测到1号分配对象的配课模式只有训班配课模式这一种类别，类别数量为1；2号分配对象、3号分配对象的配课模式有两个类别，分别为训班配课模式和个性化配课模式，类别数量为2；4号分配对象的配课模式只有个性化配课模式这一种类别，类别数量为1；5号分配对象的配课模式有两个类别，分别为个性化配课模式和名单配课模式，类别数量为2；6号分配对象的配课模式只有接口配课模式这一种类别，类别数量为1；7号分配对象至10号分配对象的配课模式只有名单配课模式这一种类别，类别数量为1。
[0070]
步骤s202，若检测所述配课模式的类别数量不少于两个，将各个所述配课模式的类别与历史配课模式的类别、历史业务验收成绩组成的目标序列，输入至专用的业务验收成绩预测模型预测，以输出各个所述配课模式的预测业务验收成绩。
[0071]
也就是，当检测到某个分配对象被分配课程的配课模式数量大于或等于两个，则判定出现冗余配课，例如：在步骤s201，在提取出各个分配对象的当前分配课程的配课模式后，对各个分配对象的当前分配课程的配课模式数量进行统计，统计得到的结果是：1号分配对象、4号分配对象、6号分配对象至10号分配对象对应配课模式的数量分别只有一个，而2号分配对象、3号分配对象、5号分配对象对应配课模式的数量分别为两个，因此判定对2号分配对象、3号分配对象、5号分配对象的任务分配出现冗余配课情况。
[0072]
可选的是，上述的业务验收成绩预测模型的训练过程包括：
[0073]
获取n组训练样本，n≧2，每组训练样本包括单个分配对象的第i个历史配课模式，以及在第i个历史配课模式下的实际业务验收成绩；i＝1,2,
…
,m,m≧2；
[0074]
建立用于预测业务验收成绩的神经网络模型，利用所述n组训练样本对所述神经网络模型进行训练，更新模型的参数，得到所述业务验收成绩预测模型。
[0075]
其中，获取n组训练样本的同时，将每组训练样本中各分配对象的第m 1个配课模式下对应的实际业务验收成绩作为训练标签，对用于预测业务验收成绩的神经网络模型进行训练。
[0076]
可选的是，上述的业务验收成绩预测模型的训练过程还包括：
[0077]
设置损失函数为：由n组训练样本得到的预测业务验收成绩与实际业务验收成绩之间的均值平方误差；
[0078]
当训练至所述损失函数减小至设定阈值以内时，更新模型的参数，得到所述业务验收成绩预测模型。
[0079]
可选的是，上述的神经网络模型采用tcn网络模型，包括依次连接的输入层、卷积层、残差模块、输出层，所述输入层用于输入每组所述训练样本中m个历史配课模式的输入量，所述m个历史配课模式的输入量形成目标序列，所述卷积层用于对所述目标序列进行卷积运算，所述残差模块用于将所述目标序列与所述卷积层的计算结果进行叠加，所述输出层用于根据所述进行叠加得到的结果，输出业务验收成绩。
[0080]
其中，上述各个历史配课模式的输入量包括：各个配课模式x1～xm和对应实际业务验收成绩y1～ym组成的向量。
[0081]
上述tcn网络模型中，采用的是因果卷积网络，建立好初始的tcn网络模型后，首先初始化tcn网络模型中的权重，设置迭代次数、残差模块数量以及网络层数量、扩展系统、卷积核大小、学习效率以及隐层神经元数量。
[0082]
设置所建立的tcn网络模型的输入量为x1，y1，x2，y2，
…
，xm，ym，形成的序列为x＝(x1，y1，x2，y2，
…
，xm，ym)，滤波器为f＝(f1，f2，
…
，fk)，通过卷积层(即膨胀因果卷积层)对每组对应的目标序列进行计算，计算公式如下：
[0083]
f(x)＝(x*f)(t)＝∑f(i)*x
σt-i
[0084]
上式中，f(x)表示膨胀因果卷积后的结果，x表示膨胀因果卷积的输入，f表示滤波器，f(i)表示第i个滤波器，i＝0,1，
…
,k-1，k为滤波器的个数，t表示时间，σt-i表示卷积的方向。
[0085]
通过上述计算公式得到卷积层输出的结果后，利用残差模块将输入x与膨胀因果卷积后的结果相加，再通过输出层的激活函数进行运算，得到最终的预测结果，即预测的业务验收成绩，计算公式如下：
[0086]
o＝relu(x f(x))
[0087]
上式中，o表示预测的业务验收成绩，relu表示激活函数，x表示模型的输入，f(x)表示膨胀因果卷积后的结果。
[0088]
作为其他实施方式，上述的神经网络模型还可以采用lstm网络模型，仍能够实现业务验收成绩的预测。
[0089]
可选的是，在所述目标序列输入至专用的业务验收成绩预测模型之前，还包括：
[0090]
在设定的历史时间段内，获取所述分配对象的历史配课模式的类别、历史业务验收成绩。
[0091]
将用于训练业务验收成绩预测模型的输入数据，规定为一个历史时间段的配课模式的类别、业务验收成绩的好处在于，在比较近的一段时间内某个分配对象的业务能力、学习能力比较相近，而在较远时间段该分配对象的业务能力、学习能力和当前业务能力、学习能力相比，可能具有较大偏差，因此，采用近期的一个历史时间段的配课模式的类别、业务验收成绩数据，对业务验收成绩预测模型进行训练，能够提高业务验收成绩预测模型的预测精度。
[0092]
步骤s203，基于各个所述配课模式的预测业务验收成绩，确定所述分配对象在不同配课模式下的各个所述配课模式的配课效果值。
[0093]
在确定出各个分配对象在不同配课模式下的预测业务验收成绩后，需要利用预测业务验收成绩确定对应配课模式下的配课效果，在一示例中，可以直接通过比较同一分配对象在不同配课模式下的预测业务验收成绩大小，将预测业务验收成绩作为配课效果值，最大的预测业务验收成绩对应的配课模式，即为配课效果值最佳的配课模式。
[0094]
在一示例中，基于各个所述配课模式的预测业务验收成绩，确定各个所述配课模式的配课效果值包括：
[0095]
判断各个预测业务验收成绩是否落入预设的配课效果级别对应的业务验收成绩范围；
[0096]
根据各个所述预测业务验收成绩落入的业务验收成绩范围，判定各个预测业务验收成绩所属的配课效果级别，以确定各个所述配课模式的配课效果值。
[0097]
举例说明，在确定出同一分配对象在不同配课模式下的预测业务验收成绩大小之后，根据预测业务验收成绩来判定具体的配课效果级别，配课效果级别设置为p个级别，p≧2，然后设置各个配课效果级别对应的业务验收成绩范围，各个配课效果级别对应的业务验收成绩范围不能有重复，且高级别对应业务验收成绩范围中的数值高于低级别对应业务验收成绩范围中的数值，然后判断各个预测业务验收成绩在对应哪个配课效果级别的业务验收成绩范围内，确定出同一分配对象在不同配课模式下的各个配课效果级别，即配课模式的配课效果值。
[0098]
在一示例中，可设置配课效果级别为p＝4个，各个配课效果级别从高到低依次为优、良、可、差，四个配课效果级别依次对应的业务验收成绩范围依次为(85,100]、(70,85]、[60,70]、(0,60)。例如，由于步骤s202中判定2号分配对象的任务分配出现冗余配课情况，配课模式有两个，分别为训班配课模式和个性化配课模式，求出2号分配对象分别在训班配课模式和个性化配课模式下的预测业务验收成绩后，根据两个预测业务验收成绩落入的各个配课效果级别对应的业务验收成绩范围，判断两个预测业务验收成绩属于哪个配课效果
级别，例如，计算得到2号分配对象分别在训班配课模式的预测业务验收成绩为55分，在个性化配课模式下的预测业务验收成绩为85分，则可判定训班配课模式的配课效果级别为差，个性化配课模式的配课效果级别为良。
[0099]
步骤s204，比较各个所述配课模式的配课效果值大小，判断出配课效果值最大的配课模式，将所述出配课效果值最大的配课模式的任务分配至所述分配对象。
[0100]
其中，对于已在步骤s202中判定为存在冗余配课的分配对象，利用步骤s203中已经训练好的业务验收成绩预测模型，对各个分配对象在不同配课模式下进行业务验收成绩的预测，然后进行配课效果值的对比。
[0101]
在一示例中，配课效果值的对比方法可以为：
[0102]
获取某个分配对象的任务分配出现冗余配课情况的d个配课模式，d≧2，构建分配对象的m 1个历史配课模式的输入量，输入至业务验收成绩预测模型，输出d个预测的业务验收成绩；
[0103]
比较上述d个预测的业务验收成绩大小，确定预测的最大业务验收成绩，以及该最大业务验收成绩对应的配课模式(该配课模式为d个配课模式中的一个)，判定该最大业务验收成绩对应的配课模式的配课效果值，优于其他d-1个配课模式的配课效果值。
[0104]
举例说明，由于步骤s202中判定2号分配对象、3号分配对象、5号分配对象的任务分配出现冗余配课情况，因此需要对此三个分配对象分别进行业务验收成绩的预测和配课效果对比。
[0105]
以2号分配对象为例，由于2号分配对象的配课模式有两个，分别为训班配课模式和个性化配课模式，则需要构建2号分配对象的m 1个历史配课模式的输入量(x1，y1，x2，y2，
…
，xm，ym，xm 1，ym 1)，其中，xm 1为表示训班配课模式的对应值，ym 1为待预测值，初始值为0，将输入量输入至已经训练好的业务验收成绩预测模型，能够得到2号分配对象在训班配课模式下的预测业务验收成绩。
[0106]
同理，将输入量(x1，y1，x2，y2，
…
，xm，ym，x’m 1，y’m 1)，其中，x’m 1为表示个性化配课模式的对应值，y’m 1为待预测值，初始值为0，将输入量输入至已经训练好的业务验收成绩预测模型，能够得到2号分配对象在个性化配课模式下的预测业务验收成绩。
[0107]
然后，将2号分配对象在训班配课模式下的预测业务验收成绩ym 1，与在个性化配课模式下的预测业务验收成绩y’m 1进行比较，比较方法如下：
[0108]
当ym 1》y’m 1时，判定2号分配对象在训班配课模式下的配课效果值优于在个性化配课模式下的配课效果值；
[0109]
当ym 1《y’m 1时，判定2号分配对象在个性化配课模式下的配课效果值优于在训班配课模式下的配课效果值。
[0110]
同理，对于3号分配对象、5号分配对象，按照上述方法进行业务验收成绩的预测和配课效果对比即可，能够筛选出配课效果最佳的配课模式。
[0111]
在一示例中，另一种配课效果值的对比方法还可以为：
[0112]
获取某个分配对象的任务分配出现冗余配课情况的d个配课模式，d≧2，构建分配对象的m 1个历史配课模式的输入量，输入至业务验收成绩预测模型，输出d个预测的业务验收成绩；
[0113]
判断各个预测的业务验收成绩是否落入配课效果级别对应的业务验收成绩范围；
根据各个预测的业务验收成绩落入的业务验收成绩范围，判定各个预测业务验收成绩属于的配课效果级别；
[0114]
根据各个预测业务验收成绩属于的配课效果级别高低，判定配课效果级别最高的配课模式，即为配课效果值最佳的配课模式。
[0115]
本发明实施例根据实时监测为各个分配对象进行任务分配的配课模式，并统计分配的配课模式数量，能够及时发现存在冗余配课的情况，并及时进行后续处理，进行不同配课模式下的配课效果对比，选择配课效果最佳的配课模式，为分配对象进行配课，实现课程的高效分配，同时避免了冗余配课问题。
[0116]
利用专用的业务验收成绩预测模型，业务验收成绩预测模型是根据分配对象的历史配课模式和实际业务验收成绩进行多次训练得到的，实现了对不同配课模式下配课效果的科学对比，有利于准确预测分配对象在不同配课模式下的配课效果。
[0117]
对应于上文实施例的方法，图3示出了本发明一实施例提供的基于人工智能的任务分配装置的结构框图，上述任务分配装置应用于计算机设备，计算机设备通过预设的应用程序接口连接目标数据库。在目标数据库被驱动运行以执行相应的任务时，会产生对应的任务日志，通过api可以采集到上述任务日志。为了便于说明，仅示出了与本发明实施例相关的部分。
[0118]
参见图3，该任务分配装置包括：
[0119]
检测模块31，用于检测为分配对象进行任务分配的配课模式的类别及类别数量；
[0120]
预测模块32，用于在检测所述配课模式的数量不少于两个时，将各个所述配课模式的类别与历史配课模式的类别、历史业务验收成绩组成的目标序列，输入至专用的业务验收成绩预测模型，以输出各个所述配课模式的预测业务验收成绩；
[0121]
效果值计算模块33，用于根据各个所述配课模式的预测业务验收成绩，确定所述分配对象在不同配课模式下的各个所述配课模式的配课效果值；
[0122]
分配模块34，用于比较各个所述配课模式的配课效果值大小，判断出配课效果值最大的配课模式；将所述出配课效果值最大的配课模式的任务分配至所述分配对象。
[0123]
可选的是，上述任务分配装置还包括：
[0124]
配课模块，用于在检测为各个分配对象进行课程任务分配的配课模式的类别及类别数量之前，获取业务场景指令，根据所述业务场景指令确定对应的任务分配规则，根据所述任务分配规则，为各个所述分配对象进行相应配课模式下的任务分配。
[0125]
可选的是，上述任务分配装置还包括：
[0126]
配课模式生成模块，用于生成各种配课模式，所述配课模式包括：
[0127]
培训班配课模式，用于在检测到存在所述分配对象参加的培训班信息后，根据所述培训班信息为所述分配对象进行任务分配；
[0128]
个性化配课模式，用于根据所述分配对象的个人信息进行个性化任务分配，所述个人信息包括：入职时长、当前职级、职级停留时间、所属机构中的任意n个，1≤n≤4；
[0129]
名单配课模式，用于根据定向业务培训的名单人员，进行定制化任务分配；
[0130]
接口配课模式，用于根据提供的通用配课接口，通过调用所属通用配课接口的方式，进行指定任务分配。
[0131]
可选的是，上述预测模块33还包括：
[0132]
数据获取模块，用于在所述目标序列输入至专用的业务验收成绩预测模型之前，在设定的历史时间段内，获取所述分配对象的历史配课模式的类别、历史业务验收成绩。
[0133]
可选的是，效果值计算模块33包括：
[0134]
判断单元，用于判断各个预测业务验收成绩是否落入预设的配课效果级别对应的业务验收成绩范围；
[0135]
判定单元，用于根据各个所述预测业务验收成绩落入的业务验收成绩范围，判定各个预测业务验收成绩所属的配课效果级别，以确定各个所述配课模式的配课效果值。
[0136]
可选的是，上述预测模块33中，业务验收成绩预测模型的训练过程包括：
[0137]
获取n组训练样本，n≧2，每组训练样本包括单个分配对象的第i个历史配课模式，以及在第i个历史配课模式下的实际业务验收成绩；i＝1,2,
…
,m,m≧2；
[0138]
建立用于预测业务验收成绩的神经网络模型，利用所述n组训练样本对所述神经网络模型进行训练，更新模型的参数，得到所述业务验收成绩预测模型。
[0139]
可选的是，上述预测模块33中，业务验收成绩预测模型的训练过程还包括：
[0140]
设置损失函数为：由n组训练样本得到的预测业务验收成绩与实际业务验收成绩之间的均值平方误差；
[0141]
当训练至所述损失函数减小至设定阈值以内时，更新模型的参数，得到所述业务验收成绩预测模型。
[0142]
可选的是，上述预测模块33中，所述神经网络模型采用tcn网络模型，包括依次连接的输入层、卷积层、残差模块、输出层，所述输入层用于输入每组所述训练样本中m个历史配课模式的输入量，所述m个历史配课模式的输入量形成目标序列，所述卷积层用于对所述目标序列进行卷积运算，所述残差模块用于将所述目标序列与所述卷积层的计算结果进行叠加，所述输出层用于根据所述进行叠加得到的结果，输出业务验收成绩。
[0143]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0144]
图4为本发明一实施例提供的一种计算机设备的结构示意图。如图4所示，该实施例的计算机设备包括：至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任务分配方法实施例中的步骤。
[0145]
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
[0146]
所称处理器可以是cpu，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0147]
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内
存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0148]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0149]
本发明实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
[0150]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0151]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0152]
在本发明所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0153]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0154]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。