[发明专利]任务预测处理方法、设备、产品和介质

说明书

本公开实施例公开了一种任务预测处理方法、设备、产品和介质，针对待处理任务和多个候选任务执行者中的任一候选任务执行者，获取静态特征和时序特征；静态特征包括：任务特征，执行者特征和待处理任务的作用方特征；时序特征包括：在预设最近一个时间段内，候选任务执行者的行为特征和待处理任务的作用方的变化特征；利用神经网络模型，基于静态特征和时序特征，预测任一候选任务执行者完成多目标的综合概率，以便基于综合概率从多个候选任务执行者中确定待处理任务的任务执行者；其中，完成多目标包括：完成待处理任务且完成待处理任务的关联目标。本公开实施例可以提高任务完成和任务完成之后项目目标达成的综合效果。

技术领域

本公开实施例涉及一种任务预测处理方法、设备、产品和介质。

背景技术

将任务和作业人员进行匹配，对作业人员进行任务分配是工业界会经常遇到的问题。例如在房产交易应用领域，为了提高房产经纪人的工作效率，平台方会向经纪人发放任务，例如对某房源进行议价、对某房源进行客户的带看等，以指导经纪人工作，从而提高经纪人和平台方的效益。

通常情况下，一个平台方会同时存在大量的项目，每个项目会涉及多个环节的任务，不同项目在同一个环节的任务难易程度可能不同，而同一个项目中不同环节的任务难易程度也可能不同，并且，每个环节的任务的难易程度以及完成情况都可能影响项目最终的目标达成。

现有技术中，主要基于单目标模型排序方法进行任务排序和分配：即将某一重要的优化目标作为排序的标准，使用模型对该目标进行预估，例如，在房源任务体系中，构造出预测任务完成与否的预估模型，将该预估模型输出的预测任务完成与否的概率作为标准，对任务进行排序和分配。

在实现本公开的过程中，发明人通过研究发现，上述基于单目标模型排序方法仅考虑某一单个目标进行任务排序，而未综合考虑任务完成之后对项目最终的目标达成的影响，单个目标排序靠前的任务可能对项目最终的目标达成帮助不大，例如，在房源任务体系中，只利用预估模型输出的预测任务完成与否的概率进行任务排序，而排序靠前的任务可能对房源成交这一项目最终目标的帮助不大，因此，基于单目标模型排序方法进行任务排序和分配的方式在项目目标达成效果上不佳。

因此，如何对项目的任务进行合理分配，以同时实现任务完成和任务完成之后项目目标达成，是至关重要的。

发明内容

本公开实施例提供一种任务预测处理方法和装置、设备、产品和介质，以提高任务完成和任务完成之后项目目标达成的综合效果。

根据本公开实施例的一个方面，提供的一种任务预测处理方法，包括：

针对待处理任务和多个候选任务执行者中的任一候选任务执行者，获取静态特征和时序特征；其中，所述静态特征包括：所述待处理任务的任务特征，所述候选任务执行者的执行者特征和所述待处理任务的作用方特征；所述时序特征包括：在预设最近一个时间段内，所述候选任务执行者的行为特征和所述待处理任务的作用方的变化特征；

利用神经网络模型，基于所述静态特征和所述时序特征，预测所述任一候选任务执行者完成多目标的综合概率，以便基于所述综合概率从所述多个候选任务执行者中确定所述待处理任务的任务执行者；其中，所述完成多目标包括：完成所述待处理任务且完成所述待处理任务的关联目标。

在基于本公开上述方法的另一个实施例中，所述利用神经网络模型，基于所述静态特征和所述时序特征，预测所述任一候选任务执行者完成多目标的综合概率，包括：

将所述静态特征输入深度神经网络，经所述深度神经网络输出第一特征；

将所述时序特征输入递归神经网络，经所述递归神经网络输出第二特征；

将所述第一特征和所述第二特征进行融合，得到融合特征；

基于所述融合特征预测所述任一候选任务执行者完成所述多目标的综合概率。