一种任务项目管理方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种任务项目管理方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过根据任务配置信息生成待处理任务，并将待处理任务发布到任务处理平台，响应用户对任务处理平台中的待处理任务进行的第一操作，生成用户端标识和任务标识，根据用户端标识确定待处理任务的数据存储位置，并根据任务标识查找待处理任务对应的任务进度数据，提取任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果。此外，本申请还涉及区块链技术，用户端标识和任务标识可存储于区块链中。本申请通过监控处理任务的任务进度数据，并利用奖励分发模型来生成奖励方案，实现任务项目自动化管理，减少了人为干预。了人为干预。了人为干预。

【技术实现步骤摘要】
一种任务项目管理方法、装置、计算机设备及存储介质


[0001]本申请属于人工智能
，具体涉及一种任务项目管理方法、装置、计算机设备及存储介质。

技术介绍

[0002]目前，大多数项目的任务体系和奖励下发体系都处于独立运行的状态，一般来说这两套体系是相互独立，互不干扰，任务体系负责判断用户对应的任务是否有完成，奖励下发体系负责奖励的下发。在进行奖励下发时，需要发奖人员获取任务体系中的任务完成情况和奖励下发体系中的奖励配置条件，由发奖人员根据任务完成情况和奖励配置条件确定对应的奖品，然后再对奖品进行发放。但这种基于人工的奖励分发方法受发奖人员的主观意志，难以保证奖品分发的公平性，且不支持奖励的自动下发。

技术实现思路

[0003]本申请实施例的目的在于提出一种任务项目管理方法、装置、计算机设备及存储介质，以解决现有基于人工的奖励分发方法存在的受发奖人员的主观意志，难以保证奖品分发的公平性，以及不支持奖励的自动下发的技术问题。
[0004]为了解决上述技术问题，本申请实施例提供一种任务项目管理方法，采用了如下所述的技术方案：
[0005]一种任务项目管理方法，包括：
[0006]获取待处理项目的任务配置信息，根据任务配置信息生成待处理任务，并将待处理任务发布到任务处理平台；
[0007]接收用户对任务处理平台中的待处理任务进行的第一操作，生成第一操作信息，其中，第一操作信息至少包括用户端标识和任务标识；
[0008]根据用户端标识确定待处理任务的数据存储位置，并根据任务标识查找待处理任务对应的任务进度数据；
[0009]从任务进度数据中提取任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果。
[0010]进一步地，预先训练好的奖励分发模型包括输入层、卷积层和全连接层，从任务进度数据中提取任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果，具体包括：
[0011]通过奖励分发模型的输入层对任务进度特征进行向量转化，得到进度特征向量；
[0012]通过奖励分发模型的卷积层对进度特征向量进行卷积运算，得到卷积特征数据；
[0013]通过奖励分发模型的全连接层中的特征分类器对卷积特征数据进行相似度计算，并将相似度最大的结果作为任务奖励结果进行输出。
[0014]进一步地，在从任务进度数据中提取任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果之前，还包括：
[0015]获取历史任务数据，其中，历史任务数据包括历史进度数据和历史奖励数据；
[0016]基于历史进度数据和历史奖励数据构建训练数据集；
[0017]基于训练数据集对预设的卷积神经网络进行训练，得到训练好的奖励分发模型。
[0018]进一步地，基于训练数据集对预设的卷积神经网络进行训练，得到训练好的奖励分发模型，具体包括：
[0019]将训练数据集中的历史奖励数据导入卷积神经网络，得到历史奖励数据对应的预测奖励数据；
[0020]基于卷积神经网络的损失函数计算预测奖励数据和历史奖励数据之间的预测误差；
[0021]基于反向传播算法在卷积神经网络的各个网络层中传递预测误差，得到各个网络层的预测误差；
[0022]将各个网络层的预测误差分别与预设误差阈值进行比对，若存在任意一个网络层的预测误差大于预设误差阈值，则对卷积神经网络进行迭代更新，直至所有网络层的预测误差均小于或等于预设误差阈值为止，得到训练好的奖励分发模型。
[0023]进一步地，卷积神经网络包括输入层、卷积层和全连接层，将训练数据集中的历史奖励数据导入卷积神经网络，得到历史奖励数据对应的预测奖励数据，具体包括：
[0024]通过卷积神经网络的输入层对历史奖励数据进行向量转化，得到历史进度特征向量；
[0025]通过卷积神经网络的卷积层对历史进度特征向量进行卷积运算，得到历史卷积特征数据；
[0026]通过卷积神经网络的全连接层中的特征分类器对历史卷积特征数据进行相似度计算，并将相似度最大的结果作为历史奖励数据对应的预测奖励数据。
[0027]进一步地，第一操作为任务选定操作或任务下载操作，接收用户对任务处理平台中的待处理任务进行的第一操作，生成第一操作信息，具体包括：
[0028]当用户在任务处理平台中选定或者下载待处理任务时，获取用户终端信息；
[0029]基于用户终端信息生成用户端标识和任务标识。
[0030]进一步地，在基于用户终端信息生成用户端标识和任务标识之后，还包括：
[0031]根据用户端标识在预设的数据库确定待处理任务对应的数据存储区域；
[0032]接收用户对待处理任务进行的第二操作，生成第二操作信息，其中，第二操作为任务执行操作；
[0033]将第二操作信息与任务配置信息进行比对，得到待处理任务对应的任务进度数据；
[0034]将待处理任务对应的任务进度数据和第二操作信息存储到待处理任务对应的数据存储区域。
[0035]为了解决上述技术问题，本申请实施例还提供一种任务项目管理装置，采用了如下所述的技术方案：
[0036]一种任务项目管理装置，包括：
[0037]任务发布模块，用于获取待处理项目的任务配置信息，根据任务配置信息生成待处理任务，并将待处理任务发布到任务处理平台；
[0038]第一操作模块，用于接收用户对任务处理平台中的待处理任务进行的第一操作，生成第一操作信息，其中，第一操作信息至少包括用户端标识和任务标识；
[0039]进度查询模块，用于根据用户端标识确定待处理任务的数据存储位置，并根据任务标识查找待处理任务对应的任务进度数据；
[0040]奖励分发模块，用于从任务进度数据中提取任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果。
[0041]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0042]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的任务项目管理方法的步骤。
[0043]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0044]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的任务项目管理方法的步骤。
[0045]与现有技术相比，本申请实施例主要有以下有益效果：
[0046]本申请公开了一种任务项目管理方法、装置、计算机设备及存储介质，属于人工智能
本申请通过根据任务配置信息生成待处理任务，并将待处理任务发布到任务处理平台，响应用户对任务处理平台中的待处理任务进行的第一操作，生成用户端标识和任务标识，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种任务项目管理方法，其特征在于，包括：获取待处理项目的任务配置信息，根据所述任务配置信息生成待处理任务，并将所述待处理任务发布到任务处理平台；接收用户对所述任务处理平台中的待处理任务进行的第一操作，生成第一操作信息，其中，所述第一操作信息至少包括用户端标识和任务标识；根据所述用户端标识确定所述待处理任务的数据存储位置，并根据所述任务标识查找所述待处理任务对应的任务进度数据；从所述任务进度数据中提取任务进度特征，将所述任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果。2.如权利要求1所述的任务项目管理方法，其特征在于，预先训练好的所述奖励分发模型包括输入层、卷积层和全连接层，所述从所述任务进度数据中提取任务进度特征，将所述任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果，具体包括：通过所述奖励分发模型的输入层对所述任务进度特征进行向量转化，得到进度特征向量；通过所述奖励分发模型的卷积层对所述进度特征向量进行卷积运算，得到卷积特征数据；通过所述奖励分发模型的全连接层中的特征分类器对所述卷积特征数据进行相似度计算，并将相似度最大的结果作为所述任务奖励结果进行输出。3.如权利要求1所述的任务项目管理方法，其特征在于，在所述从所述任务进度数据中提取任务进度特征，将所述任务进度特征导入预先训练好的奖励分发模型，生成任务奖励结果之前，还包括：获取历史任务数据，其中，所述历史任务数据包括历史进度数据和历史奖励数据；基于所述历史进度数据和所述历史奖励数据构建训练数据集；基于所述训练数据集对预设的卷积神经网络进行训练，得到训练好的所述奖励分发模型。4.如权利要求3所述的任务项目管理方法，其特征在于，基于所述训练数据集对预设的卷积神经网络进行训练，得到训练好的所述奖励分发模型，具体包括：将所述训练数据集中的历史奖励数据导入所述卷积神经网络，得到所述历史奖励数据对应的预测奖励数据；基于所述卷积神经网络的损失函数计算所述预测奖励数据和所述历史奖励数据之间的预测误差；基于反向传播算法在所述卷积神经网络的各个网络层中传递所述预测误差，得到各个网络层的预测误差；将各个网络层的预测误差分别与预设误差阈值进行比对，若存在任意一个网络层的预测误差大于所述预设误差阈值，则对所述卷积神经网络进行迭代更新，直至所有网络层的预测误差均小于或等于所述预设误差阈值为止，得到训练好的所述奖励分发模型。5.如权利要求4所述的任务项目管理方法，其特征在于，所述卷积神经网络包括输入层、卷积层和全连接层，所述将所述训练数据...

【专利技术属性】
技术研发人员：汪婷婷，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：