一种任务项目管理方法、装置、计算机设备及存储介质与流程

1.本技术属于人工智能技术领域，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。


背景技术：

2.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。


技术实现要素：

3.本技术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。
4.为了解决上述技术问题，本技术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：
5.一种任务项目管理方法，包括：
6.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；
7.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；
8.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；
9.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。
10.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：
11.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；
12.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；
13.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。
14.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：
15.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；
16.基于历史进度数据和历史奖励数据构建训练数据集；
17.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。
18.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：
19.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；
20.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；
21.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；
22.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。
23.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：
24.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；
25.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；
26.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。
27.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：
28.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；
29.基于用户终端信息生成用户端标识和任务标识。
30.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：
31.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；
32.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；
33.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；
34.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。
35.为了解决上述技术问题，本技术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：
36.一种任务项目管理装置，包括：
37.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；
38.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；
39.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；
40.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。
41.为了解决上述技术问题，本技术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：
42.一种计算机设备，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。
43.为了解决上述技术问题，本技术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：
44.一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。
45.与现有技术相比，本技术实施例主要有以下有益效果：
46.本技术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。本技术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，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。本技术在将待处理任务发布到任务处理平台之后，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。
附图说明
47.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1示出了本技术可以应用于其中的示例性系统架构图；
49.图2示出了根据本技术的任务项目管理方法的一个实施例的流程图；
50.图3示出了根据本技术的任务项目管理装置的一个实施例的结构示意图；
51.图4示出了根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
52.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说
明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
53.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
54.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
55.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
56.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
57.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
58.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
59.需要说明的是，本技术实施例所提供的任务项目管理方法一般由服务器执行，相应地，任务项目管理装置一般设置于服务器中。
60.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
61.继续参考图2，示出了根据本技术的任务项目管理方法的一个实施例的流程图。本技术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。
62.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。所述的任务项目管理方法，包括以下步骤：
63.s201，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。
64.具体的，任务配置信息包括任务名称、任务执行操作、任务开始时间、任务期限等等，服务器先获取待处理项目的任务配置信息，然后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。例如，在企业项目管理中，一个处理项目可能对应多个处理任务，服务器在获取待处理项目的任务配置信息，根据任务配置信息生成多个待处理任务，并将多个待处理任务发布到任务处理平台，供项目组成员按照需求选择处理。
65.s202，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。
66.具体的，第一操作为任务选定操作或任务下载操作，用户通过第一操作从任务处理平台中选定待处理任务，当服务器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后，生成第一操作信息，其中，第一操作信息至少包括唯一的用户端标识和唯一的任务标识，用户端标识用于确定待处理任务的任务数据在数据库中的存储位置，任务标识用于标记任务数据。
67.s203，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。
68.具体的，用户在选定待处理任务并对待处理任务进行处理后，产生相应的任务数据，其中，任务数据就包括任务进度数据，任务数据会被存储在对应的数据存储区域。当服务器接收到奖励分发指令之后，通过用户端标识确定待处理任务在数据库中的数据存储位置，并根据任务标识查找待处理任务对应的任务进度数据。
69.在本实施例中，任务项目管理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收到奖励分发指令。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
70.s204，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。
71.其中，预先训练好的奖励分发模型基于深度卷积神经网络训练得到，深度卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariant classification)，因此也被称为“平移不变人工神经网络”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其卷积层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习，有稳定的效果且对数据没有额外的特征工程要求。
72.具体的，服务器从任务进度数据中提取待处理任务的任务进度特征，将任务进度特征导入预先训练好的奖励分发模型，通过奖励分发模型对任务进度特征卷积运算和相似度计算，生成任务奖励结果。
73.在本实施例中，本技术在将待处理任务发布到任务处理平台之后，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。
74.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：
75.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；
76.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；
77.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。
78.具体的，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，服务器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，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，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。
79.奖励分发模型的输入层中预设有一个特征向量转换端口，通过特征向量转换端口可以直接将任务进度特征转换为进度特征向量。通过奖励分发模型的卷积层预先设置有的卷积核，通过卷积核对进度特征向量进行卷积运算，输出卷积运算结果，卷积运算结果即卷积特征数据。奖励分发模型的全连接层预先设置有针对卷积特征数据的特征分类器，通过特征分类器计算卷积特征数据和特征分类器中的特征标签之间的相似度，并将相似度最大的结果作为任务奖励结果进行输出。
80.需要说明的是，卷积计算处理过程为：对于一m*n的矩阵，以1维卷积为例，构建一x*n的卷积核，该卷积核在原始矩阵上滑动运算。例如m的值为5，x的值为1，则卷积核自上而下滑动，x首先与第一行的n维向量相乘并求和，得到一个值，随后x继续往下滑动与第2行，第3行
…
进行卷积运算，共得到5*1的矩阵，即为卷积结果。
81.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：
82.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；
83.基于历史进度数据和历史奖励数据构建训练数据集；
84.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。
85.具体的，在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，还需要预先完成奖励分发模型的训练，其中，服务器先获取历史任务数据，其中，历史任务数据包括历史进度数据和历史奖励数据，并基于历史奖励数据对历史进度数据进行标注，使得历史进度数据和历史奖励数据关联，然后基于历史进度数据和历史奖励数据构建训练数据集，最后基于训练数据集对预设的卷积神经网络进行迭代训练，得到训练好的奖励分发模型。
86.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：
87.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；
88.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；
89.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；
90.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。
91.其中，反向传播算法，即误差反向传播算法(backpropagation algorithm，bp算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，用于深度学习网络的误差计算。bp网络的输入、输出关系实质上是一种映射关系：一个n输入m输出的bp神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。bp算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层，并转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，以作为修改权值的依据。
92.具体的，服务器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，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，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，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，即持续调整卷积神经网络各个网络层的初始参数，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，使得卷积神经网络拟合，得到训练好的奖励分发模型。
93.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：
94.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；
95.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；
96.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。
97.具体的，服务器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，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，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。
98.在本技术一种实施例中，在步骤s203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之后，可以将任务进度数据与预设的进度基准数据进行比对，得到任务进度比对结果，当待处理任务的任务进度大于或等于基准进度时，任务管理进入奖励程序，即通过奖励分发模型生成任务奖励方案，当待处理任务的任务进度小于基准进度时，进入惩罚程序，通过预先训练好的惩罚模型生成惩罚方案。
99.需要说明的是，惩罚模型同样基于深度卷积神经网络训练得到，通过历史进度数
据和历史惩罚数据对深度卷积神经网络进行训练，得到惩罚模型，惩罚模型用于自动生成对应的惩罚方案，惩罚模型的训练过程与奖励分发模型的训练过程一致，在此不再赘述。
100.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：
101.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；
102.基于用户终端信息生成用户端标识和任务标识。
103.具体的，当用户在任务处理平台中选定或者下载待处理任务时，服务器获取用户终端信息，其中，用户终端信息至少包括用户终端的ip信息，根据用户终端的ip信息生成唯一的用户端标识和唯一的任务标识，用于确定待处理任务的任务数据在数据库中的存储位置，任务标识用于标记任务数据。
104.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：
105.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；
106.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；
107.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；
108.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。
109.具体的，服务器在生成用户端标识和任务标识之后，先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，在接收到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，将第二操作信息与任务配置信息进行比对，得到待处理任务的完成度，将待处理任务的完成度作为待处理任务的任务进度数据，将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，供后续调用。
110.在上述实施例中，本技术公开了一种任务项目管理方法，属于人工智能技术领域。本技术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，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。本技术在将待处理任务发布到任务处理平台之后，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。
111.需要强调的是，为进一步保证上述用户端标识和任务标识的私密和安全性，上述用户端标识和任务标识还可以存储于一区块链的节点中。
112.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
113.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
114.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
115.进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种任务项目管理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
116.如图3所示，本实施例所述的任务项目管理装置300包括：
117.任务发布模块301，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；
118.第一操作模块302，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；
119.进度查询模块303，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；
120.奖励分发模块304，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。
121.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，奖励分发模块304具体包括：
122.向量转化单元，用于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；
123.卷积运算单元，用于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；
124.相似度计算单元，用于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。
125.进一步地，该任务项目管理装置300还包括：
126.历史数据获取模块，用于获取历史任务数据，其中，历史任务数据包括历史进度数据和历史奖励数据；
127.数据集构建模块，用于基于历史进度数据和历史奖励数据构建训练数据集；
128.模型训练模块，用于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。
129.进一步地，模型训练模块具体包括：
130.奖励预测单元，用于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；
131.误差计算单元，用于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；
132.误差传递单元，用于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；
133.模型迭代单元，用于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。
134.进一步地，卷积神经网络包括输入层、卷积层和全连接层，奖励预测单元具体包括：
135.历史向量转化子单元，用于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；
136.历史卷积运算子单元，用于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；
137.历史相似度计算子单元，用于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。
138.进一步地，第一操作为任务选定操作或任务下载操作，第一操作模块302具体包括：
139.终端信息获取单元，用于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；
140.标识生成单元，用于基于用户终端信息生成用户端标识和任务标识。
141.进一步地，该任务项目管理装置300还包括：
142.存储区域确定模块，用于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；
143.第二操作模块，用于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；
144.信息比对模块，用于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；
145.信息存储模块，用于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。
146.在上述实施例中，本技术公开了一种任务项目管理装置，属于人工智能技术领域。本技术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，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。本技术在将待处理任务发布到任务处理平台之后，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。
147.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
148.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
149.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
150.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如任务项目管理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
151.所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述任务项目管理方法的计算机可读指令。
152.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
153.本技术公开了一种计算机设备，属于人工智能技术领域。本技术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，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。本技术在将待处理任务发布到任务处理平台之后，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。
154.本技术还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被至少一个处理器执行，以
使所述至少一个处理器执行如上述的任务项目管理方法的步骤。
155.本技术公开了一种存储介质，属于人工智能技术领域。本技术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，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。本技术在将待处理任务发布到任务处理平台之后，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。
156.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
157.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
158.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。