推荐任务执行人的方法、装置、设备和存储介质与流程

1.本发明涉及任务管理技术领域，特别涉及一种推荐任务执行人的方法、装置、设备和存储介质。


背景技术：

2.任务管理系统，是一种在大中型企业中广泛使用的基于计算机技术实现的电子化办公系统。系统管理员可以在任务管理系统中创建新任务，并为新任务指定至少一个企业职员作为任务执行人，然后任务管理系统可以将新任务下发给任务执行人，同时还可以在任务执行过程中提供任务流转、跟踪和反馈等功能。
3.为了提高办公管理效率，目前一些任务管理系统还提供推荐任务执行人的功能，任务管理系统可以比对历史任务的任务内容和新任务的任务内容的相似度，然后将执行过任务内容相似度高的历史任务的职员确定为新任务的推荐执行人。
4.这种推荐方式存在冷启动困难的问题，即，对于办理过的历史任务较少的职员(例如入职时间较短的职员)，这种推荐方式的准确度较低，容易发生确定的推荐执行人不符合要求，或者符合要求的职员未被确定为推荐执行人的情况。


技术实现要素：

5.针对上述现有技术的缺点，本发明提供一种推荐任务执行人的方法、装置、设备和存储介质，以解决现有的推荐方法冷启动困难的问题。
6.本技术第一方面提供一种推荐任务执行人的方法，包括：
7.获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息，以及新任务的任务信息；其中，所述历史任务信息根据所述候选职员的已办理的历史任务确定，所述职员个人信息包括所述候选职员的部门信息、群组信息和应用权限信息；
8.根据所述职员综合信息提取所述候选职员的执行人特征，并根据新任务的任务信息提取所述新任务的任务特征；
9.计算所述执行人特征和所述任务特征的相似度；
10.将满足所述执行人特征和所述任务特征的相似度大于预设推荐阈值条件的候选职员，确定为所述新任务对应的推荐执行人。
11.可选的，所述根据新任务的任务信息提取所述新任务的任务特征，包括：
12.对新任务的任务信息进行文本预处理，获得预处理任务信息；
13.利用预先构建的词向量矩阵，将所述预处理任务信息转换为新任务特征矩阵；
14.利用卷积神经网络计算所述新任务特征矩阵，获得所述新任务的任务特征。
15.可选的，所述获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息，包括：
16.获取候选职员已办理的历史任务的任务标签信息和任务评分信息作为所述候选职员的历史任务信息；其中，所述任务评分信息根据历史任务的任务紧急程度、任务执行时
长、进展反馈次数、任务分解数量和任务办结状态确定；
17.从企业办公系统的人员信息模块获得候选职员的职员个人信息。
18.可选的，所述计算所述执行人特征和所述任务特征的相似度，包括：
19.计算所述执行人特征和所述任务特征的余弦相似度。
20.本技术第二方面提供一种推荐任务执行人的装置，包括：
21.获取单元，用于获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息，以及新任务的任务信息；其中，所述历史任务信息根据所述候选职员的已办理的历史任务确定，所述职员个人信息包括所述候选职员的部门信息、群组信息和应用权限信息；
22.提取单元，用于根据所述职员综合信息提取所述候选职员的执行人特征，并根据新任务的任务信息提取所述新任务的任务特征；
23.计算单元，用于计算所述执行人特征和所述任务特征的相似度；
24.确定单元，用于将满足所述执行人特征和所述任务特征的相似度大于预设推荐阈值条件的候选职员，确定为所述新任务对应的推荐执行人。
25.可选的，所述提取单元根据新任务的任务信息提取所述新任务的任务特征时，具体用于：
26.对新任务的任务信息进行文本预处理，获得预处理任务信息；
27.利用预先构建的词向量矩阵，将所述预处理任务信息转换为新任务特征矩阵；
28.利用卷积神经网络计算所述新任务特征矩阵，获得所述新任务的任务特征。
29.可选的，所述获取单元获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息时，具体用于：
30.获取候选职员已办理的历史任务的任务标签信息和任务评分信息作为所述候选职员的历史任务信息；其中，所述任务评分信息根据历史任务的任务紧急程度、任务执行时长、进展反馈次数、任务分解数量和任务办结状态确定；
31.从企业办公系统的人员信息模块获得候选职员的职员个人信息。
32.可选的，所述计算单元计算所述执行人特征和所述任务特征的相似度时，具体用于：
33.计算所述执行人特征和所述任务特征的余弦相似度。
34.本技术第三方面提供一种电子设备，包括存储器和处理器；
35.其中，所述存储器用于存储计算机程序；
36.所述处理器用于执行所述计算机程序，所述计算机程序被执行时，具体用于实现本技术第一方面任意一项所提供的推荐任务执行人的方法。
37.本技术第四方面提供一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，具体用于实现本技术第一方面任意一项所提供的推荐任务执行人的方法。
38.本技术提供一种推荐任务执行人的方法、装置、设备和存储介质，获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息；历史任务信息根据候选职员的已办理的历史任务确定，职员个人信息包括候选职员的部门信息、群组信息和应用权限信息；根据职员综合信息提取候选职员的执行人特征，并根据新任务的任务信息提取新任务的任务特征；计算执行人特征和任务特征的相似度；将满足执行人特征和任务特征的相似度大于预设推荐阈值条件的候选职员，确定为新任务对应的推荐执行人。本方案在推荐时融合了
职员个人信息，提高了针对办理过历史任务较少的职员的推荐结果的准确度。
附图说明
39.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，还可以根据提供的附图获得其他的附图。
40.图1为本技术实施例提供的一种推荐任务执行人的方法的流程图；
41.图2为本技术实施例提供的一种执行人特征库的结构示意图；
42.图3为本技术实施例提供的一种提取新任务特征的流程图；
43.图4为本技术实施例提供的一种基于卷积神经网络的执行人推荐模型的结构示意图；
44.图5为本技术实施例提供的一种推荐任务执行人的装置的结构示意图；
45.图6为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
46.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。
47.为便于理解本技术的技术方案，首先对本技术可能涉及的部分术语进行简要说明。
48.深度学习网络，是一个多层神经网络，具有强大的从样本中学习数据集本质特征的能力，能够获取数据的深层次特征表示。
49.卷积神经网络(convolutional neural networks，cnn)，是一种包含卷积计算的深度学习网络，能够实现从图像和文本数据中提取潜在因子以及特征，由输入层、隐藏层和输出层组成。
50.推荐算法，是指通过数学计算，给出用户可能需要的结果，包括基于内容的推荐算法、协同过滤推荐算法、混合推荐算术、基于深度学习的推荐算法等。
51.新任务，是指任务管理系统中新建的且尚未分配对应的任务执行人的任务，一个新任务具体可以包括任务标题，任务内容，执行时间，任务分类等任务信息。
52.任务执行人，是指任务管理系统中具体执行某项新任务的职，例如在任务管理系统中指定任务a由职员b执行，则职员b就是任务a的任务执行人。
53.本技术实施例提供一种推荐任务执行人的方法，请参见图1，为该方法的流程图，该方法可以包括如下步骤。
54.s101，获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息，以及新任务的任务信息。
55.其中，历史任务信息根据候选职员的已办理的历史任务确定，职员个人信息包括候选职员的部门信息、群组信息和应用权限信息。
56.步骤s101中，可以获得企业内每一候选职员的职员综合信息，即候选职员的数量为多个，职员综合信息对应的有多条，每一条对应一个候选职员。
57.步骤s101，可以视为一个构建职员综合信息库的过程。也就是说，在执行步骤s101时，可以先分别获取企业内每一候选职员的历史任务信息和职员个人信息，然后将这些信息和候选职员对应存储在一个数据库中，从而形成一个记录有每一候选职员的职员综合信息的职员综合信息库，该职员综合信息库的结构可以如图2所示。
58.可选的，步骤s101的执行过程(相当于构建职员综合信息库的过程)可以，包括：
59.获取候选职员已办理的历史任务的任务标签信息和任务评分信息作为候选职员的历史任务信息；
60.其中，任务评分信息根据历史任务的任务紧急程度、任务执行时长、进展反馈次数、任务分解数量和任务办结状态确定；
61.从企业办公系统的人员信息模块获得候选职员的职员个人信息。
62.在获取任务标签信息时，可以先收集任务管理系统中记录的所有已经办理过的历史任务的任务信息，包括但不限于这些历史任务的任务内容，任务标签，任务类别，任务起止时间等信息，然后利用聚类算法(示例性的，可以用k近邻算法)根据任务信息对这些历史任务进行聚类，从而确定每一历史任务对应的标签。
63.聚类时所用的聚类算法也可以是不同于k近邻算法的其他现有的聚类算法，不做限定。
64.然后，针对每一候选职员，可以将该候选职员办理过的每一历史任务的标签的集合，确定为该候选职员的任务标签信息。
65.在获取任务评分信息时，可以先确定记录的每一已办理的历史任务的任务评分。每一任务的任务评分，可以根据该任务的任务紧急程度、任务执行时间、进展反馈次数、任务分解数量、任务办结状态等属性，按照一定的权重进行加权计算得到，不同属性对应的权重可以按照实际需要进行设定，本实施例不做限定。
66.在计算出每一历史任务的任务评分后，针对每一个候选职员，可以统计该候选职员办理过的所有历史任务，然后将该候选职员办理过的所有历史任务的任务评分的平均值，确定为该候选职员的任务评分信息。
67.可选的，也可以将一个候选职员办理过的所有历史任务的任务评分，按照各历史任务的权重进行加权计算，将计算结果确定为该候选职员的任务评分信息。其中，历史任务的办结时间距离当前时间越远，则历史任务的权重越低，反之，办结时间距离当前时时间越近，则历史任务的权重越高。
68.如前文所述，上述职员个人信息可以从企业办公系统(例如eoa系统)中获取，具体的，可以调用企业办公系统对外开放的相关接口，从而获得企业办公系统中记录的每一候选职员的职员个人信息。
69.对于每一候选职员，其职员个人信息具体可以包括部门信息、群组信息和应用权限信息。其中，部门信息用于描述该候选职员隶属于哪一个或者哪几个部门，群组信息用于描述该候选职员在企业通讯录中属于哪一个或者哪几个群组，应用权限信息，用于描述该候选职员具有企业办公系统中哪些应用的哪些权限。
70.s102，根据职员综合信息提取候选职员的执行人特征，并根据新任务的任务信息
提取新任务的任务特征。
71.可选的，请参见图3，根据新任务的任务信息提取新任务的任务特征的过程，可以包括如下步骤：
72.s301，对新任务的任务信息进行文本预处理，获得预处理任务信息。
73.新任务的任务信息，具体可以包括任务内容，任务标签，任务类别，任务起止时间等信息。
74.在步骤s301中，文本预处理具体可以包括：
75.首先，对上述任务信息进行分词处理，也就是按照预先构建的词库，将文本形式的上述任务信息拆分为若干个词汇。
76.然后从上述任务信息中移除停用词，即移除不包含在预先构建的词库中的词汇。
77.经过文本预处理后获得的预处理任务信息，相当于原本的任务信息中若干个词汇的集合。
78.s302，利用预先构建的词向量矩阵，将预处理任务信息转换为新任务特征矩阵。
79.步骤s302中，可以先利用现有的词向量模型(例如word2vec模型)对大量历史任务的任务信息进行处理，从而获得词向量矩阵，词向量矩阵中包括任务信息中可能出现的每一个词汇对应的词向量。
80.基于构建好的词向量矩阵，可以将预处理任务信息中的每一个词汇，都转换为对应的词向量，由此获得新任务的任务信息中各个词汇对应的各个词向量，这些词向量组成的矩阵，就是步骤s302中的新任务特征矩阵。
81.s303，利用卷积神经网络计算新任务特征矩阵，获得新任务的任务特征。
82.步骤s303可以利用卷积神经网络来实现，该卷积神经网络的结构可以参见图4的卷积神经网络。如图4所示，在卷积神经网络中，新任务特征矩阵先经过卷积层处理，获得对应的特征图，然后特征图输入到池化层，池化层对特征图进行降维处理，获得低维特征图，最后低维特征图进入全连接层，经过全连接层处理后获得对应的特征向量，该特征向量，就是步骤s303中的新任务的任务特征。因此，新任务的任务特征，也可以称为新任务的任务特征向量。
83.候选职员的执行人特征的提取过程，可以参照上述提取任务特征的过程实现，不再赘述。同理，执行人特征，也可以视为执行人特征向量。
84.s103，计算执行人特征和任务特征的相似度。
85.如前文所述，步骤s101中获得了多个候选职员的职员综合信息。因此在步骤s103中，存在多个候选职员对应的多个执行人特征，在执行s103时，需要计算每一个执行人特征和任务特征的相似度。对于每一候选职员，该候选职员的执行人特征和新任务的任务特征的相似度，反映了该候选职员适合执行新任务的程度，相似度越高，可以认为该候选职员越合适办理新任务，相似度越低，可以认为该候选职员越不合适办理新任务。
86.可选的，计算执行人特征和任务特征的相似度，包括：
87.计算执行人特征和任务特征的余弦相似度。
88.也就是说，步骤s103中计算的相似度，可以是执行人特征向量和任务特征向量之间的余弦相似度。
89.余弦相似度的具体算法可以参见相关现有技术，不再赘述。
90.s104，将满足执行人特征和任务特征的相似度大于预设推荐阈值条件的候选职员，确定为新任务对应的推荐执行人。
91.在步骤s104中，针对每一个候选职员，判断该候选职员的执行人特征和新任务的任务特征的相似度是否大于预设的推荐阈值，如果相似度大于推荐阈值，就将该候选职员确定为新任务的一个推荐执行人，如果相似度不大于推荐阈值，就不将该候选职员确定为新任务的推荐执行人。
92.可选的，当存在多个推荐执行人时，可以将这些推荐执行人按照对应的相似度从高到低排序后显示在任务管理系统的终端界面上，由相关用户最终从多个推荐执行人中选择一个来作为新任务的执行人。
93.如果只有一个推荐执行人，则可以直接将该推荐执行人确定为新任务的执行人。
94.本技术实施例所提供的推荐任务执行人的方法，可以认为是通过一个基于卷积神经网络的执行人推荐模型，该模型的结构如图4所示。
95.可以看到，该模型包括输入层，模型层，输出层。其中，输入层用于执行图1所示实施例的步骤s101，即用于获得职员综合信息和新任务的任务信息。模型层相当于一个卷积神经网络，用于执行步骤s102，即用于提取执行人特征和任务特征，输出层用于执行步骤s103和s104，即用于计算每一候选职员的执行人特征和任务特征的相似度，并根据相似度确定推荐执行人。
96.本技术提供一种推荐任务执行人的方法，方法包括，获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息；历史任务信息根据候选职员的已办理的历史任务确定，职员个人信息包括候选职员的部门信息、群组信息和应用权限信息；根据职员综合信息提取候选职员的执行人特征，并根据新任务的任务信息提取新任务的任务特征；计算执行人特征和任务特征的相似度；将满足执行人特征和任务特征的相似度大于预设推荐阈值条件的候选职员，确定为新任务对应的推荐执行人。本方案在推荐时融合了职员个人信息，提高了针对办理过历史任务较少的职员的推荐结果的准确度。
97.另外，本实施例还具有如下优点：
98.结合任务管理系统数据特点，融合历史任务特征、计算任务办结评分特征、机构特征、应用特征、群组特征等创造性的构建了任务执行人库，丰富了任务执行人的标签维度，为卷积神经网络特征提取提供了良好的数据基础，也有效解决了新用户冷启动问题。
99.通过卷积神经网络(cnn)对新任务信息进行特征提取，有效解决传统方法特征提取困难的问题。
100.对新任务信息、任务执行人库通过卷积神经网络计算，得到隐藏的高维特征，解决了数据稀疏性问题，大幅提升了推荐结果的准确度。
101.根据本技术实施例提供的推荐任务执行人的方法，本技术实施例还提供一种推荐任务执行人的装置，请参见图5，为该装置的结构示意图，该装置可以包括如下单元。
102.获取单元501，用于获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息，以及新任务的任务信息。
103.其中，历史任务信息根据候选职员的已办理的历史任务确定，职员个人信息包括候选职员的部门信息、群组信息和应用权限信息。
104.提取单元502，用于根据职员综合信息提取候选职员的执行人特征，并根据新任务
的任务信息提取新任务的任务特征。
105.计算单元503，用于计算执行人特征和任务特征的相似度；
106.确定单元504，用于将满足执行人特征和任务特征的相似度大于预设推荐阈值条件的候选职员，确定为新任务对应的推荐执行人。
107.可选的，提取单元502根据新任务的任务信息提取新任务的任务特征时，具体用于：
108.对新任务的任务信息进行文本预处理，获得预处理任务信息；
109.利用预先构建的词向量矩阵，将预处理任务信息转换为新任务特征矩阵；
110.利用卷积神经网络计算新任务特征矩阵，获得新任务的任务特征。
111.可选的，获取单元501获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息时，具体用于：
112.获取候选职员已办理的历史任务的任务标签信息和任务评分信息作为候选职员的历史任务信息；其中，任务评分信息根据历史任务的任务紧急程度、任务执行时长、进展反馈次数、任务分解数量和任务办结状态确定；
113.从企业办公系统的人员信息模块获得候选职员的职员个人信息。
114.可选的，计算单元503计算执行人特征和任务特征的相似度时，具体用于：
115.计算执行人特征和任务特征的余弦相似度。
116.本实施例提供的推荐任务执行人的装置，其具体工作原理可以参见本技术实施例提供的推荐任务执行人的方法中的相关步骤，此处不再赘述。
117.本技术提供一种推荐任务执行人的装置，装置包括，获取单元501获取由候选职员的历史任务信息和职员个人信息组成的职员综合信息；历史任务信息根据候选职员的已办理的历史任务确定，职员个人信息包括候选职员的部门信息、群组信息和应用权限信息；提取单元502根据职员综合信息提取候选职员的执行人特征，并根据新任务的任务信息提取新任务的任务特征；计算单元503计算执行人特征和任务特征的相似度；确定单元504将满足执行人特征和任务特征的相似度大于预设推荐阈值条件的候选职员，确定为新任务对应的推荐执行人。本方案在推荐时融合了职员个人信息，提高了针对办理过历史任务较少的职员的推荐结果的准确度。
118.本技术实施例还提供一种电子设备，请参见图6，包括存储器601和处理器602。
119.其中，存储器601用于存储计算机程序；
120.处理器602用于执行计算机程序，计算机程序被执行时，具体用于实现本技术实施例所提供的推荐任务执行人的方法。
121.本技术实施例还提供一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，具体用于实现本技术实施例所提供的推荐任务执行人的方法。
122.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排
除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
123.需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
124.专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。