任务统计方法及装置与流程

本发明涉及信息处理技术领域，具体而言，本发明涉及一种任务统计方法及用户终端。

背景技术：

常规的任务分配系统，例如保险销售系统，一般是以任务为维度，进行销售、稳单、售后及ib(inboundcall，内呼)等事项处理。

然而，随着任务数量的增加，任务类型越来越多，任务预约回访时间、最后拨打时间的跨度越来越大。繁琐的任务查询功能，已无法满足时效性的要求。通过任务类型及时间跨度等条件来查询任务，变得非常困难，因此坐席很难把控任务处理时效，造成不必要的损失。

此外，常规的任务分配系统，通过堆栈的方式将任务状态分配给各个用户终端，用户终端需要通过查询才能够确认任务类型，而用户通常需要较长时间才能够掌握查询方法，而且因为操作繁琐，导致效率低下。

技术实现要素：

本发明的目的旨在至少能解决上述的技术缺陷之一，特别是操作繁琐的技术缺陷。

本发明提供了一种任务统计方法，所述方法包括：训练卷积神经网络模型至收敛；通过所述卷积神经网络模型确定任务单据的任务类型；根据任务类型生成分类编码；将所述分类编码发给用户终端，所述用户终端能够根据所述分类编码进行任务统计。

其中，所述训练卷积神经网络模型至收敛，包括：将具有固定格式的任务单据作为训练样本进行图像化处理；将图像化的所述训练样本输入卷积神经网络模型；对所述卷积神经网络模型进行特征学习训练，直至收敛。

其中，所述对所述卷积神经网络模型进行特征学习训练，包括：对图像化的所述训练样本进行归一化处理，提取出特征；根据提取的所述特征，确定图像化的所述训练样本属于各任务类型的概率值；最高概率值对应的任务类型为激励分类结果；通过卷积神经网络模型中的损失函数对所述激励分类结果与所述训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到卷积神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

其中，所述根据任务类型生成分类编码，将任务类型转化为与用户终端具有共识性的分类编码；所述将所述分类编码发给用户终端包括：将所述分类编码设置在发送信息的头部；将携带有所述分类编码的发送信息发送给用户终端。

其中，所述方法还包括：接收用户终端定时发送的任务统计信息；根据所述任务统计信息对所述用户终端分配任务。

其中，所述任务统计信息包括：各类型的任务数量和各任务的完成时间；所述根据所述任务统计为所述用户终端分配任务，包括：根据各预设类型的任务的平均处理时间，确定用户终端的未处理任务所需的工作时长；将所述工作时长与预设的第一时间阈值进行比对，若所述工作时长大于等于预设的第一时间阈值，则停止向所述用户终端分配新任务；若该工作时长小于预设的第一时间阈值，则向所述用户终端分配新任务。

本发明还提供另一种任务统计方法，包括：接收服务器发送的分类编码；根据所述分类编码将对应的任务放置在指定的分类位置；在满足触发条件时，对各分类位置的任务进行统计；按照预设的排列规则显示任务。

本发明实施例提供一种服务器，所述服务器包括：训练单元，训练卷积神经网络模型至收敛；确定单元，通过所述卷积神经网络模型确定任务单据的任务类型；生成单元，根据任务类型生成分类编码；发送单元，将所述分类编码发给用户终端，以使所述用户终端根据所述分类编码进行任务统计。

本发明实施例提供一种用户终端，所述用户终端包括：接收单元，接收服务器发送的分类编码；放置单元，根据所述分类编码将对应的任务放置在指定的分类位置；统计单元，在满足触发条件时，对各分类位置的任务进行统计；显示单元，按照预设的排列规则显示任务。

本发明实施例还提供一种服务器，包括：存储器，用于存储可执行程序；处理器，用于执行所述存储器中存储的所述可执行程序时，实现上述任一项所述的方法。

本发明实施例还提供一种用户终端，包括：存储器，用于存储可执行程序；处理器，用于执行所述存储器中存储的所述可执行程序时，实现上述任一项所述的方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一项所述的方法。

通过本发明实现了根据任务类型对任务进行统计，操作简便，能够提高效率；而且，时效性高，用户体验佳。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明提供的一种任务统计方法的第一实施例的方法流程图；

图2为本发明提供的一种任务统计方法的第二实施例的方法流程图；

图3为本发明提供的一种任务统计方法的第三实施例的方法流程图；

图4为本发明提供的另一种任务统计方法的实施例的方法流程图；

图5为本发明提供的一种任务统计方法的应用设备的组成示意图；

图6为本发明提供的一种任务统计方法的界面显示的一示意图；

图7为本发明提供的一种任务统计方法的界面显示的另一示意图；

图8为本发明提供的一种用户终端的实施例的一结构示意图；

图9为本发明提供的一种服务器的实施例的一结构示意图；

图10为本发明提供的一种服务器的实施例的另一结构示意图；

图11为本发明提供的一种用户终端的实施例的另一结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下面对本发明提供的一种任务统计方法的第一实施例进行介绍，参见图1所示，本实施例中所述方法包括：

步骤101、获取任务的特征信息；

具体的，所述特征信息可以表征任务及任务的类型，所述特征信息可以包括分类编码等标识任务分类的信息以及任务的编号信息等。

步骤102、对所述特征信息进行检测，确定任务类型；

具体的，所述任务类型可以包括：包括销售任务、内呼任务、稳单任务、售后任务；

这里，在实际应用中还可以包括其他的任务类型。

步骤103、根据所述特征信息生产所述任务的表头信息；

这里，所述表头信息包括任务期限、客户名称；

具体的，所述表头信息中的内容还可以根据实际情况调整，例如，还可以包括部门等信息。

步骤104、将所述表头信息分配到对应的分类目录；

步骤105、对各分类目录中的任务的数量分别进行统计，并显示统计的结果。

具体地，所述对各分类目录中的任务的数量分别进行统计可以包括：根据预设的时间间隔，对各分类目录中的任务的数量分别进行统计。

在实际应用中，可以设置定时器，定时刷新任务统计情况，保证任务处理的时效性。

由此，本实施例可以根据任务类型对任务进行统计，不仅操作简便，能够提高效率；而且时效性高，用户体验佳。

下面对本发明提供的一种任务统计方法的第二实施例进行介绍，参见图2所示，本实施例中所述方法包括：

步骤201、获取任务的特征信息；

步骤202、对所述特征信息进行检测，确定任务类型；

所述任务类型包括销售任务、内呼任务、稳单任务、售后任务；

步骤203、根据所述特征信息生产所述任务的表头信息；

这里，所述表头信息包括任务期限、客户名称；

步骤204、将所述表头信息分配到对应的分类目录；所述分类目录显示在界面的第一指定区域。

具体的，所述第一指定区域可以位于界面的左部。这里，所述界面是指用户用来查看任务，并进行点击、输入操作的用户界面，参见图6所示。

步骤205、当所述分类目录被触发时，被触发的所述分类目录的表头信息显示在界面的第二指定区域，所述第一指定区域和所述第二指定区域不重叠。

具体的，所述第二指定区域可以位于界面的右部。

在实际应用，参见图6所示，可以左侧点击任务类型，右侧可查看任务详情。当然，所述第一指定区域可以位于界面的上部，所述第二指定区域可以位于界面的下部。只要所述第一指定区域和所述第二指定区域不相互遮挡有效信息即可。

步骤206、对各分类目录中的任务的数量分别进行统计，并显示统计的结果。

由此，本实施例中，所述分类目录显示在界面的第一指定区域，当所述分类目录被触发时，被触发的所述分类目录的表头信息显示在界面的第二指定区域，所述第一指定区域和所述第二指定区域不重叠。这样，更方便查看任务的情况。

此外，为取得更好的效果，在实际应用中，本实施例的方法还可以包括：

对所述任务的期限进行监控，当确定期限到达预设的期限阈值时，发出提醒信息。

这样，可以更及时发现即将到期的任务，以便尽快处理。

此外，为取得更好的效果，在实际应用中，本实施例的方法还可以包括：

将所述表头信息与存放所述任务的详细信息的地址进行关联；

当所述表头信息被触发时，能够通过所述地址访问所述任务的详细信息。

为便于理解，参见图7所示，当任务1被触发时，界面显示任务的详细信息。具体的信息项目可以根据需要进行设置，图中项目仅起示例作用，不是具体限定。

这样，可以更方便的查看任务的详细信息，有利于任务的高效处理。

此外，为取得更好的效果，在实际应用中，本实施例的方法还可以包括：

对分类目录中的表头信息按预设规则进行排序。

具体的，可以根据完成期限或客户的重要程度，对分类目录中的表头信息进行排序。

这样，可以根据用户的需求显示排序后的结果，更便于有针对性的查询。

此外，为取得更好的效果，在实际应用中，本实施例的方法还可以包括：

根据任务的紧急程度，对分类目录中的表头信息进行区分显示。

具体的，这里的区分显示可以是给各任务设置紧急程度的标签，如非常紧急，紧急等；

使用标签进行区别，可以方便快速了解任务的状态。

当然，还可以对分类目录中的表头信息按照颜色进行标记，例如，非常紧急使用红色，紧急使用紫色等。

使用颜色进行区别，更一目了然，方便快速查看。

下面对本发明提供的一种任务统计方法的第三实施例进行介绍，参见图3所示，本实施例中所述方法包括：

步骤301、获取任务的特征信息；

步骤302、对所述特征信息进行检测，确定任务类型；

步骤303、根据所述特征信息生产所述任务的表头信息，所述表头信息包括任务期限、客户名称；

步骤304、将所述表头信息分配到对应的分类目录；

步骤305、对各分类目录中的任务的数量分别进行统计，并显示统计的结果。

步骤306、确定任务的进度信息；

步骤307、根据任务的数量和进度信息，生成调度请求信息。

由此，本实施例中，可以确定任务的进度信息，根据用户的任务的数量和进度信息，生成调度请求信息。这样，可以方便服务器对根据任务的实际情况对任务的分配进行合理的调度，确保任务的及时、高效处理。

本发明提供的一种任务统计方法的第四实施例，包括以下步骤：

步骤一、接收服务器发送的分类编码；

步骤二、根据所述分类编码将对应的任务放置在指定的分类位置；

步骤三、在满足触发条件时，对各分类位置的任务进行统计；

步骤四、按照预设的排列规则，显示任务序列。

下面对本发明提供的另一种任务统计方法的实施例进行介绍，参见图4所示，所述方法包括：

步骤401、训练卷积神经网络模型至收敛；

其中，所述训练卷积神经网络模型至收敛，可以包括：

将具有固定格式的任务单据作为训练样本进行图像化处理；将图像化的所述训练样本输入卷积神经网络模型；对所述卷积神经网络模型进行特征学习训练，直至收敛。

其中，所述对所述卷积神经网络模型进行特征学习训练，可以包括：对图像化的所述训练样本进行归一化处理，提取出特征；根据提取的所述特征，确定图像化的所述训练样本属于各任务类型的概率值；最高概率值对应的任务类型为激励分类结果；通过卷积神经网络模型中的损失函数对所述激励分类结果与所述训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到卷积神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

步骤402、通过所述卷积神经网络模型确定任务单据的任务类型；

步骤403、根据任务类型生成分类编码；

其中，所述根据任务类型生成分类编码，可以包括：将任务类型转化为与用户终端具有共识性的分类编码；将所述分类编码设置在发送信息的头部。

步骤404、将所述分类编码发给用户终端，所述用户终端能够根据所述分类编码进行任务统计。

在实际应用中，为更好的进行任务分配，所述方法还包括：接收用户终端定时发送的任务统计信息；根据所述任务统计信息对所述用户终端分配任务。

这里，所述任务统计信息包括：各类型的任务数量和各任务的完成时间；所述根据所述任务统计对所述用户终端分配任务，包括：根据行业中各类型的任务的平均处理时间，确定用户终端未处理任务所需的工作时长；将所述工作时长与预设的第一时间阈值进行比对，若所述工作时长大于等于预设的第一时间阈值，则停止向所述用户终端分配新任务；若该工作时长小于预设的第一时间阈值，则向所述用户终端分配新任务。在实际应用中，本发明的技术方案可以采用如下方式实现。

构建任务分配模型。根据应用环境需要，预设分类统计模型，分类统计模型用于检测数据库分配至用户终端的任务类型，并将任务分配至对应的分类目录下。例如，分类标准为：销售任务、内呼任务、稳单任务、售后任务。服务器将标记有“销售任务”的任务信息分配至用户终端中，任务分配模型将该任务信息分配至销售任务的项目文件中。

调用任务信息。构建任务表头信息，将任务信息中的关键性信息(任务期限、部门、客户名称)显示在任务显示区域，并将任务表头信息与任务存放地址进行关联，用户通过点击表头信息访问对应任务信息。

任务排序。根据任务的紧急程度(如完成期限或客户的重要程度)对任务信息进行排序，并设定期限监控模块，当任务期限位于设定的期限阈值后，向用户发送任务提醒信息。

任务调度。服务器对用户终端的任务量进行统计，对于部分用户承担的任务量较大，会影响任务进度的信息进行收集，在调度请示信息获得批准后，将该用户的部分任务非配置其他具有承接能力的用户。

具体地，包括以下步骤：

步骤一，通过卷积神经网络模型判断任务类型。

服务器内存储有预先训练至收敛的卷积神经网络模型，该模型用于判断任务的类型。其判断原理为：上传至服务器的任务均以任务单据的形式进行传递，每一类任务的任务单据均具有固定的格式，通过将任务单据图像化后，将其输入到卷积神经网络模型中进行特征学习训练，训练完成的卷积神经网络模型能够有效的判断任务单据的类型。

具体地，训练方式为：在对卷积神经网络模型时，首先，收集用于训练的训练样本，本实施方式中训练样本为任务单据，将任务单据输入到卷积神经网络之前，需要对该训练样本进行分类标定，即通过人工辨识的方式确定该训练样本的类型，该人工标定的结果及人们对于该训练样本的期望分类结果。

其次，将标记完成的训练样本输入到卷积神经网络模型中，卷积神经网络模型对训练样本进行归一化处理后，进行特征提取，然后根据提取特征的cos距离计算出该训练样本的属于各任务分类的概率值，并将该训练样本分类至概率值最高的分类结果中，该分类结果即为训练样本的激励分类结果。通过卷积神经网络模型中的损失函数对期望分类结果与激励分类结果进行比较，比较结果若期望分类结果与激励分类结果相同，则该训练样本的训练结束；若期望分类结果与激励分类结果不相同，则将该训练样本重新输入到卷积神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节，如此反复直至若期望分类结果与激励分类结果相同，该训练样本的训练结束。

最后，通过成千上万的训练样本持续对该卷积神经网络模型进行反复训练，直至该模型输出的期望分类结果的成功率达到人们想要的结果，例如成功率达到百分之99.9时结束训练，此时，该卷积神经网络模型训练至收敛，能够进行单据任务类型的判断。

步骤二，服务器将分类后的任务发送至用户终端，根据应用环境服务器将任务单据的分类结果转化为与用户终端具有共识性的编码，并将该编码设置在该回复信息中的head(头)部分，用户终端接收到回复信息中提取该回复信息head指定位置处的分类编码，并将该任务放置在本地存储空间内指定的分类文件夹内。

步骤三，终端应用在启动或刷新时，通过遍历的方式扫视不同分类文件夹内的任务数量，并通过控件调用不同分类文件夹内的任务。并按照任务的期限进行降幂排序，以使用户能够快速浏览和优先处理。

步骤四，用户终端定时向服务器发送未完成任务量统计，该统计信息包括：各类型的任务数量和各任务的完成时间。服务器在接收到终端上传的任务统计后，根据金融行业中各任务的平均处理时间，计算各终端未处理任务所需的工作时长，并将该工作时长与预设的第一时间阈值(两个月)进行比对，比对结果若该工作时长大于等于预设的第一时间阈值，则服务器停止向该终端分配新任务；比对结果若该工作时长小于预设的第一时间阈值，则服务器向该终端分配新任务。

此外，用户终端还可以设定监控模块，对各任务的时间进行监控，任务单据在生成时即设有完成期限，终端通过读取计时器内的时间与完成期限进行比对，当且仅当任务期限与计时器内的数据相同时，终端向用户发送提示信息。

本发明实施例提供一种服务器，如图8所示，所述服务器包括：训练单元801，训练卷积神经网络模型至收敛；确定单元802，通过所述卷积神经网络模型确定任务单据的任务类型；生成单元803，根据任务类型生成分类编码；发送单元804，将所述分类编码发给用户终端，以使所述用户终端根据所述分类编码进行任务统计。

图10为一个实施例中服务器的内部结构示意图。如图10所示，该服务器包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。

该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种任务统计方法。该计算机设备的网络接口用于与终端连接通信。

其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种任务统计方法。

处理器能实现图8所示实施例中的的训练单元、确定单元、生成单元和发送单元的功能，非易失性存储介质和存储器能实现图8所示实施例中所需的存储功能。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本发明实施例提供一种用户终端，如图9所示，所述用户终端包括：接收单元901，接收服务器发送的分类编码；放置单元902，根据所述分类编码将对应的任务放置在指定的分类位置；统计单元903，在满足触发条件时，对各分类位置的任务进行统计；显示单元904，按照预设的排列规则显示任务。

图11为一个实施例中用户终端的内部结构示意图。如图11所示，该用户终端(以下也称计算机设备)包括通过系统总线连接的处理器、非易失性存储介质、存储器、网络接口和显示器。

该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种任务统计方法。该计算机设备的网络接口用于与终端连接通信。该显示器用于显示处理器处理的结果。

其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种任务统计方法。

处理器能实现图9所示实施例中的接收单元和统计单元的功能，非易失性存储介质和存储器能实现图9所示实施例中的放置单元的功能。显示器能实现图9所示实施例中的显示单元的功能。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

服务器和用户终端之间可以交互相应的信息，参见图5，进而实现本发明的目的。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一项所述的方法。

通过本发明实现了根据任务类型对任务进行统计，操作简便，能够提高效率；而且，时效性高，用户体验佳。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

本领域普通技术人员可以理解，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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，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-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。