一种工作量分摊方法、装置、计算机设备及存储介质与流程

本发明涉及金融领域，尤其涉及一种工作量分摊方法、装置、计算机设备及存储介质。
背景技术：
：在竞争日益激烈的当今时代中，很多金融公司为了抢占更大的市场份额，都非常重视工作计划的执行力度。金融公司为了更好的执行工作计划，常常需要将预先设定的待分摊工作量分摊到各个下属部门或下各个属分公司等目标对象，但是，由于各个目标对象的工作人员的变动、工作人员的工作状态不好或各个目标对象规模变化等原因，往往分摊到各个目标对象的工作量与各个目标对象的工作能力不匹配，从而导致工作量分摊的匹配度低。技术实现要素：基于此，有必要针对上述技术问题，提供一种可以提高工作量分摊准确率的工作量分摊方法、装置、计算机设备及存储介质。一种工作量分摊方法，包括：获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合，其中，所述目标对象下属包括一个以上员工，所述员工与所述工作信息一一对应；将所述工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果作为所述各个员工的工作能力评估值，其中，所述深度学习模型是由历史工作信息和所述历史工作信息对应的员工的历史工作能力评估值作为样本训练得到的，所述工作信息与所述第一输出结果一一对应，所述员工与所述工作能力评估值一一对应；统计各个所述目标对象下属的所有员工的工作能力评估值，得到各个目标对象的对象能力值，其中，所述目标对象与对象能力值一一对应；按照各个所述目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个所述目标对象。一种工作量分摊装置，包括：获取模块，用于获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合，其中，所述目标对象下属包括一个以上员工，所述员工与所述工作信息一一对应；投入模块，用于将所述工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果作为所述各个员工的工作能力评估值，其中，所述深度学习模型是由历史工作信息和所述历史工作信息对应的员工的历史工作能力评估值作为样本训练得到的，所述工作信息与所述第一输出结果一一对应，所述员工与所述工作能力评估值一一对应；统计模块，用于统计各个所述目标对象下属的所有员工的工作能力评估值，得到各个目标对象的对象能力值，其中，所述目标对象与对象能力值一一对应；分摊模块，用于按照各个所述目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个所述目标对象。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述工作量分摊方法的步骤。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程序，所述计算机程序被处理器执行时实现上述工作量分摊方法的步骤。上述工作量分摊方法、装置、计算机设备及存储介质，首先，通过获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合，然后，将所述工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，从而得到各个员工的工作能力评估值，接下来，统计每一个目标对象下属的对象能力值，最后，按照各个目标对象的对象能力值在所有目标对象对应的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象。由于深度学习模型是预先收集大量的工作信息和所述工作信息对应的员工的工作能力评估值作为样本经过训练得到的，且样本都是该员工对应的准确的历史数据，从而深度学习模型输出的工作能力评估值便是输入的工作信息对应的员工准确的工作能力评估值，因此，由深度学习模型输出的员工对应的工作能力评估值是非常贴近员工的现状工作能力评估值，按照各个员工的现状工作能力来统计各个部门对应的所能完成的工作量，这种准确实时的统计方法无疑可以确保分摊到各个目标对象的工作量更加贴近各个目标对象在现阶段所能完成的工作量，进而提高了工作量分摊的匹配度。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。图1是本发明一实施例中工作量分摊方法的一应用环境示意图；图2是本发明一实施例中工作量分摊方法的一流程图；图3是本发明一实施例中工作量分摊方法中深度学习模型训练过程的一流程图；图4是本发明一实施例中工作量分摊方法中工作能力评估值确定及深度学习模型自我修正的一流程图；图5是本发明一实施例中工作量分摊方法中数据组对项目去重的一流程图；图6是本发明一实施例中工作量分摊装置的一示意图；图7是本发明一实施例中计算机设备的一示意图。具体实施方式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作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。本申请提供的工作量分摊方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务端进行通信。服务端获取客户端的各个目标对象下属的各个员工对应的工作信息，服务端将工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果作为各个目标对象下属的各个员工对应的工作能力评估值，服务端分别统计各个目标对象下属的所有员工对应的工作能力评估值，得到各个目标对象对应的各个对象能力值，服务端按照各个目标对象各自对应的各个对象能力值在所有目标对象对应的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在一实施例中，如图2所示，提供一种工作量分摊方法，该工作量分摊方法应用在金融行业中，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：s10：获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合。在本实施例中，目标对象下属存在一个以上员工，一个员工对应一条工作信息。具体地，通过预设的获取方式获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合。需要说明的是，预设的获取方式可以为人工收集或通过数据库提取，目标对象可以为公司或部门等，工作信息包括性别、年龄、学历和工作年限等，预设的获取方式、目标对象和工作信息的具体内容，可以根据实际应用进行设定，此处不做限制。为了更好地理解步骤s10，下面通过一个例子进行说明，具体表述如下：例如，假设预设的获取方式为人工收集，目标对象包括研发部门和营销部门，研发部门包括三个员工，第一员工为张三，第二员工为李四，第三员工为王五，营销部门包括四个员工，第四员工为黄六，第五员工为刘七，第六员工为罗八，第七员工为覃九，工作信息包括性别、年龄、学历和工作年限，则，通过人工收集获取研发部门下属的张三对应的男、35、博士研究生和7年信息，李四对应的男、30、硕士研究生和5年信息，王五对应的女、26、大学本科和4年信息的集合；通过人工收集获取营销部门下属的黄六对应的男、33、大学本科和10年信息，刘七对应的女、31、专科和9年信息，罗八对应的男、28、专科和6年信息，覃九对应的女、25、专科和3年信息的集合。s20：将工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果作为各个员工的工作能力评估值。在本实施例中工作能力评估值是指对一个员工进行工作能力评估后得到的贴近该员工的评估值，工作信息与第一输出结果一一对应。具体地，将获取到的工作信息中的各个工作信息集合作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果，并将各个第一输出结果作为各个员工的工作能力评估值，也即输入的工作信息与得到的工作能力评估值一一对应。需要说明的是，深度学习模型是由历史数据包括历史工作信息和历史工作信息对应的员工的历史工作能力评估值作为样本训练得到的。s30：统计各个目标对象下属的所有员工的工作能力评估值，得到各个目标对象的对象能力值。在本实施例中，目标对象有一个以上，对象能力值是指一个目标对象下属的所有员工对应的工作能力评估值的总和，每个目标对象对应的对象能力值不相同，目标对象与对象能力值一一对应。具体地，统计每一个目标对象下属的所有员工的工作能力评估值，得到每一个目标对象的对象能力值。需要说明的是，统计具体过程可以为按照先后顺序一个接着一个对目标对象进行统计，或者将各个目标对象分开并行执行统计。s40：按照各个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象。具体地，首先，将各个目标对象对应的对象能力值进行相加，得到所有目标对象的对象能力值的总和，然后，计算出每个目标对象所对应的对象能力值在所有目标对象的对象能力值的总和中的占比，接下来，按照占比，将预设的待分摊工作量分摊到各个目标对象。需要说明的是，预设的待分摊工作量可以为销售额或开发项目任务，预设的待分摊工作量的具体内容，可以根据实际应用进行设定，此处不做限制。为了更好地理解步骤s40，下面通过一个例子进行说明，具体表述如下：例如，假设目标对象包括第一营销部门、第二营销部门和第三营销部门，第一营销部门对应的对象能力值为2、第二营销部门对应的对象能力值为3和第三营销部门对应的对象能力值为5，预设的待分摊工作量为1000万车险保费，则首先，将2、3和5进行相加，得到10，然后，计算出第一营销部门对应的对象能力值在10中的占比为第一营销部门对应的对象能力值在10中的占比为第一营销部门对应的对象能力值在在10中的占比为接下来，按照占比和将1000万车险保费分摊到第一营销部门200万车险保费、第二营销部门300万车险保费和第三营销部门500万车险保费在图2对应的实施例中，首先，通过获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合，然后，将所述工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，从而得到各个员工的工作能力评估值，接下来，统计每一个目标对象下属的对象能力值，最后，按照各个目标对象的对象能力值在所有目标对象对应的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象。由于深度学习模型是预先收集大量的工作信息和所述工作信息对应的员工的工作能力评估值作为样本经过训练得到的，且样本都是该员工对应的准确的历史数据，从而深度学习模型输出的工作能力评估值便是输入的工作信息对应的员工准确的工作能力评估值，因此，由深度学习模型输出的员工对应的工作能力评估值是非常贴近员工的现状工作能力评估值，按照各个员工的现状工作能力来统计各个部门对应的所能完成的工作量，这种准确实时的统计方法无疑可以确保分摊到各个目标对象的工作量更加贴近各个目标对象在现阶段所能完成的工作量，进而提高了工作量分摊的匹配度。在一实施例中，该工作量分摊方法应用在金融行业中，如图3所示，步骤s20中，即深度学习模型预先训练得到具体包括如下步骤：s201：获取历史工作信息和历史工作信息对应的员工的历史工作能力评估值作为样本。在本实施例中，历史工作信息是指员工对应的工作信息的历史数据，历史工作能力评估值是指根据历史工作信息评价出的员工的工作能力评估值的历史数据。具体地，获取历史数据包括历史工作信息和历史工作信息对应的员工的历史工作能力评估值作为样本。s202：将样本中的历史工作信息作为输入投入至深度学习模型，得到第二输出结果。具体地，将获取到的样本中的历史工作信息作为输入投入至深度学习模型当中，经过深度学习模型的分析后，得到第二输出结果。s203：将第二输出结果作为目标，调整深度学习模型的隐层参数，以最小化第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差。在本实施例中，隐层参数包括神经节点数目、每次改进的步进常数、目标准确率、最大迭代次数和成本函数。具体地，将第二输出结果作为输出目标，不断地调整深度学习模型的隐层参数，从而达到第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差最小化。需要说明的是，在调整参数中，通过先调整步进常数，即观察成本函数下降的速率，修正步进常数，一方面快速下降，另一方面防止不收敛，然后，在调整合适之后再调整隐藏层节点数目，逐渐增加，准确率理论上应该是先增大，后减小，找到合适的节点数目之后，最后，逐步调高目标准确率。进一步地，预设条件可以为0.01％或0.015％，预设条件的具体内容，可以根据实际应用进行设定，此处不做限制。进一步地，判断第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差是否满足预设条件，若是，则执行步骤s204，若否，则返回执行步骤s201至步骤s203，直到该误差满足预设条件为止。s204：确定当前的深度学习模型为训练好的深度学习模型。具体地，若第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差满足预设条件，则确定当前的深度学习模型为训练好的深度学习模型；若第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差不满足预设条件。在图3对应的实施例中，通过获取历史工作信息和历史工作信息对应的员工的历史工作能力评估值作为样本，将样本中的历史工作信息作为输入投入至深度学习模型，得到第二输出结果作为目标，调整深度学习模型的隐层参数，以最小化第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差，若误差满足预设条件，则确定当前的深度学习模型为训练好的深度学习模型。由于采用大量的历史数据作为样本，历史数据包括历史工作信息和历史工作信息对应的员工的历史工作能力评估值，同时这些历史数据是按照员工的真实情况得来，且以样本中的历史工作信息作为输入投入至深度学习模型，得到输出结果，然后，将输出结果最为调整深度学习模型的输出目标，不断地采用真实有效的历史工作信息和历史工作信息对应的员工的历史工作能力评估值对调整深度学习模型的隐层参数进行调整，从而确保深度学习模型的输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差最小化，从而保证了深度学习模型输出的员工的工作能力评估值准确性。在一实施例中，该工作量分摊方法应用在金融行业中，如图4所示，在步骤s20中，即将工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果之后，该工作量分摊方法具体还包括如下步骤：s50：判断第一输出结果是否满足预设的阈值条件。具体地，判断深度学习模型的第一输出结果是否满足预设的阈值条件。需要说明的是，预设的阈值条件限定了员工对应的工作能力评估值的标准范围，预设的阈值条件可以为9工作能力评估值至12工作能力评估值，预设的阈值条件的具体内容，可以根据实际应用进行设定，此处不做限制。s60：若第一输出结果不满足预设的阈值条件，则将工作信息集合中的各个工作信息对应的输入和第一输出结果确定为负样本。具体地，若深度学习模型的第一输出结果不满足预设的阈值条件，则将工作信息集合中每个员工的工作信息对应的深度学习模型的输入和第一输出结果作为负样本。s70：若第一输出结果满足预设的阈值条件，则确定第一输出结果作为员工对应的工作能力评估值，并将工作信息集合中的各个工作信息对应的输入和第一输出结果作为正样本。具体地，若深度学习模型的第一输出结果满足预设的阈值条件，则确定该第一输出结果作为该员工对应的工作能力评估值，并将工作信息集合中每个员工的工作信息对应的深度学习模型的输入和第一输出结果作为正样本。在图4对应的实施例中，通过判断第一输出结果是否满足预设的阈值条件，若否，则将工作信息集合中的各个工作信息对应的输入和第一输出结果作为负样本，若是，则确定第一输出结果作为员工对应的工作能力评估值，并将工作信息集合中的各个工作信息对应的输入和第一输出结果作为正样本。由于员工的工作能力评估值存在一个标准范围，所以需要判断深度学习模型的输出结果是否在标准范围内，当深度学习模型的输出结果不是在标准范围内，则将该员工对应的工作信息和该输出结果作为负样本，当深度学习模型的输出结果是在标准范围内，则将该输出结果作为该员工对应的工作能力评估值，并将该员工对应的工作信息和该输出结果作为正样本，从而可以保证深度学习模型分析得到输出结果的同时，也可以达到训练修正误差的效果，进而提高了深度学习模型分析能力的准确率。在一实施例中，该工作量分摊方法应用在金融行业中，预设的待分摊工作量包括数据类型，数据类型包括份数、保额和年缴保费，步骤s40具体为按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象具体包括如下步骤：s401：若预设的待分摊工作量的数据类型为份数、保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象。在本实施例中，数据类型可以为份数、保额和年缴保费三者中的其中之一，也可以为三者中的两两组合，或份数、保额和年缴保费的组合。具体地，若预设的待分摊工作量的数据类型为份数、保额和年缴保费的组合，则将份数作为优先分摊字段，并按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象，其中，保额和年缴保费作为备用分摊字段。s402：若预设的待分摊工作量的数据类型为保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的保额分摊到各个目标对象。具体地，若预设的待分摊工作量的数据类型为保额和年缴保费的组合，则将保额作为优先分摊字段，并按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的保额分摊到各个目标对象，其中，年缴保费作为备用分摊字段。进一步地，若预设的待分摊工作量的数据类型为份数和保额的组合，则将份数作为优先分摊字段，并按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象，其中，保额作为备用分摊字段。s403：若预设的待分摊工作量的数据类型为年缴保费，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的年缴保费分摊到各个目标对象。具体地，若预设的待分摊工作量的数据类型为年缴保费，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的年缴保费分摊到各个目标对象。进一步地，若预设的待分摊工作量的数据类型为份数和年缴保费的组合，则将份数作为优先分摊字段，并按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象，其中，年缴保费作为备用分摊字段。需要说明的是，优先分摊字段和备用分摊字段的具体内容，可以根据实际应用进行设定，此处不做限制。在一实施例中，若预设的待分摊工作量的数据类型为份数、保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象，若预设的待分摊工作量的数据类型为保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的保额分摊到各个目标对象，若预设的待分摊工作量的数据类型为年缴保费，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的年缴保费分摊到各个目标对象。由于数据类型的内容是多种字段，所以当将待分摊工作量分摊到各个目标对象时，可以避免待分摊工作量缺少分摊字段而导致分摊失败，即当将待分摊工作量分摊到各个目标对象时，待分摊工作量没有份数分摊字段而导致分摊失败，或待分摊工作量没有份数或保额分摊字段而导致分摊失败，进而提高了工作量分摊的成功率。在一实施例中，该工作量分摊方法应用在金融行业中，如图5所示，在步骤s10中，即获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合之前，该工作量分摊方法具体还包括如下步骤：s80：获取第一数据组和第二数据组。在一实施例中，第一数据组和第二数据组是指数据表格，数据表格里面包括一个以上的列和一个以上行，项目是指第一数据组和第二数据组中的行，也即第一数据组和第二数据组时由一个以上的项目组合成。具体地，通过预设的获取方式获取第一数据组和第二数据组。需要说明的是，预设的获取方式可以为从财务系统中获取到，也可以手工填入表格获取得到，预设的获取方式的具体内容，可以根据实际应用进行设定，此处不做限制。s90：按照预设的类别将获取到的第一数据组进行分类，得到第一子数据组。在本实施例中，预设的类别是指按照业务功能进行分割的类别。获取到的第一数据组是指与业务相关的数据组合。具体地，按照预设的类别将获取到的第一数据组进行分类，得到第一子数据组。需要说明的是，预设的类别可以为ind、goat、guar、uv、ul、short、pua或wb，其中，ind为传统险，goat为山羊险，guar为保证续保，uv为万能险，ul为投连险，short为短险，pua为缴清增额，wb为外币险。获取到的第一数据组可以为保险数据信息表或房源信息表等，预设的类别的具体内容，可以根据实际应用进行设定，此处不做限制。s100：按照预设的类别将获取到的第二数据组进行分类，得到第二子数据组。在本实施例中，获取到的第二数据组为保险数据信息表或房源信息表等。具体地，按照预设的类别将获取到的第二数据组进行分类，得到第二子数据组。进一步地，获取到的第一数据组和获取到的第二数据组可以存储在数据库中，也可以存储在如磁盘等其他存储设备中。s110：将第一子数据组与第二子数据组对项目去重后的子数组中的每个项目作为预设的待分摊工作量。具体地，将完成第一子数据组与第二子数据组对项目去重后的子数组中的各个项目作为预设的待分摊工作量。为了更好地理解步骤s80、步骤s90和步骤s100，下面通过一个例子进行说明，具体表述如下：例如，假设预设的类别为车险、意外险和大病住院险，预设的第一数据组为保险组合信息表，预设的第二数据组为保险组合信息表，则，按照车险、意外险和大病住院险将保险组合信息表进行分类，得到第一子数据组为第一表格，第二子数据组为第二表格，然后，将第一表格与第二表格进行项目去重后，得到第三表格、第四表格和第五表格中的项目作为预设的待分摊工作量，其中，“车险实施部中国100000”、“意外险意外险实施部中国200000”和“大病住院险寿险实施部中国300000”为项目，第一表格，第二表格，第三表格，第四表格和第五表格具体如下：第一表格第二表格产品部门区域当前发生额车险车险实施部中国1000000大病住院险寿险实施部中国300000第三表格产品部门区域销售额车险车险实施部中国1000000意外险意外险实施部中国200000第四表格产品部门区域销售额车险车险实施部中国1000000第五表格产品部门区域当前发生额大病住院险寿险实施部中国300000的五个表格。在图5对应的实施例中，首先，按照预设的类别将预设的第一数据组进行分类，得到第一子数据组，然后，按照预设的类别将预设的第二数据组进行分类，得到第二子数据组，最后，将完成第一子数据组与第二子数据组去重后的子数组的工作任务作为预设的待分摊工作量。由于按照预设的类别对预设的第一数据组和预设的第二数据组进行分组，且将分组后的子数据组进行去重处理，从而可以避免花费时间对重复的工作量进行分摊，进而提高了工作量分摊效率。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。在一实施例中，提供一种工作量分摊装置，该工作量分摊装置与上述实施例中工作量分摊方法一一对应。如图6所示，该工作量分摊装置包括获取模块71、投入模块72、统计模块73和分摊模块74。各功能模块详细说明如下：第一获取模块71，用于获取不同目标对象下属的各个员工对应的工作信息以得到工作信息集合，其中，目标对象下属包括一个以上员工，所述员工与所述工作信息一一对应；投入模块72，用于将工作信息集合中的各个工作信息作为输入投入至预先训练好的深度学习模型，得到各个第一输出结果作为各个员工的工作能力评估值，所述工作信息与所述第一输出结果一一对应，所述员工与所述工作能力评估值一一对应；统计模块73，用于统计各个目标对象下属的所有员工的工作能力评估值，得到各个目标对象的对象能力值，其中，所述目标对象与对象能力值一一对应；分摊模块74，用于按照各个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量分摊到各个目标对象。可选地，投入模块72包括：提取子模块721，用于获取历史工作信息和历史工作信息对应的员工的历史工作能力评估值作为样本；加入子模块722，用于将样本中的历史工作信息作为输入投入至深度学习模型，得到第二输出结果；调整子模块723，用于将第二输出结果作为目标，调整深度学习模型的隐层参数，以最小化第二输出结果与样本中的历史工作信息对应的员工的历史工作能力评估值的误差；确定子模块724，用于若误差满足预设条件，则确定当前的深度学习模型为训练好的深度学习模型。可选地，该工作量分摊装置还包括：判断模块75，用于判断第一输出结果是否满足预设的阈值条件；第一作为模块76，用于若第一输出结果不满足预设的阈值条件，则将工作信息集合中的各个工作信息对应的输入和第一输出结果确定为负样本；断定模块77，用于若第一输出结果满足预设的阈值条件，则确定第一输出结果作为员工对应的工作能力评估值，并将工作信息集合中的各个工作信息对应的输入和第一输出结果确定为正样本。可选地，分摊模块74包括：第一摊派子模块741，用于若预设的待分摊工作量的数据类型为份数、保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的份数分摊到各个目标对象；第二摊派子模块742，用于若预设的待分摊工作量的数据类型为保额和年缴保费的组合，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的保额分摊到各个目标对象；第三摊派子模块743，用于若预设的待分摊工作量的数据类型为年缴保费，则按照每个目标对象的对象能力值在所有目标对象的对象能力值的总和中的占比，将预设的待分摊工作量的年缴保费分摊到各个目标对象。可选地，该工作量分摊装置还包括：第二获取模块78，用于获取第一数据组和第二数据组；第一得到模块79，用于按照预设的类别将获取到的第一数据组进行分类，得到第一子数据组；第二得到模块710，用于按照预设的类别将获取到的第二数据组进行分类，得到第二子数据组；第二作为模块711，用于将第一子数据组与第二子数据组对项目去重后的子数组中的每个项目作为预设的待分摊工作量。关于工作量分摊装置的具体限定可以参见上文中对于工作量分摊方法的限定，在此不再赘述。上述工作量分摊装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于工作量分摊方法涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种工作量分摊方法。在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例工作量分摊方法的步骤，例如图2所示的步骤s10至步骤s40。或者，处理器执行计算机程序时实现上述实施例中工作量分摊装置的各模块/单元的功能，例如图6所示获取模块71至分摊模块74的功能。为避免重复，这里不再赘述。在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中工作量分摊方法，或者，该计算机程序被处理器执行时实现上述装置实施例中工作量分摊装置中各模块/单元的功能。为避免重复，这里不再赘述。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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。当前第1页12