任務統計方法及裝置制造方法及圖紙

本發明專利技術提供一種任務統計方法及裝置，其中，所述方法包括：訓練卷積神經網絡模型至收斂；通過所述卷積神經網絡模型確定任務單據的任務類型；根據任務類型生成分類編碼；將所述分類編碼發給用戶終端，以使所述用戶終端根據所述分類編碼進行任務統計。本發明專利技術操作便捷、用戶體驗好。

【技術實現步驟摘要】
任務統計方法及裝置
本專利技術涉及信息處理
，具體而言，本專利技術涉及一種任務統計方法及用戶終端。
技術介紹
常規的任務分配系統，例如保險銷售系統，一般是以任務為維度，進行銷售、穩單、售后及IB(InBoundcall，內呼)等事項處理。然而，隨著任務數量的增加，任務類型越來越多，任務預約回訪時間、最后撥打時間的跨度越來越大。繁瑣的任務查詢功能，已無法滿足時效性的要求。通過任務類型及時間跨度等條件來查詢任務，變得非常困難，因此坐席很難把控任務處理時效，造成不必要的損失。此外，常規的任務分配系統，通過堆棧的方式將任務狀態分配給各個用戶終端，用戶終端需要通過查詢才能夠確認任務類型，而用戶通常需要較長時間才能夠掌握查詢方法，而且因為操作繁瑣，導致效率低下。
技術實現思路
本專利技術的目的旨在至少能解決上述的技術缺陷之一，特別是操作繁瑣的技術缺陷。本專利技術提供了一種任務統計方法，所述方法包括：訓練卷積神經網絡模型至收斂；通過所述卷積神經網絡模型確定任務單據的任務類型；根據任務類型生成分類編碼；將所述分類編碼發給用戶終端，所述用戶終端能夠根據所述分類編碼進行任務統計。其中，所述訓練卷積神經網絡模型至收斂，包括：將具有固定格式的任務單據作為訓練樣本進行圖像化處理；將圖像化的所述訓練樣本輸入卷積神經網絡模型；對所述卷積神經網絡模型進行特征學習訓練，直至收斂。其中，所述對所述卷積神經網絡模型進行特征學習訓練，包括：對圖像化的所述訓練樣本進行歸一化處理，提取出特征；根據提取的所述特征，確定圖像化的所述訓練樣本屬于各任務類型的概率值；最高概率值對應的任務類型為激勵分類結果；通過卷積神經網絡模型中的損失函數對所述激勵分類結果與所述訓練樣本預先標定的期望分類結果進行比較，若激勵分類結果與期望分類結果相同，則所述訓練樣本的訓練結束；若激勵分類結果與期望分類結果不相同，則將所述訓練樣本重新輸入到卷積神經網絡模型中進行訓練，在重新訓練之前通過反向算法，對卷積神經網絡模型的各個權重進行調節。其中，所述根據任務類型生成分類編碼，將任務類型轉化為與用戶終端具有共識性的分類編碼；所述將所述分類編碼發給用戶終端包括：將所述分類編碼設置在發送信息的頭部；將攜帶有所述分類編碼的發送信息發送給用戶終端。其中，所述方法還包括：接收用戶終端定時發送的任務統計信息；根據所述任務統計信息對所述用戶終端分配任務。其中，所述任務統計信息包括：各類型的任務數量和各任務的完成時間；所述根據所述任務統計為所述用戶終端分配任務，包括：根據各預設類型的任務的平均處理時間，確定用戶終端的未處理任務所需的工作時長；將所述工作時長與預設的第一時間閾值進行比對，若所述工作時長大于等于預設的第一時間閾值，則停止向所述用戶終端分配新任務；若該工作時長小于預設的第一時間閾值，則向所述用戶終端分配新任務。本專利技術還提供另一種任務統計方法，包括：接收服務器發送的分類編碼；根據所述分類編碼將對應的任務放置在指定的分類位置；在滿足觸發條件時，對各分類位置的任務進行統計；按照預設的排列規則顯示任務。本專利技術實施例提供一種服務器，所述服務器包括：訓練單元，訓練卷積神經網絡模型至收斂；確定單元，通過所述卷積神經網絡模型確定任務單據的任務類型；生成單元，根據任務類型生成分類編碼；發送單元，將所述分類編碼發給用戶終端，以使所述用戶終端根據所述分類編碼進行任務統計。本專利技術實施例提供一種用戶終端，所述用戶終端包括：接收單元，接收服務器發送的分類編碼；放置單元，根據所述分類編碼將對應的任務放置在指定的分類位置；統計單元，在滿足觸發條件時，對各分類位置的任務進行統計；顯示單元，按照預設的排列規則顯示任務。本專利技術實施例還提供一種服務器，包括：存儲器，用于存儲可執行程序；處理器，用于執行所述存儲器中存儲的所述可執行程序時，實現上述任一項所述的方法。本專利技術實施例還提供一種用戶終端，包括：存儲器，用于存儲可執行程序；處理器，用于執行所述存儲器中存儲的所述可執行程序時，實現上述任一項所述的方法。本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現上述任一項所述的方法。通過本專利技術實現了根據任務類型對任務進行統計，操作簡便，能夠提高效率；而且，時效性高，用戶體驗佳。本專利技術附加的方面和優點將在下面的描述中部分給出，這些將從下面的描述中變得明顯，或通過本專利技術的實踐了解到。附圖說明本專利技術上述的和/或附加的方面和優點從下面結合附圖對實施例的描述中將變得明顯和容易理解，其中：圖1為本專利技術提供的一種任務統計方法的第一實施例的方法流程圖；圖2為本專利技術提供的一種任務統計方法的第二實施例的方法流程圖；圖3為本專利技術提供的一種任務統計方法的第三實施例的方法流程圖；圖4為本專利技術提供的另一種任務統計方法的實施例的方法流程圖；圖5為本專利技術提供的一種任務統計方法的應用設備的組成示意圖；圖6為本專利技術提供的一種任務統計方法的界面顯示的一示意圖；圖7為本專利技術提供的一種任務統計方法的界面顯示的另一示意圖；圖8為本專利技術提供的一種用戶終端的實施例的一結構示意圖；圖9為本專利技術提供的一種服務器的實施例的一結構示意圖；圖10為本專利技術提供的一種服務器的實施例的另一結構示意圖；圖11為本專利技術提供的一種用戶終端的實施例的另一結構示意圖。具體實施方式下面詳細描述本專利技術的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本專利技術，而不能解釋為對本專利技術的限制。下面對本專利技術提供的一種任務統計方法的第一實施例進行介紹，參見圖1所示，本實施例中所述方法包括：步驟101、獲取任務的特征信息；具體的，所述特征信息可以表征任務及任務的類型，所述特征信息可以包括分類編碼等標識任務分類的信息以及任務的編號信息等。步驟102、對所述特征信息進行檢測，確定任務類型；具體的，所述任務類型可以包括：包括銷售任務、內呼任務、穩單任務、售后任務；這里，在實際應用中還可以包括其他的任務類型。步驟103、根據所述特征信息生產所述任務的表頭信息；這里，所述表頭信息包括任務期限、客戶名稱；具體的，所述表頭信息中的內容還可以根據實際情況調整，例如，還可以包括部門等信息。步驟104、將所述表頭信息分配到對應的分類目錄；步驟105、對各分類目錄中的任務的數量分別進行統計，并顯示統計的結果。具體地，所述對各分類目錄中的任務的數量分別進行統計可以包括：根據預設的時間間隔，對各分類目錄中的任務的數量分別進行統計。在實際應用中，可以設置定時器，定時刷新任務統計情況，保證任務處理的時效性。由此，本實施例可以根據任務類型對任務進行統計，不僅操作簡便，能夠提高效率；而且時效性高，用戶體驗佳。下面對本專利技術提供的一種任務統計方法的第二實施例進行介紹，參見圖2所示，本實施例中所述方法包括：步驟201、獲取任務的特征信息；步驟202、對所述特征信息進行檢測，確定任務類型；所述任務類型包括銷售任務、內呼任務、穩單任務、售后任務；步驟203、根據所述特征信息生產所述任務的表頭信息；這里，所述表頭信息包括任務期限、客戶名稱；步驟204、將所述表頭信息分配到對應的分類目錄；所述分類目錄顯示在界面的第一本文檔來自技高網...

【技術保護點】
1.一種任務統計方法，其特征在于，所述方法包括：訓練卷積神經網絡模型至收斂；通過所述卷積神經網絡模型確定任務單據的任務類型；根據任務類型生成分類編碼；將所述分類編碼發給用戶終端，以使所述用戶終端根據所述分類編碼進行任務統計。

【技術特征摘要】
1.一種任務統計方法，其特征在于，所述方法包括：訓練卷積神經網絡模型至收斂；通過所述卷積神經網絡模型確定任務單據的任務類型；根據任務類型生成分類編碼；將所述分類編碼發給用戶終端，以使所述用戶終端根據所述分類編碼進行任務統計。2.根據權利要求1所述的方法，其特征在于，所述訓練卷積神經網絡模型至收斂，包括：將具有固定格式的任務單據作為訓練樣本進行圖像化處理；將圖像化的所述訓練樣本輸入卷積神經網絡模型；對所述卷積神經網絡模型進行特征學習訓練，直至收斂。3.根據權利要求2所述的方法，其特征在于，所述對所述卷積神經網絡模型進行特征學習訓練，包括：對圖像化的所述訓練樣本進行歸一化處理，提取出特征；根據提取的所述特征，確定圖像化的所述訓練樣本屬于各任務類型的概率值；最高概率值對應的任務類型為激勵分類結果；通過卷積神經網絡模型中的損失函數對所述激勵分類結果與所述訓練樣本預先標定的期望分類結果進行比較，若激勵分類結果與期望分類結果相同，則所述訓練樣本的訓練結束；若激勵分類結果與期望分類結果不相同，則將所述訓練樣本重新輸入到卷積神經網絡模型中進行訓練，在重新訓練之前通過反向算法，對卷積神經網絡模型的各個權重進行調節。4.根據權利要求1所述的方法，其特征在于，所述根據任務類型生成分類編碼，包括：將任務類型轉化為與用戶終端具有共識性的分類編碼；所述將所述分類編碼發給用戶終端包括：將所...

【專利技術屬性】
技術研發人員：袁佳，
申請(專利權)人：平安科技深圳有限公司，
類型：發明
國別省市：廣東,44