本發明涉及智能協作，特別是一種基于移動互聯網的智能協作方法及系統。

背景技術：

1、隨著移動互聯網技術的快速發展和普及，協作辦公已經成為現代企業運營中不可或缺的重要組成部分。近年來，智能協作技術經歷了從簡單的任務分配系統到融合人工智能的智能化協作平臺的演進過程。傳統的協作系統主要依靠人工判斷和固定規則進行任務分配，隨后發展出基于規則引擎的半自動化任務分配系統。當前，深度學習技術的引入使得協作系統能夠通過神經網絡模型對任務特征進行深度挖掘，并結合圖計算技術分析參與者之間的協作關系網絡，這極大地提升了任務分配的智能化水平。然而，現有的智能協作系統在任務復雜度評估、參與者能力畫像構建以及任務-參與者匹配等方面仍存在局限性。傳統方法往往采用簡單的特征疊加方式評估任務復雜度，難以準確刻畫任務的多維度特征；在構建參與者能力模型時，大多僅考慮歷史任務完成情況，忽視了參與者之間的社交網絡關系對協作效果的影響；此外，現有系統在任務分配過程中未能充分利用圖神經網絡的優勢來挖掘任務依賴關系，導致任務分配效率不高。

2、現有技術存在的主要問題包括：任務特征提取不夠全面，未能有效整合任務復雜度、時間窗口和依賴關系等多維度特征；參與者能力評估模型過于簡單，缺乏對社交網絡數據的深入利用；任務分配決策機制單一，未能實現任務與參與者之間的智能化精準匹配。本發明提供的基于移動互聯網的智能協作方法屬于協作辦公技術領域，通過構建多層次的任務特征提取機制、融合社交網絡的參與者能力評估模型以及基于圖神經網絡的任務分配優化策略，有效解決了上述技術問題。

技術實現思路

1、本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本技術的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

2、鑒于上述現有存在的問題，提出了本發明。

3、因此，本發明提供了一種基于移動互聯網的智能協作方法及系統，能夠解決背景技術中提到的問題。

4、為解決上述技術問題，本發明提供如下技術方案：

5、第一方面，本發明提供了一種基于移動互聯網的智能協作方法，其包括，輸入協作任務數據，根據協作任務數據提取協作任務特征數據，所述協作任務特征數據包括任務復雜度數據、時間窗口數據和任務依賴關系數據；

6、獲取參與者歷史任務記錄和社交網絡數據，通過能力評估神經網絡模型生成參與者能力初始向量，并結合圖卷積神經網絡生成的協作能力向量進行特征融合，根據所述任務復雜度數據計算任務匹配度分數，得到參與者能力畫像數據；

7、根據所述參與者能力畫像數據，采用預設的任務分配規則對參與者進行篩選和排序，生成任務分配方案；

8、基于所述任務分配方案，向被選中的參與者發送任務邀請，并根據參與者的響應情況更新任務狀態。

9、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：提取任務復雜度數據包括接收協作任務數據，根據預設任務特征提取規則從所述協作任務數據中提取任務描述文本和任務時間參數；

10、提取時間窗口數據包括基于所述任務時間參數構建任務時間軸，生成時間窗口數據；

11、提取任務依賴關系數據包括采用圖神經網絡對所述協作任務數據進行處理，識別任務間的前置依賴關系，生成任務依賴關系數據。

12、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：所述生成參與者能力初始向量包括，

13、獲取參與者歷史任務記錄和參與者社交網絡數據，從所述參與者歷史任務記錄中提取參與者基礎特征數據，所述參與者基礎特征數據包括任務完成率、任務質量評分和任務響應時長，提取參與者基礎特征數據的計算公式如下：

14、

15、

16、其中，tcr為任務完成率，nc為已完成任務數量，nc為總任務數量，tqs為任務質量評分，qi為第i個任務的質量評分，wi為任務權重系數，trt為任務響應時長，t為任務響應結束時間，t為任務發布時間，n為任務總數。

17、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：所述特征融合包括，

18、構建深度神經網絡模型，將參與者基礎特征數據輸入深度神經網絡模型，生成參與者能力初始向量，獲得參與者能力初始向量的計算公式如下：

19、vinit＝σ(w2·relu(w1·x+b1)+b2)

20、其中，vinit為參與者能力初始向量，x為參與者基礎特征數據，w1和w2為權重矩陣，b1和b2為偏置向量，σ為tanh激活函數；

21、構建能力評估神經網絡模型，將參與者社交網絡數據輸入圖卷積神經網絡生成協作能力向量，通過特征聚合生成協作能力向量，特征聚合的計算公式如下：

22、

23、其中，為添加自環的鄰接矩陣，a為社交網絡的鄰接矩陣，i為單位矩陣，為度矩陣，h(l+1)為第l+1層節點特征矩陣，h(l)為第l層節點特征矩陣，w(l)為可學習權重矩陣，σ1為relu激活函數；

24、將參與者能力初始向量與協作能力向量進行特征融合，生成參與者綜合能力向量，特征融合的計算公式如下：

25、vf＝λ·vinit+(1-λ)·vc

26、λ＝sigmoid(mlp([vinit||vc]))

27、其中，vf為參與者綜合能力向量，vc為協作能力向量，λ為融合權重系數。

28、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：所述得到參與者能力畫像數據包括，

29、根據所述協作任務特征數據中的任務復雜度數據，對所述參與者綜合能力向量進行加權計算，生成任務匹配度分數，加權計算的公式如下：

30、

31、其中，s為任務匹配度分數，f(ci)為復雜度調節函數，用于根據任務復雜度調整評分，為所述參與者綜合能力向量的第i個分量，wi為第i個能力維度的權重系數，ci為任務復雜度指標的第i個分量，α和β為調節參數；

32、將任務匹配度分數與參與者綜合能力向量組合形成參與者能力畫像數據，即p＝[vf,s]，其中，p為參與者能力畫像數據。

33、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：所述對參與者進行篩選和排序包括，

34、按照時間窗口數據提取擁有空閑時段的參與者，篩選任務負載數量小于預設并行上限的參與者列表；

35、根據所述任務依賴關系數據對參與者列表中的每個參與者計算任務鏈接度，所述任務鏈接度通過當前任務與參與者歷史完成任務的相似度加權得到；

36、將所述任務鏈接度與所述任務匹配度分數進行加權組合得到參與者綜合評分，基于所述參與者綜合評分對所述參與者列表排序，選取綜合評分最高的n個參與者作為候選參與者；

37、所述任務分配方案包括任務id、候選參與者id、預期開始時間和預期結束時間。

38、作為本發明所述基于移動互聯網的智能協作方法的一種優選方案，其中：所述根據參與者的響應情況更新任務狀態包括，

39、根據所述任務分配方案中的候選參與者id，通過移動互聯網向候選參與者發送任務邀請信息，所述任務邀請信息包括任務描述、預期開始時間和預期結束時間；

40、接收所述候選參與者的響應數據，所述響應數據包括接受標識或拒絕標識，當包含拒絕標識的響應數據返回時，重新選取候選參與者；

41、當接收到包含接受標識的響應數據后，建立任務執行記錄，所述任務執行記錄包括任務狀態標識、實際開始時間和預計完成時間，并將所述任務執行記錄存入參與者歷史任務記錄。

42、第二方面，本發明提供了一種基于移動互聯網的智能協作系統，其包括：任務特征提取模塊、參與者能力評估模塊、任務分配優化模塊以及任務交互協作模塊；

43、所述任務特征提取模塊用于輸入協作任務數據，根據協作任務數據提取協作任務特征數據，所述協作任務特征數據包括任務復雜度數據、時間窗口數據和任務依賴關系數據；

44、所述參與者能力評估模塊用于獲取參與者歷史任務記錄和社交網絡數據，通過能力評估神經網絡模型生成參與者能力初始向量，并結合圖卷積神經網絡生成的協作能力向量進行特征融合，根據所述任務復雜度數據計算任務匹配度分數，得到參與者能力畫像數據；

45、所述任務分配優化模塊用于根據所述參與者能力畫像數據，采用預設的任務分配規則對參與者進行篩選和排序，生成任務分配方案；

46、所述任務交互協作模塊用于基于所述任務分配方案，向被選中的參與者發送任務邀請，并根據參與者的響應情況更新任務狀態。

47、第三方面，本發明提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述處理器執行所述計算機程序時實現基于移動互聯網的智能協作方法的步驟。

48、第四方面，本發明提供了一種計算機可讀存儲介質，其上存儲有計算機程序，其中：所述計算機程序被處理器執行時實現基于移動互聯網的智能協作方法的步驟。

49、與現有技術相比，本發明有益效果為通過構建多維度的任務特征提取機制，結合預設任務特征提取規則和圖神經網絡技術，實現了任務特征的全方位分析，為任務分配提供準確的數據支撐；通過融合能力評估神經網絡模型和圖卷積神經網絡，創新性地將參與者的個人能力和社交網絡數據進行特征融合，構建了全面的參與者能力畫像；基于參與者能力畫像數據，采用多維度的篩選和排序機制，引入任務鏈接度概念，實現了任務與參與者之間的智能匹配；最后通過建立完整的任務邀請和響應機制，結合任務狀態實時更新功能，實現了任務分配過程的動態管理；本發明各步驟的有機結合，不僅提高了任務特征提取的準確性和完整性，增強了參與者能力評估的全面性，優化了任務分配的合理性和協作效率，還實現了任務分配的靈活性和適應性，從而顯著提升了整體協作效率和任務完成質量，為智能協作領域提供了創新的技術解決方案。