本发明涉及人工智能技术领域，特别涉及一种房源任务分配方法和计算机可读存储介质。
背景技术：
目前在房产交易——例如二手房交易中，可以将从房源被录入到成交的整个流程分为多个阶段性任务，该多个阶段性任务可以分配给例如经纪人来执行。
然而，已有的房源任务分配方式通常是自由分配模式，各个任务的下发都是孤立进行的，没有一个统筹的管理中控来控制任务的分发。以此方式，当任务量多起来后，会导致被分配的任务执行效率及质量不容易保证，进而导致用户体验下降，甚至会影响交易结果，由此很难保证平台整体收益效果的最大化。
需要说明的是，以上背景技术部分所公开的信息仅用于增强对本发明背景的理解，因此其可能包含不构成对本领域技术人员已知的现有技术的信息。
技术实现要素：
为了解决现有技术中存在的问题，本发明提供一种房源任务分配方法和介质，其能够依据经纪人的能力特点、交易市场的客观规律以及当前任务的执行情况，同时考虑经纪人合作网络（acn）合作关系，做出最优分配决策，从而促进各个交易内部任务保质保量完成，进而优化交易结果，从而克服现有技术中存在的问题。
本发明提供一种房源任务分配方法，包括以下步骤：创建以总收益最大化为目的的目标优化模型以及所述目标优化模型的约束条件；获取目标数据，所述目标数据包括房源任务集合和执行单元集合；基于所述目标数据以及所述目标优化模型的约束条件对所述目标优化模型求最优解；以及根据求得的目标优化模型的最优解生成房源任务分配策略，所述以总收益最大化为目的的目标优化模型通过下式表示：
y=max｛（i） （ⅱ） （ⅲ）｝
式中，（i）为表示将房源任务分配给了执行单元的当前及长期收益的函数；（ⅱ）为表示执行单元当天没有被分配房源任务，根据当时场景下第二天及之后的期望的收益的函数；（ⅲ）为表示房源任务当天没有被分配出去的默认收益的函数。
根据本发明一实施例，所述表示将房源任务分配给了执行单元的当前及长期收益的函数通过下式表示：
式中，i代表房源交易的编号；j代表房源任务的编号；k代表执行单元的编号；xijk代表是否将房源交易i中的房源任务j分配给执行单元k；fscore（x）代表执行单元执行房源任务对应的当前房源任务奖励预测；ffuture（s）代表执行单元在结束当前房源任务后在第一预定时间周期内获得的未来房源任务奖励期望。
根据本发明一实施例，所述fscore（x）通过创建fscore（x）预测模型来获得，所述fscore（x）预测模型基于对历史数据中的第一特征集合和第一标签值的学习而创建，其中所述第一特征集合包括房源任务特征和执行单元特征，所述第一标签值表示房源任务所属的房源交易是否成交；并且/或者所述ffuture（s）通过创建ffuture（s）预测模型来获得，所述ffuture（s）预测模型基于强化学习通过下式拟合而成：
式中，fstate_1（s）代表状态s下的房源任务奖励期望；α1代表第一学习率；instantreward1代表离开该状态s时的第一即时奖励；
ffuture（s）中的状态特征包括以下特征中的一个或多个：房源交易的房屋属性特征、交易市场火热程度、执行单元能力特征、当前执行单元负载程度、当前房源交易所包括的房源任务的分配情况、当前被分配的房源交易所包括的房源任务。
根据本发明一实施例，所述第一特征集合包括以下特征中的一个或多个：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、执行单元能力特征、房源交易被录入的天数。
根据本发明一实施例，所述表示执行单元当天没有被分配房源任务，根据当时场景下第二天及之后的期望的收益的函数通过下式表示：
式中，i代表房源交易的编号；j代表房源任务的编号；k代表执行单元的编号；xijk代表是否将房源交易i中的房源任务j分配给执行单元k；fnext（s）代表执行单元当前未被分配房源任务，在接下来的第二预定时间周期内获得的未来房源任务奖励期望。
根据本发明一实施例，所述fnext（s）通过创建fnext（s）预测模型来获得，所述fnext（s）预测模型基于强化学习通过下式拟合而成：
式中，fstate_2（s）代表某一状态s下的房源任务奖励期望；α2代表第二学习率；instantreward2代表离开该状态s时的第二即时奖励；
根据本发明一实施例，所述表示房源交易中的房源任务当天没有被分配出去的默认收益的函数通过下式表示：
式中，i代表房源交易的编号；j代表房源任务的编号；k代表执行单元的编号；xijk代表是否将房源交易i中的房源任务j分配给执行单元k；fdefault（x）代表当天没有执行单元执行该房源任务时对应的当前奖励预测。
根据本发明一实施例，所述fdefault（x）通过创建fdefault（x）预测模型来获得，所述fdefault（x）预测模型基于对历史数据中的第二特征集合和第二标签值的学习而创建，其中所述第二特征集合包括房源任务特征，所述第二标签值表示当天没有执行单元执行该房源任务时该房源任务所属的房源交易是否成交。
根据本发明一实施例，所述第二特征集合包括以下特征中的一个或多个：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、房源交易被录入的天数。
根据本发明一实施例，所述目标优化模型的约束条件包括：
执行单元数量约束：
房源任务数量约束：
分配方式约束：
根据本发明一实施例，基于所述目标数据以及所述目标优化模型的约束条件对所述目标优化模型求最优解还包括：基于km算法对所述房源任务集合中的多个房源任务和所述执行单元集合中的多个执行单元进行动态匹配，得到最优匹配结果；基于所述最优匹配结果，对所述目标优化模型求最优解。
根据本发明的另一方面，还提供一种房源任务分配装置，包括：目标优化模型创建模块，其被配置为：创建以总收益最大化为目的的目标优化模型以及所述目标优化模型的约束条件；目标数据获取模块，其被配置为：获取目标数据，所述目标数据包括房源任务集合和执行单元集合；目标优化模型求解模块，其被配置为：基于所述目标数据以及所述目标优化模型的约束条件对所述目标优化模型求最优解；以及分配策略生成模块，其被配置为：根据求得的目标优化模型的最优解生成房源任务分配策略。
根据本发明一实施例，在所述目标优化模型创建模块中创建的以总收益最大化为目的的目标优化模型通过下式表示：
y=max｛（i） （ⅱ） （ⅲ）｝
其中，（i）为表示将房源任务分配给了执行单元的当前及长期收益的函数，用公式表示为：
执行单元数量约束：
房源任务数量约束：
分配方式约束：
根据本发明一实施例，所述目标优化模型求解模块还包括：动态匹配子模块，其被配置为：基于km算法对所述房源任务集合中的多个房源任务和所述执行单元集合中的多个执行单元进行动态匹配，得到最优匹配结果；求解最优解子模块，其被配置为：基于所述最优匹配结果，对所述目标优化模型求最优解。
根据本发明的另一方面，还提供一种计算机设备，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，所述处理器执行所述程序时实现如上所述的房源任务分配方法的步骤。
根据本发明的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的房源任务分配方法的步骤。
根据本发明的另一方面，还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现如上所述的房源任务分配方法的步骤。
本发明所提供的房源任务分配方法和介质，通过强化学习来建模任务的动态表示，克服了非静态优化的难点；同时，任务分配考虑了每个经纪人的能力特点，有助于提高作用效果。
附图说明
以下将详细参考附图示出的特定示例性实施例，对本发明的上述和其他特征进行说明，所述示例性实施例在下文中仅以说明的方式给出，因此并不限制本发明，其中：
图1示出根据本发明一实施例的房源任务分配方法的流程图。
图2示出根据本发明另一实施例的房源任务分配方法的流程图。
图3示出根据本发明一实施例的生成房源任务分配策略的装置的结构示意图。
图4示出根据本发明一实施例的图3的目标优化模型求解模块的结构示意图。
具体实施方式
以下通过具体实施例对本发明进行详细描述，以使本领域普通技术人员能够容易地根据本说明书公开的内容实施本发明。以下所描述的实施例仅是本发明的一部分实施例，而非全部。基于本说明书所描述的实施例，本领域普通技术人员在不付出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。需要说明的是，在不发生冲突的情况下，本说明书中的实施例及实施例中的特征可以相互组合。
为了解决现有技术中存在的问题，需要将任务进行统筹分发，即将所有任务的下发交给一个中间的第三方（中控）来进行统一分配，这样所有任务的下发可以通过中控基于一定的策略而变得有序。但是，目前面临的经纪人任务分配的难点在于：任务是动态到达调度系统，由于不知道未来事件，调度系统无法直接获取到全局任务列表来进行静态的最优化技术；不同任务之间会存在相互关联关系，无法通过将任务单独计算来降低系统复杂度；需要优化的目标较多，且各类任务作用方式、作用效果各不相同，加大了综合决策难度。
因此，需要一种提供房源任务最优分配策略的方法，同时能够解决任务动态到达调度系统问题、依据经纪人能力进行任务分配问题、实现总收益的最大化问题。
需要说明的是，本发明所述的执行单元可以指房产经纪人，也可以指执行房源任务的其他人员、设备或程序等，本说明书为了便于说明，在具体实施例中常以经纪人为例进行阐述，但并非意在对执行单元进行限制。
如图1所示，本发明提供了一种房源任务分配方法100。具体地，方法100包括在s110处创建以总收益最大化为目的的目标优化模型及其约束条件；在s120处获取目标数据；在s130处基于目标数据以及目标优化模型的约束条件对目标优化模型求最优解；在s140处根据求得的目标优化模型的最优解生成房源任务分配策略。
其中，方法100在s110处创建以总收益最大化为目的的目标优化模型以及所述目标优化模型的约束条件。具体来说，在房产领域，总收益可以包括房产公司或平台的收益和经纪人的收益，而且，在一些情况下，这两种收益之间也是可以互相转化的。因此，本发明所述的总收益可以至少涵盖上述不同收益的概念，在下文的具体实施例中，将会对此进一步详细说明。
在本发明一个或多个实施例中，在创建目标优化模型之前，可以先做如下的场景假设（该场景基于现实中遇到的任务分配问题而拟定）：
(1)每个房源在录入后包含多个任务需要分配，例如，可包含以下五个任务：房源维护、委托备件（例如与委托人签署出售/出租委托协议、备份相关证明文件等）、房源钥匙（例如妥善管理用户委托的房产及钥匙，防止可预见的意外或损失发生等）、vip服务、房源实勘；
(2)各个任务之间没有相互依赖关系，不存在执行顺序上的约束；
(3)每个经纪人有其所擅长的能力图谱，例如对应各个任务的能力图谱，各项满分为5分；
(4)经纪人各项能力的高低会影响该项任务的执行效果以及执行时间，其中执行时间最多持续到交易完成或停止；
(5)各项任务的执行效果会影响该笔交易最终完成的耗时时间和交易成功率；
(6)每个经纪人有自己的精力上限，每日的工作总量不能超过其精力上限；
(7)每个任务在同一时刻最多只能由一个经纪人来执行，其中经纪人可以未被分配任务；
(8)无论交易最终是否达成，经纪人完成任务就可获得相应的收益；
(9)经纪人在执行某个任务时，都是在任务成功或失败后才会停止，中途不会进行任务改派。
基于上述场景假设，任务会随时间而动态变化，而且还需兼顾每个经纪人的能力特点来分派任务。
藉此，在本发明一优选实施例中，可以将以总收益最大化为目的的目标优化模型可以创建为下式（1）：
y=max｛（i） （ⅱ） （ⅲ）｝（1）
式中的（i）-（ⅲ）部分分别可以通过下文（2）-（4）所示的函数来表示：
（i）：
（ⅱ）：
（ⅲ）：
式中，i代表房源交易的编号；j代表房源任务的编号；k代表执行单元的编号；xijk代表是否将房源交易i中的房源任务j分配给执行单元k。
首先，对于目标优化模型中的（i）部分——
其中，fscore（x）代表执行单元执行房源任务对应的当前房源任务奖励预测；ffuture（s）代表执行单元在结束当前房源任务后在第一预定时间周期内获得的未来房源任务奖励期望，其中，所述第一预定时间周期可以是执行一个任务时剩余的时间。
在本发明一个或多个实施例中，所述fscore（x）通过创建fscore（x）预测模型来获得，所述fscore（x）预测模型基于对历史数据中的第一特征集合和第一标签值的学习而创建，其中所述第一特征集合包括房源任务特征和执行单元特征，所述第一标签值表示房源任务所属的房源交易是否成交。具体来说，可以从经纪人实际执行任务的离线日志数据获取所述第一特征集合中的各特征所对应的特征值，并作为输入特征，同时将房源交易最终是否成交作为标签对模型进行训练，训练好的fscore（x）预测模型可以通过输入目标数据中对应于第一特征集合中的各特征的特征值得到房源成交的概率，然后基于预定的算法将该概率值转换为当前任务奖励值。
在本发明一优选实施例中，所述第一特征集合可以包括以下特征中的一个或多个：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、执行单元能力特征、房源交易被录入的天数。进一步地，每个经纪人有自己的能力图谱，例如对应各个任务的能力图谱，各项满分为5分，可以基于该能力图谱形成所述执行单元能力特征。同样进一步地，所述房源交易的房屋属性特征可以包括：价格、面积、地理位置、户型等。例如，所述fscore（x）可以表示为fscore（features[i],j,person[k],days）即该预测模型中的输入特征分别为：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、执行单元能力特征、房源交易被录入的天数。
额外地或可替代地，所述第一特征集合还可以包括单边比的得分。具体来说，在房产领域，单边比可以通过下式（5）来表示：
式中，n表示总交易单数；ei表示参与第i单的经纪人数；a表示经纪人总数。举例来说，假设共有7个经纪人，他们完成的总交易单数为3，其中有4个经纪人参与了第一单交易，有2个经纪人参与了第二单交易，有3个经纪人参与了第三单交易，则经上式（1）计算出单边比约为1.28。单边比是衡量人效的重要指标，单边比越高，人效越高，反之，则越低。通过构建acn能够为提高单边比奠定较好的基础。例如，在遵守房源信息充分共享等规则前提下，同品牌或跨品牌经纪人之间可以以不同的角色共同参与到一笔交易，成交后可以按照各个角色的分佣比例进行佣金分成。单边比可以是每单交易成交后计算得出的，也可以是每单交易未成交之前针对每个任务的阶段性的得分。
在本发明一个或多个实施例中，所述ffuture（s）通过创建ffuture（s）预测模型来获得，所述ffuture（s）预测模型基于强化学习拟合而成。
如本领域技术人员所知晓的，时序差分学习（tdlearning）指的是一类无模型的强化学习方法，它是从当前价值函数估计的自举（bootstrap）过程中学习的。tdlearning对值函数更新的框架一般如下式（6）所示：
利用上式（6），可以更新状态的价值估计。具体地，其在估计某一个状态的价值时，是基于离开该状态时的即时奖励rt 1和下一状态st 1的预估状态价值来替代当前状态在状态序列结束时可能得到的收益。需要说明的是，对于上式（6）中的各参数的具体含义，将在下文结合具体实施例进行详细说明。
基于此，所述ffuture（s）可以通过下式（7）拟合而成：
式中，fstate_1（s）代表状态s下的房源任务奖励期望；α1代表第一学习率；instantreward1代表离开该状态s时的第一即时奖励；
在本发明一个或多个实施例中，ffuture（s）中的状态特征可以包括以下特征中的一个或多个：房源交易的房屋属性特征、交易市场火热程度、执行单元能力特征、当前执行单元负载程度、当前房源交易所包括的房源任务的分配情况、当前被分配的房源交易所包括的房源任务。
综上，所述（i）部分的含义为：将房源交易中的房源任务分配给了执行单元的当前及长期收益。容易理解地，当经纪人完成某一房源任务时，即可获得相应的收益，即为当前收益，而当前所完成的任务也会对随后的整个房源交易的流程有着影响，例如影响房源交易后续任务的执行、房源交易的最终成交等，即需要将该影响所带来的收益同样纳入到总收益中，因此所述（i）部分同时考虑了当前及长期的收益。
其次，对于目标优化模型中的（ⅱ）部分——
其中，fnext（s）代表执行单元当前未被分配房源任务，在接下来的第二预定时间周期内获得的未来房源任务奖励期望，其中，所述第二预定时间周期可以是执行一个任务时剩余的时间。
在本发明一个或多个实施例中，所述fnext（s）通过创建fnext（s）预测模型来获得，所述fnext（s）预测模型基于强化学习通过下式（8）拟合而成：
式中，fstate_2（s）代表某一状态s下的房源任务奖励期望；α2代表第二学习率；instantreward2代表离开该状态s时的第二即时奖励；
在本发明一个或多个实施例中，fnext（s）中的状态特征可以包括以下特征中的一个或多个：房源交易的房屋属性特征、交易市场火热程度、执行单元能力特征、当前执行单元负载程度、当前房源交易所包括的房源任务的分配情况。
综上，所述（ⅱ）部分的含义为：执行单元当天没有被分配房源任务，根据当时场景下第二天及之后的期望的收益。同样容易理解地，当经纪人没有被分配任务时，其当前是没有相应收益的，但这同样也会对随后的整个房源交易的流程有着影响，例如影响房源交易后续任务的执行、房源交易的最终成交等，即需要将该影响所带来的收益同样纳入到总收益中，因此所述（ⅱ）部分考虑了执行单元没有被分配任务的场景下第二天及之后的期望的收益。
再次，对于目标优化模型中的（ⅲ）部分——
其中，fdefault（x）代表当天没有执行单元执行该房源任务时对应的当前奖励预测。
在本发明一个或多个实施例中，所述fdefault（x）通过创建fdefault（x）预测模型来获得，所述fdefault（x）预测模型基于对历史数据中的第二特征集合和第二标签值的学习而创建，其中所述第二特征集合包括房源任务特征，所述第二标签值可以表示当天没有执行单元执行该房源任务时该房源任务所属的房源交易是否成交，例如在该天是否成交。具体来说，可以从离线日志数据获取所述第二特征集合中的各特征所对应的特征值，并作为输入特征，同时将房源交易在该天是否成交作为标签对模型进行训练，训练好的fdefault（x）预测模型可以通过输入目标数据中对应于第二特征集合中的各特征的特征值得到房源成交的概率，然后基于预定的算法将该概率值转换为当前任务奖励值的预测。
在本发明一优选实施例中，所述第二特征集合可以包括以下特征中的一个或多个：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、房源交易被录入的天数。进一步地，所述房源交易的房屋属性特征可以包括：价格、面积、地理位置、户型等。例如，所述fdefault（x）可以表示为fdefault（feature[i],j,days），即该预测模型中的输入特征分别为：房源交易的房屋属性特征、房源交易所包括的房源任务的编号、房源交易被录入的天数。
综上，所述（ⅲ）部分的含义为：房源交易中的房源任务当天没有被分配出去的默认收益。同样容易理解地，当房源任务没有被分配出去时，其当前是没有产生相应收益的，但这同样也会对随后的整个房源交易的流程有着影响，例如影响房源交易后续任务的执行、房源交易的最终成交等，即需要将该影响所带来的收益同样纳入到总收益中，因此所述（ⅲ）部分考虑了房源任务没有被出去的场景下的默认收益。
在本发明一个或多个实施例中，所述目标优化模型的约束条件通过下式（9）-（11）来表示：
具体来说，对于上式（9）所示的约束条件——
具体来说，对于上式（10）所示的约束条件——
具体来说，对于上式（11）所示的约束条件——
值得说明的是，对于本发明所述实施例中所出现的一些参数，例如第一学习率、第二学习率、第一折扣因子、第二折扣因子、第一预定时间周期、第二预定时间周期，本领域技术人员可以根据实际情况进行设置，本发明对此不进行限制。
回到图1，方法100随后在步骤s120处获取目标数据，所述目标数据包括房源任务集合和执行单元集合。具体来说，可以将数据库中待分配的多个房源任务中的至少一部分组成房源任务集合，并将待分配任务的多个执行单元——例如经纪人——中的至少一部分组成执行单元集合。
随后，方法100可在步骤s130处基于所述目标数据以及所述目标优化模型的约束条件对所述目标优化模型求最优解。在本发明一个或多个实施例中，对于上文式（1）中所示的（i）-（ⅲ）部分，将这三个部分整体进行优化，就是对当前任务以及未来预期任务的统一最优决策，即该目标优化模型的最优解，该最优解可以显示出房源任务与执行单元的最优配对结果。
随后，方法100在s140处根据求得的目标优化模型的最优解生成房源任务分配策略。具体来说，基于求得的最优解给出了房源任务与执行单元的最优配对结果，则可以生成最终的房源任务分配策略。
参考图2，其显示了根据本发明另一实施例的房源任务分配方法200。具体地，方法200包括在s210处创建以总收益最大化为目的的目标优化模型及其约束条件；在s220处获取目标数据；在s230处基于km算法对多个房源任务和多个执行单元进行动态匹配，得到最优匹配结果；在s240处基于所述最优匹配结果，对目标优化模型求最优解；在s250处根据求得的目标优化模型的最优解生成房源任务分配策略；在s260处判断是否同时有房源任务和执行单元未分配：如果答案为是，则方法200返回s230处，并再次执行步骤s230-s260；如果答案为否，则方法200前进至s270处，以结束该方法200的流程。
在该方法200中，所述步骤s210-s220可以基于与上文结合图1所示的步骤s110-s120类似的方法来实施，这里不再赘述。
方法200在s230处基于km算法对所述房源任务集合中的多个房源任务和所述执行单元集合中的多个执行单元进行动态匹配，得到最优匹配结果。具体来说，为了得到房源任务与经纪人之间的最优匹配，本发明将该匹配问题等价于二分图最优匹配问题。进一步地，可以采用km算法（时间复杂度o(n3)）来解决该二分图最优匹配问题。基于km算法，可以为所有的经纪人以及所有的房源任务都找到最优的匹配结果，即获得房源任务与经纪人之间的最优匹配。
随后，方法200在s240处基于所述最优匹配结果，对所述目标优化模型求最优解。具体来说，基于房源任务与经纪人之间的最优匹配结果，可以有不同的组合方式，这些不同的组合方式中可以包括基于km算法匹配好的任务和经纪人，还可以设置一些经纪人未被分配任务和/或设置一些任务未被分配给经纪人。接着，将这些不同的组合方式输入到目标优化模型中，计算出的目标优化模型值最大的组合方式即为目标优化模型的最优解。
随后，方法200在s250处根据求得的目标优化模型的最优解生成房源任务分配策略。对于该步骤，可以基于与上文结合图1所示的步骤s140类似的方法来实施。进一步地，在本发明一优选实施例中，由于计算出的目标优化模型的最优解所对应的组合方式中可以包括基于km算法匹配好的任务和经纪人，还可以包括一些经纪人未被分配任务和/或设置一些任务未被分配给经纪人，因此只将其中被匹配的任务和经纪人作为结果生成最终的房源任务分配策略，而不将那些未被分配的任务和/或经纪人纳入到最终的房源任务分配策略中。
随后，方法200在s260处判断是否同时有房源任务和执行单元未分配：如果答案为是，则方法200返回s230处，并再次执行步骤s230-s260；如果答案为否，则方法200前进至s270处，以结束该方法200的流程。具体来说，通过对目标优化模型的一次求解，可能不能将所有的任务和经纪人都进行配对，正如上文所述的最优解的组合方式可以包括未被分配的任务和/或经纪人，基于此，当同时存在未被分配的任务和经纪人时，则意味着这些任务和经纪人还存在再一次的配对的可能，因此可以将这些任务和经纪人再次执行步骤s230-s260。当不满足同时有房源任务和执行单元未分配的条件时，方法200前进至s270处，以结束该方法200的流程。
在本发明一优选实施例中，执行步骤s230-s260的循环可以根据为目标优化模型的值设置的预定阈值来控制执行的次数，也可以根据实际情况和业务需要设置预定的执行次数。
进一步地，采用本发明上述实施例中的房源任务分配方法，能够在获得高效而有序的房源任务与执行单元的配对结果的同时，使得总收益最大化。
基于同样的发明构思，图3示出了根据本发明一实施例的生成房源任务分配策略的装置的结构示意图，所述装置300包括：目标优化模型创建模块310，其被配置为创建以总收益最大化为目的的目标优化模型以及所述目标优化模型的约束条件，在本发明的实施例中，该目标优化模型创建模块310可以配置为执行图1中s110以及图2中s210所示以及在本说明书中与图1中s110以及图2中s210相对应的步骤；目标数据获取模块320，其被配置为获取目标数据，所述目标数据包括房源任务集合和执行单元集合，在本发明的实施例中，该目标数据获取模块320可以配置为执行图1中s120以及图2中s220所示以及在本说明书中与图1中s120以及图2中s220相对应的步骤；目标优化模型求解模块330，其被配置为基于所述目标数据以及所述目标优化模型的约束条件对所述目标优化模型求最优解，在本发明的实施例中，该目标优化模型求解模块330可以配置为执行图1中s130以及图2中s230-s240所示以及在本说明书中与图1中s130以及图2中s230-s240相对应的步骤；分配策略生成模块340，其被配置为根据求得的目标优化模型的最优解生成房源任务分配策略，在本发明的实施例中，该分配策略生成模块340可以配置为执行图1中s140以及图2中s250所示以及在本说明书中与图1中s140以及图2中s250相对应的步骤。
图4示出了图3所示装置的目标优化模型求解模块的实施例。目标优化模型求解模块330可以包括：动态匹配子模块331，其被配置为基于km算法对所述房源任务集合中的多个房源任务和所述执行单元集合中的多个执行单元进行动态匹配，得到最优匹配结果，在本发明的实施例中，该动态匹配子模块331可以配置为执行图2中s230所示以及在本说明书中与图2中s230相对应的步骤；求解最优解子模块332，其被配置为基于所述最优匹配结果，对所述目标优化模型求最优解，在本发明的实施例中，该求解最优解子模块332可以配置为执行图2中s240所示以及在本说明书中与图2中s240相对应的步骤。
可以理解，图3和4所示的结构仅为示意，所述装置还可包括比图3和4中所示更多或者更少的模块或组件，或者具有与图3和4所示不同的配置。
此外，本申请还提供了一种计算机设备，根据本发明一实施例，该计算机设备可以包括存储器、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，当所述处理器执行所述程序时，可以实现本说明书所述的房源任务分配方法的步骤。
此外，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置可以执行本说明书所述的房源任务分配方法的步骤。
此外，本申请还提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时可以实现本说明书所述的房源任务分配方法的步骤。
特别地，以上参考附图中的流程图描述的实施例过程可以被实现为计算机软件程序。例如，本申请说明书公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行附图中各流程图所示的方法的程序代码，通过处理器执行该计算机程序，来执行本申请的方法。
需要说明的是，本申请所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：计算机磁盘、硬盘、随机访问存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom）、闪存、便携式紧凑磁盘只读存储器（cd-rom）、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c ，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网（lan）或广域网（wan）连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，示例性示出了按照本申请各实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。应当注意，在有些可作为替换的实施方式中，方框中所标注的功能也可以以不同于附图中所示的顺序发生。例如，两个依次表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。还要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。上述单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器，其包括目标优化模型创建模块、目标数据获取模块、目标优化模型求解模块以及分配策略生成模块。这些单元或模块的名称在某些情况下并不构成对该单元或模块本身的限定。
在本说明书中提及的所有文献都在本申请中引用作为参考，就如同每一篇文献被完整引用至本说明书作为参考。
此外应理解，在阅读了本发明的上述说明内容之后，本领域技术人员可以对本发明做出各种改动或修改，这些等同形式同样落入本发明的保护范围。
