一种多任务处理顺序确定方法及装置

技术领域

本说明书实施例涉及计算机应用技术领域，尤其涉及一种多任务处理顺序确定方法及装置。

背景技术

目前，在许多场景中，需要人工连续处理若干任务。例如，在资格审核场景中，通常需要业务人员根据待审核商户所提交的信息，以及所培训掌握的审核规则，连续处理资格审核的若干任务，若干任务具体可以包括确定待审核商户是否属于合法经营、确定待审核商户的营业情况等，以便于后续确定待审核商户是否可以通过资格审核。

而若干任务的连续处理顺序，对于整体的处理效率存在较大的影响。目前亟需一种确定若干任务的处理顺序的方法，以便于提高整体的处理效率。

发明内容

为了解决上述问题，本说明书提供了一种多任务处理顺序确定方法及装置。技术方案如下所示。

一种多任务处理顺序确定方法，包括：

获取任务关系图；其中，以需要确定处理顺序的不同任务为任务关系图中的不同节点；任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关；第一任务与第二任务对应的节约时长的计算方式包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长；

基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率；其中，预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径；图的权重和最小路径，是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径；

根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径；在不重复地经过任务关系图的各个节点的所有可能路径中，所述达标路径的概率和至少大于一条其他路径；

根据所述达标路径中各个任务的连接关系，确定各个任务的处理顺序。

一种多任务处理顺序确定装置，包括：

获取单元，用于获取任务关系图；其中，以需要确定处理顺序的不同任务为任务关系图中的不同节点；任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关；第一任务与第二任务对应的节约时长的计算方式包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长；

概率单元，用于基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率；其中，预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径；图的权重和最小路径，是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径；

路径单元，用于根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径；在不重复地经过任务关系图的各个节点的所有可能路径中，所述达标路径的概率和至少大于一条其他路径；

顺序单元，用于根据所述达标路径中各个任务的连接关系，确定各个任务的处理顺序。

上述技术方案，可以基于反映任务之间节约时长的任务关系图，确定多任务之间的处理顺序，从而通过增加多任务的总节约时长，提高多任务的整体处理效率。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本说明书实施例提供的一种多任务处理顺序确定方法的流程示意图；

图2是本说明书实施例提供的一种任务关系图构建方法的原理示意图；

图3是本说明书实施例提供的一种子图采样的流程示意图；

图4是本说明书实施例提供的一种多任务处理顺序确定装置的结构示意图；

图5是用于配置本说明书实施例方法的一种设备的结构示意图。

具体实施方式

为了使本领域技术人员更好地理解本说明书实施例中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于公开的范围。

目前，在许多场景中，需要人工连续处理若干任务。例如，在资格审核场景中，通常需要业务人员根据待审核商户所提交的信息，以及所培训掌握的审核规则，连续处理资格审核的若干任务，若干任务具体可以包括确定待审核商户是否属于合法经营、确定待审核商户的营业情况等，以便于后续确定待审核商户是否可以通过资格审核。

在一种具体的示例中，在业务平台审核商户资格时，通常需要业务人员根据商户提交的资料，针对相关的任务进行处理，例如，商户是否具备营业执照，商户的营业额范围，商户的信用评价等。这些任务的形式可以包括选择、陈述、填空等形式。

此外，业务人员通常需要处理商户资格审核的全部任务，以便于在商户资格审核不通过的情况下，可以全面准确地向商户反馈资格审核不通过的全部原因，以便于提高商户下次资格审核的成功率。

而若干任务的连续处理顺序，对于整体的处理效率存在较大的影响。目前亟需一种确定若干任务的处理顺序的方法，以便于提高整体的处理效率。

为了提高任务整体的处理效率，本说明书实施例提供了一种多任务处理顺序确定方法。

在该方法中，考虑到在许多场景中，若干任务之间可能存在关联关系，在人工连续处理关联性较强的任务时，可以快速处理，提高整体处理效率。

例如，在商户资格审核的场景中，存在两个关于商户风险评估的任务，分别是商户是否具备营业执照，以及商户是否合法经营。

如果业务人员在根据商户资料确定商户不具备营业执照之后，下一个任务是商户是否合法经营。由于在商户不具备营业执照的情况下，商户一定不是合法经营，因此，业务人员可以根据上一个任务的处理情况，直接确定商户并不是合法经营，快速处理这一任务。

而如果业务人员在根据商户资料确定商户不具备营业执照之后，又处理了几十个任务后，才处理到商户是否合法经营。那么业务人员可能没有相关记忆，而需要再次查询商户资料，确定商户不具备营业执照，再处理这一任务，处理效率低下。

显然，具有关联性的任务在连续处理时，可能存在一定的提示或指导作用，方便业务人员快速处理，提高处理效率，减少处理时长。

因此，可以通过合理确定若干任务的处理顺序，使得关联性较强的任务可以被连续处理，从而可以提高若干任务整体的处理效率。

当然，也可以方便随时根据实际需求和任务的修改而调整处理顺序，从而节约处理所需要的时长。

具体调整任务的顺序，一方面需要确定任务之间的关联性，另一方面需要从整体考虑，针对全部的任务确定出一个最优的处理顺序，从而提高处理效率。

因此，在本说明书实施例提供的一种多任务处理顺序确定方法中，可以确定任务单独处理的耗时，再确定任务在其他任务下一个进行处理的耗时。

显然，可以通过数据分析，确定任务单独处理与连续处理的耗时相比是否节约时长，从而可以基于节约时长体现出任务与其他任务之间的关联性。

具体地，如果节约时长较少，则可以确定两个连续处理的任务之间关联关系较小；如果节约时长较多，则可以确定两个连续处理的任务之间关联关系较大。

当然，节约时长本身可以用于提高任务处理的整体效率，因此，可以基于节约时长这一数据本身，确定任务处理的顺序。

进一步地，可以根据任务构建图结构，将节约时长转换为边上的权重，或者可以转换为任务对应节点之间的距离，距离可以与节约时长负相关，距离越长，节约时长越少。在针对需要确定处理顺序的全部任务构建出图结构后，可以确定出任务整体的节约时长关系，可以表征任务之间的关联关系。

针对所构建的图结构，可以将确定任务处理顺序的问题，转换为旅行商问题，也就是在确保不重复的经过图结构中每个节点的情况下，使得经过的路径距离最短。

换言之，可以确定图结构中的距离最短路径，距离最短路径可以经过图结构中每个对应于任务的节点，路径本身可以表征任务处理顺序，并且路径距离可以与节约时长负相关，在整体路径距离最短的情况下，所对应的任务处理顺序的总节约时长最长，从而可以节约处理全部任务的时长，提高任务处理的整体效率。

可见，本方法可以基于任务连续处理所节约的时长，构建出图结构，从而可以根据图结构中表征节约时长的距离，求解图结构中的距离最短路径，从而可以基于求解结果，确定出较优的任务处理顺序，增加多任务处理的节约总时长，以提高多任务处理的整体效率。

当然，在图结构较为复杂的情况下，通常难以确定图结构中的距离最短路径的全局最优解，往往可以确定出局部最优解，也就是图结构中总距离相对较短的路径，也可以提高任务处理的整体效率。

需要说明的是，本说明书实施例提供的方法实施例中，并不限定具体任务的场景，可以是审核场景中针对一个审核对象的多个审核任务，例如，针对商户进行审核所需的多个审核任务。通过上述方法可以提高多个审核任务的整体处理效率。

也可以是评价场景中针对一个评价对象的多个评价任务，例如，针对某个项目进行评价时，可以从该项目的多个方面进行评价，从而存在多个评价任务。通过上述方法可以提高多个评价任务的整体处理效率。

也可以是问卷场景中某一问卷中的若干答题任务，例如，在某个问卷中存在较多题目，需要进行答题，为了提高答题的整体效率，可以确定多个题目的答题顺序，也就是多个答题任务的处理顺序。通过上述方法可以提高多个答题任务的整体处理效率。

上述方法可以通过数据分析，确定任务之间连续处理所节约的时长，分析出任务之间的关联性质，确定是否存在启示或关联或联想，从而可以挖掘出较优的多任务处理顺序，提高整体处理效率。

下面结合附图，针对本说明书实施例提供的一种多任务处理顺序确定方法进行详细的解释。

如图1所示，为本说明书实施例提供的一种多任务处理顺序确定方法的流程示意图。该方法可以包括以下步骤。

S101：获取任务关系图。

其中，以需要确定处理顺序的不同任务为任务关系图中的不同节点；任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关；第一任务与第二任务对应的节约时长的计算方式包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长。

S102：基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率。

其中，预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径；图的权重和最小路径，是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径。

S103：根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径。

在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和至少大于一条其他路径。

S104：根据达标路径中各个任务的连接关系，确定各个任务的处理顺序。

上述方法流程，可以基于反映任务之间节约时长的任务关系图，以增加总节约时长为目的，确定多任务之间的处理顺序，从而通过增加多任务的总节约时长，提高多任务的整体处理效率。

具体地，可以基于反映任务之间节约时长的任务关系图，通过引入任务之间的节约时长，表征多任务整体的关联关系，并利用图结构和人工智能模型，以增加节约总时长为目的，确定不重复地经过任务关系图中各个节点的路径，从而可以确定节约总时长相对较长的多任务处理顺序，增加多任务处理的节约总时长，提高多任务的整体处理效率。

其中，具体可以针对反映任务之间节约时长的任务关系图，确定任务关系图中每条边属于权重和最小路径的概率，而权重和最小路径可以反映总节约时长最长的任务处理顺序，因此，可以以增加节约总时长为目的，利用图结构和人工智能模型，确定出概率和相对较高的达标路径，进而确定节约总时长相对较长的任务处理顺序，也就可以提高处理多任务所节约的总时长，提高整体的处理效率。

一、下面针对S101进行详细的解释。

S101：获取任务关系图。

其中，以需要确定处理顺序的不同任务为任务关系图中的不同节点；任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关。

针对两个任务对应的节约时长，计算方式可以是，在一次处理中仅处理其中一个任务的时长，加上在另一次处理中仅处理其中另一个任务的时长，并减去在一次处理中连续处理这两个任务的时长。

为了便于描述，下面以第一任务和第二任务进行描述。

第一任务与第二任务对应的节约时长的计算方式可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长。

本方法流程并不限定具体获取任务关系图的方式，只要是上述形式的任务关系图即可。

可选地，可以针对需要确定处理顺序的若干任务，构建出任务关系图。

本方法流程并不限定具体构建任务关系图的方式。

在一种可选的实施例中，可以获取若干任务，确定若干任务中具有关联关系的任务，并确定关联关系对应的节约时长。

具体构建任务关系图，可以是针对所获取的每个任务构建节点，根据任务之间的关联关系构建出边，并根据两个任务的连续处理节约时长确定相应边的权重。

所获取的若干任务，可以是需要确定处理顺序的若干任务，方便后续构建任务关系图。

1、针对若干任务，本方法流程并不限定具体的任务内容或形式，也不限定若干任务的获取方式或来源。

例如，在商户准入审核场景中，可以预先根据专家经验和实际需求设置商户信息审核任务，之后可以从预先设置的商户信息审核任务中获取若干任务。任务的具体形式可以是选择、填空、表述等，具体可以上传图像或编辑文字进行处理。任务的具体内容可以是针对商户的多方面信息进行审核，具体可以包括商户经营资质、商户信用等级、商户规模、商户经营额等。

在一种可选的实施例中，任务中可以包含一个或多个子任务，也可以区分核心任务和衍生任务，其中核心任务与商户能否通过审核的关系较大，例如，商户的合法经营资质，而衍生任务与商户能否通过审核的关系较小，例如，商户的经营额。

2、针对关联关系的确定。

本方法流程并不限定具体确定关联关系的方法，下面给出两个实施例进行示例性说明。

1)在一种可选的实施例中，关联关系可以表征任务之间的相关性，例如，在商户准入审核场景中，与商户信用等级相关的两个任务可以具有相关性，也就具有关联关系。

可选地，可以预先根据任务内容或者任务类型配置关联关系，例如，确定与商户信用等级相关的全部任务之间具有关联关系。

而具有相关性的任务在连续处理时，通常可以节约处理所需的时长。例如，与商户信用等级相关的两个任务可以是“根据用户退货比例确定商户的信用等级是？”和“商户信用等级是否大于3级？”。在连续处理这两个任务时，可以根据前一个任务所计算的商户信用等级快速确定后一个任务的处理结果，提高处理效率。

因此，本方法流程中主要通过优化任务的处理顺序，使得具有关联关系的任务可以连续处理，从而节约整体处理时长，提高整体处理效率。

2)在另一种可选的实施例中，关联关系可以用于表征连续处理的任务，只要两个不同的任务被连续处理，就可以确定这两个任务存在关联关系，从而方便从数据分析的角度，确定任务在连续处理的过程中是否节约时间。

因此，可以从历史的任务处理数据中，将连续处理的任务确定为具有关联关系的任务，从而方便根据历史的任务处理数据中，挖掘出任务之间的关联关系和节约时长。

而从实际的处理数据分析出关联关系和节约时长，可以更加准确直接地挖掘出不直观的关联关系。

综合上述两个实施例，可选地，关联关系的确定可以是预先根据任务内容指定的，也可以是根据历史的任务处理数据分析确定的。

在一种可选的实施例中，确定所获取的若干任务中具有关联关系的任务，可以包括：获取所获取的若干任务的历史处理数据；历史处理数据包括：表征所获取的若干任务中多个任务的处理顺序的数据；针对所获取的若干任务中任一任务，在历史处理数据中确定在该任务的前一个进行处理的任务，并确定该任务与所确定的任务具有关联关系。

本实施例并不限定关联关系的具体形式，可选地，可以将任务之间的节约时长确定为关联关系的一种形式。

其中，历史处理数据在后文进行解释，此处不再赘述。

由于后续步骤中需要重点关注连续处理任务的节约时长，因此，可以将每两个连续处理的任务都确定具有关联关系，方便后续通过数据分析，确定节约时长。

需要注意的是，由于后续步骤中，需要根据关联关系构建图结构，图结构中的每个任务对应的节点需要至少与一个其他任务对应的节点存在边进行连接，因此，可选地，所获取的若干任务中每个任务需要至少与一个其他任务存在关联关系。

此外，在一种可选的实施例中，关联关系可以对应于两个任务的先后处理顺序。

针对相同的两个任务，可能存在不同的关联关系，例如，第一任务和第二任务之间存在两个不同的关联关系，一个对应于连续先后处理第一任务和第二任务的顺序，另一个对应于连续先后处理第二任务和第一任务的顺序。

例如，针对第一任务和第二任务，历史处理数据中可以包括表征第一任务在第二任务的前一个进行处理的数据，相对应地，可以确定第一任务与第二任务存在关联关系。此外，还可以确定第一任务和第二任务之间的该关联关系，对应于连续先后处理第一任务和第二任务的顺序，即处理顺序是第一任务在前一个，第二任务在后一个。

如果历史处理数据中还包括表征第二任务在第一任务的前一个进行处理的数据，则可以确定第一任务与第二任务存在另一个关联关系，另一个关联关系可以对应于连续先后处理第二任务和第一任务的顺序，即处理顺序是第二任务在前一个，第一任务在后一个。

关联关系对应的两个任务先后处理顺序，对于确定关联关系对应的节约时长，以及构建任务关系图存在影响，具体可以在后文解释。

3、针对历史处理数据。

在一种可选的实施例中，历史处理数据中可以包括业务人员过去处理所获取的若干任务的相关数据。

可选地，针对历史处理数据的获取方式并不限定，具体可以是在业务人员处理的过程中进行记录，例如日志记录，之后从记录中获取历史处理数据。

可选地，针对历史处理数据的收集，可以是通过监测业务人员处理所获取的若干任务的过程，获取相关数据进行存储。

需要注意的是，在收集历史处理数据时，可以根据本方法流程的需要，监测并获取业务人员在处理任务过程中的数据。例如，处理顺序、处理时长、处理结果等。也可以适应性调整处理任务的过程，以便于获取更多方面和种类的数据，例如，调整任务处理顺序等。

在一种可选的实施例中，针对相关数据的具体内容，为了便于确定任务之间的关联关系，可以包括业务人员处理所获取的若干任务的顺序。

通常情况下，若干任务的处理顺序可以是固定的，业务人员按照固定的顺序处理若干任务。但为了进一步挖掘出任务之间的关联关系和节约时长，可以调整任务处理顺序，以便于由不同业务人员按照不同处理顺序处理任务。

可选地，可以随机调整若干任务的顺序，由业务人员进行处理，并记录处理顺序。也可以由业务人员自行调整任务的处理顺序。

例如，针对第一任务-10，可以由若干业务人员按照第一任务-10的处理顺序进行处理，再由其他业务人员按照第一任务0-1的处理顺序进行处理。

因此，可选地，历史处理数据中可以包括表征所获取的若干任务中多个任务的处理顺序的数据。

当然，具体表征处理顺序的数据形式并不限定，具体可以是通过具有先后顺序的任务标识进行表征。

需要注意的是，历史处理数据中可以包含多组表征不同处理顺序的数据，每个处理顺序可以包含所获取的若干任务中的全部或者部分任务。

例如，历史处理数据中可以包含：第一任务-10，第一任务0-7，任务4-9等等。

显然，通过上述实施例，可以利用任务之间多种处理顺序的情况，方便挖掘出任务之间的关联关系和节约时长，也可以帮助确定任务之间的关联关系。

此外，在一种可选的实施例中，由于关联关系需要反映节约时长，帮助后续步骤提高处理效率，因此，相关数据的具体内容中还可以包括业务人员按顺序处理若干任务的耗时时长，或者可以描述为处理时长。

可选地，历史处理数据可以包括业务人员连续处理所获取的若干任务的实际处理时长，具体可以包括在连续处理所获取的若干任务的过程中，每个任务的实际处理时长。

其中，实际处理时长，具体可以指的是在业务人员实际处理过程中，处理任务的耗时时长。相对应地，由于不同业务人员在处理相同任务时，可能因为多种情况导致实际处理时长不同，因此，需要根据实际处理时长确定出理论处理时长。

其中，理论处理时长具体可以指的是理论上业务人员处理任务的耗时时长，从而可以方便确定出一个定值用于计算节约时长。

需要注意的是，由于历史处理数据中可以包含多种不同的处理顺序，因此，相同的任务在不同的其他任务的下一个进行处理的实际处理时长可能不同。

而为了方便计算连续处理具有关联关系的任务所节约的时长，还需要确定单独处理任务的时长。

在一种可选的实施例中，历史处理数据可以包括业务人员单独处理所获取的若干任务中每个任务的实际处理时长，也就是在一次处理中仅处理一个任务的时长。换言之，历史处理数据中，可以包括若干任务分别单独处理的时长。

显然，通过历史处理数据，可以通过所获取的若干任务中每个任务单独处理的实际处理时长，以及该任务在其他任务的下一个进行处理的实际处理时长，方便地确定出该任务在被连续处理的实际节约时长。

其中，该任务在其他任务的下一个进行处理的实际处理时长，具体可以是这两个任务连续处理的总实际处理时长。

需要注意的是，由于不同的业务人员在具体处理任务时，可能存在不同的处理情况和实际处理时长，历史处理数据中又包含多个业务人员的多次不同的处理情况，例如，同一业务人员针对不同的商户进行商户准入审核，实际处理的时长也可能不同。

为了便于计算节约时长，并且提高计算的准确性，在一种可选的实施例中，可以通过汇总统计的方式计算出任务单独处理的理论处理时长，以及任务在其他任务的下一个进行处理的理论处理时长。

本实施例并不限定具体计算的方式，具体可以是求平均值的方式、求众数的方式、求中位数的方式、删除最大最小值再求平均值的方式。

可选地，任务单独处理的耗时可以通过测试确定，具体可以是由多位业务人员多次单独处理相同任务，获取处理的实际处理时长，再计算平均值作为理论处理时长。

相对应地，由于不同的业务人员在连续处理相同的两个任务时，实际处理时长也可能存在偏差，因此，可选地，为了降低不同业务人员和不同处理情况的影响，可以针对历史处理数据中的实际处理时长求平均值，得到所获取的若干任务中，任一任务在一个其他任务的下一个进行处理的理论处理时长。当然，任一任务在不同的其他任务的下一个进行处理的理论处理时长可以不同。

为了便于理解，在一种可选的应用实施例中，所获取的若干任务可以包括第一任务和第二任务。经过测试，可以得到第一任务被不同业务人员单独处理的实际处理时长包括：4秒、5秒、3秒、8秒。具体计算第一任务的单独处理的理论处理时长可以通过计算平均值的方式，计算得到理论处理时长为5秒。

第一任务在第二任务的下一个被不同业务人员连续处理的实际处理时长包括：2秒、3秒、4秒、3秒。因此，具体计算第一任务在第二任务的下一个进行处理的理论处理时长可以通过计算平均值的方式，计算得到理论处理时长为3秒。

显然，从方便计算节约时长的角度，可以利用历史处理数据中包含的实际处理时长，计算得到理论处理时长。理论处理时长可以认为是从实际处理时长中进行数据分析得到的。

而计算理论处理时长这一步骤可以预先执行，理论处理时长可以直接作为历史处理数据的一部分；也可以在之后需要计算节约时长的情况下即时计算。

当然，由于历史处理数据可以不断更新增多，增加新的业务人员处理所获取的若干任务的情况，理论处理时长也可以实时更新。

可选地，历史处理数据中，可以包括：所获取的若干任务中任一任务单独处理的实际处理时长和/或理论处理时长；还可以包括所获取的若干任务中任一任务在其他任务的下一个进行处理的实际处理时长和/或理论处理时长。

当然，在一种可选的实施例中，处理时长也可以是通过其他方式确定的，而不是数据分析，例如，通过专家经验和实际考察分析，人为设置处理时长。

因此，可选地，历史处理数据中，可以包括：所获取的若干任务中任一任务单独处理的时长；还可以包括所获取的若干任务中任一任务在其他任务的下一个进行处理的时长。其中的时长具体确定方法并不限定，可以是直接获取的实际处理时长、数据分析得到的理论处理时长、或者人为设置的处理时长等。

可选地，历史处理数据中可以包括所获取的若干任务中任一任务在其他任务的下一个进行处理的实际处理时长和/或理论处理时长，而这一数据可以用于表征任务的处理顺序。

因此，历史处理数据可以包括表征所获取的若干任务中多个任务的处理顺序的数据，该数据的形式具体可以是所获取的若干任务中任一任务在其他任务的下一个进行处理的实际处理时长和/或理论处理时长。

在本实施例中，可以根据历史处理数据方便地计算得到节约时长。

4、针对节约时长的确定。

本方法流程并不限定节约时长的确定方法。

下面从两方面解释节约时长的确定。一方面是节约时长的取值，另一方面是节约时长对应的两个任务先后处理顺序。

1)节约时长的取值。

可选地，可以通过历史处理数据，通过数据分析的方式确定任务之间的节约时长，也可以通过人为设置，确定任务之间的节约时长。

在一种可选的实施例中，历史处理数据可以包括，所获取的若干任务分别单独处理的时长，也就是在一次处理中仅处理一个任务的时长；还可以包括，所获取的若干任务中，连续处理两个任务的时长，具体可以是针对多个包含两个任务的组合中的一个组合，连续处理其中两个任务的时长。

相对应地，可以针对任一组合，通过简单的差值计算确定出连续处理的节约时长。

以第一任务和第二任务为例，第一任务与第二任务对应的节约时长的计算方式可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长。

当然，其中的时长可以是经过计算的理论处理时长。

可选地，可以根据任务的实际处理时长计算实际节约时长，再进一步计算理论节约时长，作为关联关系对应的节约时长。

实际节约时长具体可以指的是在业务人员的实际处理过程中，所节约的实际时长，而不同业务人员节约的实际时长可能不同，因此，可以综合相同任务的实际节约时长，确定理论节约时长。理论节约时长具体可以指的是，理论上业务人员在连续处理任务时的节约时长。

可选地，也可以根据任务的实际处理时长，先计算理论处理时长，再计算出理论节约时长。也可以直接根据理论处理时长，计算理论节约时长。

通常情况下，由于连续处理任务时，如果前一个处理的任务与当前处理的任务之间没有任何相关性，无法起到任何启示或指导或提示作用，那么连续处理这两个任务也就可以认为是分别单独处理这两个任务。

因此，计算得到的节约时长通常是正数或零。

需要注意的是，由于关联关系的确定可以是直接根据数据分析得到的，仅仅表征连续处理过的任务，而连续处理过的任务可能并不具备相关性，实际上可能并不会节约时间，因此，所计算的差值可能是零。

但是，由于在数据分析时，可能理论处理时长不准确，导致单独处理的理论处理时长小于连续处理的理论处理时长，进而可能导致计算得到的差值是负数。例如，历史处理数据中包括的某一任务的单独处理的实际处理时长数量较少，导致单独处理的理论处理时长误差较大，在后续计算差值时可能出现负数。

而计算差值得到负数的原因是因为数据分析过程中的误差。而为了避免误差造成的影响，通常可以认为节约时长为0，即连续处理没有节约处理时间。

此外，在部分特殊的情况，在实际处理中也可能存在误导或迷惑的情况，例如，任务“商户是否存在实体门店”和任务“商户的经营实体名称”。对于不熟悉相关知识的业务人员而言，可能会将实体门店与经营实体混淆，从而导致出现误导的情况，进而导致连续处理这两个任务反而会提高处理时长，甚至大于单独处理任务的处理时长。

可见，对于计算得到的差值为负数的情况，可能是数据分析过程中的误差，也可能是实际存在的情况，即连续处理反而拖延时间，降低效率。

因此，针对差值为负数的情况，在确定关联关系对应的节约时长时，可以认为是真实的情况，直接将差值确定为关联关系对应的节约时长；也可以认为都是误差，在差值为负数的情况下，确定节约时长为0。

当然，可选地，也可以综合进行考虑，区分出误差和真实的情况，并分别确定节约时长。具体地，可以是根据差值阈值，如果计算的差值为负数，并且计算的差值大于预设差值阈值，则可以认为是误差，直接确定节约时长为0。

而如果计算的差值为负数，并且计算的差值小于等于预设差值阈值，则可以认为是真实的情况，将计算的差值确定为节约时长。

本实施例并不具体限定在计算的差值为负数的情况下，节约时长的确定方法。

因此，可选地，针对单独处理的时长与连续处理的时长之间的差值，可以直接将差值确定为节约时长，也可以将根据小于0的差值确定节约时长为0。

换言之，可选地，第一任务与第二任务对应的节约时长的计算方式还可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长。

在所得到的计算结果大于等于0的情况下，可以将计算结果直接确定为这两个任务对应的节约时长。

在所得到的计算结果小于0的情况下，可以确定这两个任务对应的节约时长为0。

显然，通过上述实施例，可以基于历史处理数据，确定出节约时长的取值。

2)节约时长对应的两个任务先后处理顺序。

在一种可选的实施例中，关联关系可以对应于两个任务的先后处理顺序。两个任务之间，可能存在两个对应的先后处理顺序不同的关联关系。

换言之，针对连续处理的两个任务，连续处理的先后顺序可能不同。

相应地，两个任务连续处理，但先后顺序不同，所节约的时长可能不同，例如，第一任务的处理对第二任务的处理存在启示，而第二任务的处理对第一任务的处理不存在的启示。因此，连续先后处理第一任务和第二任务，可以节约一定时长，而连续先后处理第二任务和第一任务，可能并不会节约时长。

因此，在一种可选的实施例中，节约时长也可以对应于两个任务的先后处理顺序。例如，第一任务在第二任务的下一个进行处理，所节约的连续处理时长，可能与第二任务在第一任务的下一个进行处理所节约的连续处理时长不同。

针对两个任务，在只确定出一个节约时长的情况下，可以直接利用该节约时长进行后续步骤。

而在确定出两个对应先后处理顺序不同的节约时长的情况下，可以都用于后续构建任务关系图，具体可以构建有向图，也可以综合这两个节约时长，确定出一个节约时长，用于后续构建无向图。

本实施例并不限定具体综合的方法，可选地，可以是计算平均值。

因此，可选地，在任务关系图为有向图的情况下，任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关。

在该有向边从第一任务指向第二任务的情况下，对应的节约时长的计算方式可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续先后处理第一任务和第二任务的时长。

在该有向边从第二任务指向第一任务的情况下，对应的节约时长的计算方式可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续先后处理第二任务和第一任务的时长。

可选地，在任务关系图为无向图的情况下，任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关。

针对该边连接的第一任务和第二任务，对应的节约时长的计算方式可以包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理第一任务和第二任务的时长。

在只能获取到在一次处理中连续先后处理第二任务和第一任务的时长的情况下，具体连续处理第一任务和第二任务的时长，可以是所获取的该时长。

在只能获取到在一次处理中连续先后处理第一任务和第二任务的时长的情况下，具体连续处理第一任务和第二任务的时长，可以是所获取的该时长。

在能够获取到在一次处理中连续先后处理第二任务和第一任务的时长，以及在一次处理中连续先后处理第一任务和第二任务的时长的情况下，具体连续处理第一任务和第二任务的时长，可以是所获取的两个时长的平均值。

当然，也可以是通过其他计算方式，针对所获取的两个时长进行计算。本实施例并不限定。

在一种可选的实施例中，可以通过构建矩阵辅助计算节约时长。

其中，所获取的若干任务可以包括N个任务，分别是q1-qN。

之后可以构建N*N的节约时长矩阵A。在节约时长矩阵A中，Aij可以表征任务qi在qj的下一个进行处理所节约的时长。其中，i＝1，2，3，...，N；j＝1，2，3，...，N。

当然，Aii可以设置为0，在之后也并不会考虑，因为并不存在qi在qi的下一个进行处理的情况。

通过历史处理数据，可以计算得到节约时长矩阵A，其中部分元素可能由于不存在记录或数据而无法计算，可以暂时缺省。

之后，为了便于计算平均值，得到关联关系对应的节约时长，可以将节约时长矩阵A进行对称化，具体可以是通过求平均的方式使得Aji＝Aij。

此外，如果Aij缺省而Aji存在节约时长，则意味着历史处理数据中只存在qj在qi之后处理的情况，因此，可以直接将Aji的值赋给缺省的Aij，使得Aji＝Aij。

在本实施例中，可以利用矩阵工具辅助进行计算。而在之后根据节约时长确定边的权重的步骤，也可以使用矩阵工具进行计算。

上述方法实施例中，针对所获取的若干任务确定了关联关系和节约时长，方便后续构建任务关系图进行分析，确定较优的任务处理顺序，提高整体任务处理效率。

其中可以是通过对历史处理数据的分析，从而确定出连续处理任务的节约时长，进而可以基于这些节约时长，构建任务关系图进行分析。

需要注意的是，由于任务本身可以不断发生变化，历史处理数据也可以不断累积和不断更新。关联关系和节约时长可能也发生变化。

例如，随着业务人员的熟练度提升，某些类型的任务的单独处理时长可能产生缩减，相对应地，所节约的时长可能减小；也可能随着场景的变化，任务内容会进行更新，而所获取的若干任务也会进行更新。

因此，上述方法实施例可以周期性或者不定期执行，利用当前的最新若干任务和历史处理数据，确定关联关系和节约时长，从而方便更新任务关系图，进一步确定较优的任务处理顺序。

可选地，可以实时获取当前最新的需要确定处理顺序或者更新处理顺序的若干任务，以及当前最新的历史处理数据，执行上述方法实施例，确定任务之间的关联关系和节约时长，以便于后续构建任务关系图。

5、基于若干任务和所确定的关联关系，构建任务关系图。

在一种可选的实施例中，基于所获取的若干任务和所确定的关联关系，构建任务关系图，可以包括：针对所获取的若干任务中的每个任务，构建一个对应的节点；针对所确定的每个关联关系，确定其中包含的两个任务所对应的节点，在所确定的两个节点之间生成一条对应于所针对的关联关系的边。

其中，由于需要根据任务关系图确定出所获取的若干任务的处理顺序，而处理顺序中需要包含所获取的每个任务，因此，任务关系图中需要包含所获取的每个任务对应的节点。

在一种可选的实施例中，关联关系可以对应于任务的连续处理先后顺序，因此，在根据关联关系生成对应的边时，可以生成有向边或者无向边。

具体生成有向边，可以是根据关联关系对应的任务的连续处理先后顺序，确定边的方向。

例如，针对对应于先后连续处理第一任务和第二任务的关联关系，可以生成从第一任务指向第二任务的有向边。

此外，需要说明的是，针对所构建的任务关系图，由于后续需要计算确定较优的任务处理顺序，因此，任务关系图中需要包括至少两条不重复地经过任务关系图中各个节点的路径，才能选择确定较优的路径，确定出较优的任务处理顺序。否则没有选择的余地。

可选地，历史处理数据中，针对需要确定处理顺序的若干任务，可以包括至少两个连续处理全部任务的不同顺序，从而可以根据确定出的关联关系，使得构建出的任务关系图，可以包含至少两条不重复地经过任务关系图中各个节点的路径。

例如，针对第一任务到第十任务这10个任务，历史处理数据中，可以包括从第一任务到第十任务的处理顺序，以及从第十任务到第一任务的处理顺序，使得构建的有向图，也就是任务关系图，可以至少包括不重复地经过第一任务到第十任务的路径，以及不重复地经过第十任务到第一任务的路径。

可选地，可以针对构建出的任务关系图，进一步新增边，无需对应的关联关系，使得任务关系图中包括至少两条不重复地经过任务关系图中各个节点的路径。具体地，可以构建全连接图。

当然，可选地，由于新增的边不存在对应的关联关系，也不存在相应的节约时长，从而可以直接将相应的节约时长设置为0。

为了便于理解上述构建任务关系图的方法实施例，下面提供一种具体的应用实施例。如图2所示，为本说明书实施例提供的一种任务关系图构建方法的原理示意图。

其中，包括节约时长矩阵B。

B是一个3*3的矩阵，其中包括3个任务，q1-q3。

Bij可以表示qi在qj的下一个进行处理的节约时长。

其中，B11，B22，B33可以直接置零。B12是3，B21是4，B13是2，B31是2，B23是3，B32是4。

之后，可以基于矩阵B构建一个任务关系图。

其中，分别针对q1-q3构建3个节点，分别是节点1-3。

之后，可以根据矩阵B中的关联关系构建边。

根据B12，可以构建由q2对应的节点2，指向q1对应的节点1的边。

根据B21，可以构建由q1对应的节点1，指向q2对应的节点2的边。

根据B13，可以构建由q3对应的节点3，指向q1对应的节点1的边。

根据B31，可以构建由q1对应的节点1，指向q3对应的节点3的边。

根据B23，可以构建由q3对应的节点3，指向q2对应的节点2的边。

根据B32，可以构建由q2对应的节点2，指向q3对应的节点3的边。

之后的步骤中，可以基于关联关系对应的节约时长，确定权重。

6、基于关联关系对应的节约时长，确定对应边的权重，所确定的权重与节约时长负相关。

换言之，针对任务关系图中的每个边，可以根据该边所连接的两个任务对应的节约时长，确定该边的权重。所确定的权重与节约时长负相关。

本实施例并不限定具体确定权重的方法，只要边的权重与该边所连接的两个任务对应的节约时长负相关即可。节约时长越长，则权重越小。

在一种可选的实施例中，可以将任务关系图中边的权重看作是节点之间的距离，距离越小，则节约时长越长，而对于不重复经过全部节点的路径，所包含边的权重和越小，则路径所对应的任务处理顺序的总节约时长越长。

下面针对确定边的权重的方法提供几种可选的实施例，用于示例性说明。

实施例一，可以针对任务关系图中每条边所连接的两个任务对应的节约时长，确定出最大的节约时长，再确定出大于或等于最大节约时长的标准节约时长，将标准节约时长与每个关联关系对应的节约时长的差值，确定为该关联关系对应边的权重。

具体可以是利用标准节约时长减去每个关联关系对应的节约时长，得到的差值确定为该关联关系对应边的权重。

本实施例通过确定标准节约时长，可以准确直观地确定出每个关联关系对应的节约时长与标准节约时长之间的距离，方便确定为节点之间的距离，也就是边的权重。

实施例二，可以针对任务关系图中全部边对应关联关系所对应的节约时长进行归一化，全部映射到0-1的范围内，之后可以将1与每个关联关系对应的节约时长归一化结果的差值，确定为该关联关系对应边的权重。

本实施例通过归一化，可以将节约时长转化为0-1范围内的取值，方便后续模型处理。

二、下面针对S102进行解释。

S102：基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率。

其中，预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径；图的权重和最小路径，是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径。

本方法流程是为了针对需要确定处理顺序的若干任务，确定出较优的处理顺序，提高整体处理效率。

而提高处理效率的一种方式就是减少处理全部任务的时间，换言之，就是尽可能提高总节约时长。

在任务关系图的基础上，可以确定出不重复地经过全部节点的路径，由于全部任务都在任务关系图中存在对应的节点，这一路径也就可以对应于全部任务之间的处理顺序。具体地，可以将路径经过节点的顺序，确定为节点对应任务的处理顺序。

例如，针对包含节点1-3的任务关系图，节点1-3分别对应于第一任务到第三任务，针对一条路径“节点1-节点3-节点2”，可以根据节点和任务之间的对应关系，确定出第一任务到第三任务的处理顺序为“第一任务-第三任务-第二任务”。

因此，在任务关系图的基础上，任务关系图中不重复经过全部节点的路径可以表示全部任务的处理顺序，也就是所需要确定处理顺序的若干任务的处理顺序。

进一步地，由于任务关系图中，边的权重与节约时长负相关，权重越小，则节约时长越长。

可选地，由于任务关系图中不重复经过全部节点的路径可以表示全部任务的处理顺序，而路径又包含节点之间的边，因此，路径所包含边的权重之和，可以表征路径所表示任务处理顺序的节约时长之和。权重和与节约时长之和负相关，也就是权重和越小，总节约时长越长。

因此，可选地，任务关系图中不重复地经过全部节点的一条路径，可以表征全部任务的处理顺序；该条路径所包含边的权重之和，可以表征全部若干任务按照该条路径表征的处理顺序进行处理的情况下，节约时长的总和。

因此，可以将确定若干任务之间较优的处理顺序的问题，转化为从任务关系图中不重复地经过全部节点的路径，确定权重和较小的路径的问题。

当然，可选地，为了确定若干任务的最优处理顺序，使得最优处理顺序的节约总时长最长，可以在任务关系图的基础上确定最优路径。最优路径可以不重复的经过任务关系图中的每个节点，从而可以表征全部任务的处理顺序，并且使得所表征的节约总时长最长。

而任务关系图中路径所包含边的权重之和可以表征节约总时长，因此，可选地，在确定最优路径时，可以确定出任务关系图中节约总时长最长的一条路径，也就是任务关系图中包含边的权重之和最小的一条路径。

在一种可选的实施例中，在任务关系图中，可以将边的权重看作是所连接的两个节点之间的距离，从而可以将任务关系图看作是一个节点距离图。节点之间的距离越小(节点之间边的权重越小)，节约时长越长。

换言之，由于需要从任务关系图中不重复地经过全部节点的路径，确定权重和较小的路径，而边的权重可以看作是该边所连接的两个节点之间的距离，因此，可以将确定若干任务之间较优的处理顺序的问题，转化为从任务关系图中不重复地经过全部节点的路径，确定所经过的距离之和较短的路径的问题。

为了便于描述，将本方法流程中所需要确定的路径称为达标路径。

可选地，在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径可以是权重和(节点距离和)相对较小的一条路径。

当然，可选地，在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径可以是权重和(节点距离和)最小的一条路径。

本实施例并不限定具体确定达标路径的方法。

可选地，可以遍历不重复地经过任务关系图的各个节点的所有可能路径，确定对应的权重和，从而确定出权重和最小的一条路径作为达标路径。本实施例中所确定的达标路径权重和最小，相对应的总节约时长最长，也就可以表征总节约时长最长的任务处理顺序，提高任务的整体处理效率。

而在其他实施例中，针对复杂的任务关系图，往往难以遍历不重复地经过任务关系图的各个节点的所有可能路径。

例如，首先需要遍历任务关系图中每个节点，作为起始节点，确定是否存在从该起始节点出发的，不重复地经过任务关系图的各个节点的所有可能路径。在任务关系图中节点数量较多的情况下，往往难以遍历。

因此，具体确定达标路径，可以是在求解任务关系图中的权重和最小路径时，所确定的局部最优解。

因此，可选地，在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的权重和至少大于一条其他路径。

而求解任务关系图中的权重和最小路径，由于任务关系图中的权重可以看作是节点之间的距离，因此，可以通过求解图结构中节点距离最小路径的方法进行求解。

具体可以通过旅行商问题的求解方法进行确定。

在一种可选的实施例中，目前存在多种旅行商问题求解的方法，旅行商问题精确解的求解方法例如，图神经网络模型、图卷积神经网络模型、图注意力网络模型、Concorde等。

在一种可选的实施例中，可以采用预先训练的人工智能模型，求解任务关系图中的权重和最小路径。

可选的，针对人工智能模型，可以预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径。

而图的权重和最小路径，可以是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径。其中的权重可以是边的权重，具体可以表征节点之间的距离。

在本实施例中，通过预先训练，使得人工智能模型可以针对输入的图结构，输出每条边属于该图结构中权重和最小路径的概率。

本实施例并不限定人工智能模型的具体形式，只要能够针对输入的图结构，输出每条边属于该图结构中权重和最小路径的概率即可。可选地，人工智能模型可以是图卷积神经网络模型。

图卷积神经网络模型可以包括输入层、图卷积层、全连接层和softmax层。

具体地，可以将图结构输入图卷积神经网络模型，通过图卷积层得到图结构中每条边的表征向量(embedding)，之后可以通过全连接层针对每条边预测属于该图结构中权重和最小路径的概率，以softmax层输出的每条边属于该图结构中权重和最小路径(即旅行商问题的最优解)的概率与该图结构中实际权重和最小路径的情况之间的差异作为损失进行模型训练。

在本实施例中，可以通过预先训练的人工智能模型，确定出任务关系图中每条边属于任务关系图的权重和最小路径的概率，方便后续确定达标路径，具体可以是确定局部最优解。

可选地，可以将任务关系图输入人工智能模型，输出任务关系图中每条边属于任务关系图的权重和最小路径的概率。

相对应地，可以根据输出的每条边的概率确定达标路径。

本实施例中，可以直接利用人工智能模型，对任务关系图进行概率预测，提高计算效率。

需要说明的是，由于需要确定处理顺序的任务总数量并不固定，还可以基于不同的情况更新任务以及相应的任务关系图，因此，人工智能模型往往需要针对不同节点数量的任务关系图预测概率。

在一种可选的实施例中，为了降低计算量，适应多种任务数量规模，可以通过拆分任务关系图得到子图的方法，针对任务关系图拆分出多个子图，之后可以针对每个子图利用预先训练的人工智能模型，输出该子图中每条边属于该子图的权重和最小路径的概率。

之后可以综合各个子图中任一边对应的概率，确定出该边属于任务关系图的权重和最小路径的概率。

由于将任务关系图拆分成多个子图，子图的复杂度通常小于任务关系图，具体地，子图所包含的节点数量或边数量可以少于任务关系图，因此，针对各个子图分别利用预先训练的人工智能模型进行概率预测，可以方便快速计算，提高计算效率。

可选地，还可以并行地针对各个子图利用预先训练的人工智能模型进行概率预测，方便快速计算，提高计算效率。

针对不同节点数量规模的任务关系图，都可以通过拆分得到子图的方式提高计算效率，适应不同数量的任务，无需根据任务数量更换或更新求解最优路径概率集合的方法。

即使需要确定处理顺序的任务数量发生变化，也可以通过拆分得到子图的方式，适应数量变化的任务。

例如，针对商户准入审核的任务，可能随着专家经验和实际情况的变化而更新，具体可能存在任务数量变化的情况，而通过拆分子图的方式，可以适应数量变化的任务。

因此，可选地，基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率，可以包括：针对任务关系图拆分出多个子图；任务关系图中每个节点至少属于一个子图；将每个子图输入人工智能模型，输出该子图中每条边属于该子图的权重和最小路径的概率；针对任务关系图中的每条边，获取该条边在所属每个子图中，属于该子图的权重和最小路径的概率，并综合所获取的全部概率，确定该条边属于任务关系图的权重和最小路径的概率。

下面详细解释上述步骤。

1、拆分任务关系图得到子图。

本实施例并不限定具体拆分得到子图的方法，由于后续需要综合人工智能模型针对各个子图所预测的概率，因此，可选地，可以限定任务关系图中每个节点至少被划分到一个子图中，或者任务关系图中每条边至少被划分到一个子图中。

可选地，拆分得到的不同子图之间可以包含相同节点，也可以不包含相同节点。不同子图之间可以包含相同的边，也可以不包含相同的边。本实施例并不具体限定。

为了便于理解，下面给出几种可选的实施例解释拆分子图的方法，这些实施例仅仅用于示例性说明。

实施例一，可以循环执行以下步骤，直到任务关系图中每个节点至少被划分到一个子图中：选择任务关系图中当前还未被划分到任一子图的节点作为起始节点，起始节点可以用于构建子图；之后可以基于起始节点，将任务关系图中与起始节点直接或间接相连的若干其他节点划分为一个新子图，并且将连接起始节点和这些其他节点的边都划分到该新子图中，从而可以得到一个新的子图。

实施例二，可以循环执行以下步骤，直到任务关系图中每条边至少被划分到一个子图中：选择任务关系图中当前还未被划分到任一子图的边，将该边所连接的两个节点作为起始节点，起始节点可以用于构建子图；之后可以基于起始节点，将任务关系图中与起始节点直接或间接相连的若干其他节点划分为一个新子图，并且将连接两个起始节点的边、以及连接起始节点和这些其他节点的边都划分到该新子图中，从而可以得到一个新的子图。

其中，针对上述两个实施例，可选地，在选择其他节点划分为新子图时，可以根据连接其他节点与起始节点的路径，确定该路径的权重之和，选择对应权重和小于预设权重值的其他节点，或者根据对应的权重和，按照从小到大的顺序对其他节点进行排序，选择排序结果中序号在前几位的其他节点。具体可以是选择排序结果中序号小于预设序号的其他节点。

在本实施例中，由于需要求解任务关系图中权重和最小的路径，因此，可以选择权重和相对较小的路径构建子图，以便于尽可能将任务关系图中最优路径所包含的边添加到子图中。

此外，在一种可选的实施例中，为了进一步提高计算效率，可以限定拆分得到的子图中，不同子图所包含的节点数量相同。

可选地，在使用预先训练的人工智能模型针对子图预测概率时，由于不同子图包含的节点数量相同，因此，可以固定人工智能模型的输入形式，从而方便模型的部署和训练。

因此，可选地，可以在预先训练人工智能模型时，限定用于训练的图样本中的节点数量，使得训练人工智能模型的全部图样本节点数量相同。所训练得到的人工智能模型的输入，也就可以包括固定节点数量的图结构，具体可以与图样本节点数量相同。

相对应地，针对任务关系图拆分出多个子图，可以包括：针对任务关系图拆分出多个包含预设节点数量的子图；预设节点数量为上述图样本的节点数量。

因此，为了便于限定拆分出的子图节点数量，可选地，具体针对任务关系图拆分出多个子图，可以包括：针对任务关系图，循环执行以下步骤，直到任务关系图中每个节点至少属于一个子图：在任务关系图中选择一个不属于任一子图的节点，确定为中心节点；在中心节点以外的其他节点中，将符合预设筛选条件的其他节点确定为备选节点；针对每个备选节点，确定从中心节点到该备选节点的路径权重和；根据所确定的权重和，按照从小到大的顺序对备选节点进行排序；将排序结果中序号小于预设排序序号的备选节点确定为子图节点；将中心节点、所确定的子图节点、以及从中心节点到每个子图节点的路径组成一个子图。

其中，其他节点具体可以是任务关系图所包含的全部节点中，中心节点以外的任一节点。为了提高计算效率，节约计算资源，可以先根据预设筛选条件，在任务关系图中筛选出部分其他节点确定为备选节点，再计算权重和。

当然，也可以并不筛选，直接确定从中心节点到每个其他节点的路径，计算所确定的路径包含全部边的权重和。

本实施例并不具体限定预设筛选条件，可选地，预设筛选条件可以用于筛选出任务关系图中与中心节点距离较近的其他节点。具体可以包括：从中心节点到其他节点的路径包含边的数量小于预设边数量。

需要注意的是，在子图需要包含固定数量的节点的情况下，预设筛选条件所筛选出的其他节点数量至少需要大于或等于固定数量-1。具体地，可以限定预设筛选条件所筛选出的其他节点数量大于或等于预设排序序号。预设排序序号可以用于限定子图中节点数量。

可选地，所确定的从中心节点到每个备选节点的路径，可以是无环路径，从而限定所确定的路径并不会重复经过相同节点。

可选地，预设排序序号针对每个子图可以都相同，从而可以拆分出相同节点数量的多个子图。当然，预设排序序号针对每个子图也可以不同。

可选地，预设排序序号可以是预先设置的，具体可以是根据预先设置的子图节点固定数量确定的。本实施例中，通过预设排序序号，可以限定组成子图的节点数量，从而可以控制子图中节点数量为固定值。

可选地，本实施例中的循环停止条件，也可以是直到任务关系图中每条边至少属于一个子图。

为了便于理解，下面提供一种具体的应用实施例。

如图3所示，为本说明书实施例提供的一种子图采样的流程示意图。

其中，任务关系图中可以包括n个节点，需要针对任务关系图进行子图采样，得到子图集合，子图集合中的每个子图都包含m个节点。n具体可以是100，m具体可以是16。

S301：将任务关系图中所有节点的采样次数初始化为0。

S302：从任务关系图中随机选择采样次数最小的一个节点，作为初始节点。

S303：以初始节点为聚类中心，在任务关系图中选择与初始节点关联距离最短的15个其他节点，以及连接初始节点与所选择的其他节点的边，组成一个子图，将该子图添加到子图集合中，并且该子图中全部节点的采样次数增加1。

其中，关联距离具体可以是从初始节点到其他节点的路径所包含边的权重之和。

S304：判断任务关系图中所有节点是否都被采样过，也就是判断任务关系图中所有节点的采样次数是否都大于0。如果是，则结束本流程，如果否，则执行S302。

通过上述应用实施例，可以基于任务关系图得到多个节点数量相同的子图。

在上述拆分任务关系图得到子图的实施例中，可以通过得到节点数量相同的子图，来适应不同的任务规模。

例如，针对所获取的100个任务，可以构建包含100个节点的任务关系图，进而可以拆分为多个包含16个节点的子图，之后可以利用预先训练的人工智能模型，针对每个包含16个节点的子图进行概率预测。

即使针对所获取的1000个任务，也可以构建包含1000个节点的任务关系图，进而可以拆分为多个包含16个节点的子图，之后可以利用相同的人工智能模型，针对每个包含16个节点的子图进行概率预测。拆分出的子图数量可能不同。

可见，针对不同的任务规模，可以通过拆分任务关系图得到节点数量相同的子图，使用相同的求解方法，针对每个子图预测概率，无需调整求解方法，具体可以重复使用相同的模型，不会受到任务数量的影响，从而适应不同的任务规模。

2、将每个子图输入人工智能模型，输出该子图中每条边属于该子图的权重和最小路径的概率。

在一种可选的实施例中，由于子图的复杂度小于任务关系图，因此，针对子图分别利用预先训练的人工智能模型进行概率预测，可以提高计算效率。并且，还可以并行地针对不同子图进行概率预测，进一步提高计算效率。

在一种可选的实施例中，所得到的子图的节点数量可以是固定值，从而可以方便人工智能模型的训练。

可选地，由于需要输入人工智能模型的图结构(子图)的节点数量是固定值，因此，在构建人工智能模型时，模型的输入可以是固定节点数量的图结构。例如，需要输入模型的图结构(子图)可以是包含16个节点的图结构，因此，在构建人工智能模型时，可以设置模型输入为包含16个节点的图结构。

具体地，作为模型输入的图结构可以使用矩阵表示，具体可以是使用16*16的矩阵C表示，矩阵中的任一元素可以表征节点之间的边和/或边的权重。例如，Cij可以表示节点i和节点j之间边的权重。

当然，由于图结构中通常不存在节点与自身连接的边，通常Cii可以取0或者null，表示不存在的边。

同理，如果图结构中节点i与节点j之间不存在边，也可以使得Cij取0或者null，表示不存在的边。

因此，可选地，可以设置人工智能模型的输入为16*16的矩阵。

具体在使用图样本训练人工智能模型时，由于输入模型的图结构节点数量是固定值，因此，可以方便构建图样本，构建多个固定节点数量的图结构进行训练。

并且，由于节点数量通常较小，也可以方便对构建的图样本进行标注，具体可以方便快速确定出图样本的权重和最小路径，作为图样本的标签。

因此，在不同子图的节点数量相同的实施例中，可以方便人工智能模型的训练，一方面可以快速构建大量的有标签训练样本，另一方面可以方便构建模型，提高模型训练效率。

而人工智能模型的输出，通常可以包括子图中每条边属于子图中权重和最小路径的概率。

可选地，模型输出的形式可以是矩阵，具体可以针对包含m个节点的图结构，模型输出m*m的矩阵D。Dij可以表示节点i和节点j之间边属于该图结构中权重和最小路径的概率。

本方法流程并不具体限定预先训练的人工智能模型的架构，只要模型可以针对输入的图结构，输出各条边属于该图结构中权重和最小路径的概率即可。

在一种可选的实施例中，预先训练的人工智能模型可以是图卷积神经网络模型。

图卷积神经网络模型可以包括输入层、图卷积层、全连接层和softmax层。

具体地，可以将图结构输入图卷积神经网络模型，通过图卷积层得到图结构中每条边的表征向量(embedding)，之后可以通过全连接层针对每条边预测属于该图结构中权重和最小路径的概率，以softmax层输出的每条边属于该图结构中权重和最小路径(即旅行商问题的最优解)的概率与该图结构中实际权重和最小路径的情况之间的差异作为损失进行模型训练。

其中，由于通常m较小(子图的节点数量通常较小)，图卷积神经网络模型的超参，比如图卷积层层数、全连接层层数、隐藏层神经元数等可以设置得比较小，从而可以节约计算资源，提高计算效率。

3、针对任务关系图中的每条边，获取该条边在所属每个子图中，属于该子图的权重和最小路径的概率，并综合所获取的全部概率，确定该条边属于任务关系图的权重和最小路径的概率。

本实施例并不限定具体根据子图的预测结果，确定任务关系图中边的概率的方法。

在一种可选的实施例中，任务关系图的子图中权重和最小路径，可能是任务关系图中权重和最小路径的一部分。因此，可以参考任务关系图中每条边在所属每个子图中，属于该子图的权重和最小路径的概率，确定该条边属于任务关系图中权重和最小路径的概率。

因此，可选地，可以通过求平均值的方法，针对任务关系图中的每条边，计算该条边在所属的每个子图中属于该子图的权重和最小路径的概率之和，再计算概率的平均值，具体可以是将计算得到的概率和除以该条边所属的子图数量。之后可以将计算得到的平均值确定为该条边属于任务关系图中权重和最小路径的概率。

可选地，也可以通过其他方法进行计算，例如，去除最大最小概率值再计算平均值，或者根据子图的重要性确定权要，计算加权和，或者计算中位数等等。

可选地，可以通过计算加权和的方式进行确定。综合所获取的全部概率，确定该条边属于任务关系图的权重和最小路径的概率，可以包括：基于所获取的全部概率分别对应的概率权重，计算所获取的全部概率的加权和；将计算得到的加权和，确定为该条边属于任务关系图的权重和最小路径的概率。

本实施例并不限定其中的概率权重，可选地，如果子图中边的数量越多，则该子图中的权重和最小路径，越可能属于任务关系图中的权重和最小路径。尤其针对相同节点数量的子图。

因此，可选地，针对该条边在任一所属子图中属于该子图的权重和最小路径的概率，对应的概率权重可以与该子图中边的数量正相关。

在一种可选的实施例中，人工智能模型的输出可以是矩阵的形式。

例如，任务关系图中包含n个节点，划分任务关系图得到的子图包含m个节点，人工智能模型针对每个子图输出的概率集合，可以是m*m的矩阵X。Xij可以表示节点i和节点j之间的边属于对应子图中权重和最小路径的概率。

综合全部子图的概率集合，得到的任务关系图对应的概率集合，可以是n*n的矩阵Y。Yij可以表示节点i和节点j之间的边属于任务关系图中权重和最小路径的概率。

S103：根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径。

在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和至少大于一条其他路径。

在一种可选的实施例中，通过S102中的人工智能模型，可以确定出任务关系图中每条边属于任务关系图的权重和最小路径的概率，针对所确定出的概率，可以利用简单的搜索策略，确定出达标路径。

其中，可选地，可以针对所确定出的概率，求解不重复地经过任务关系图的各个节点的所有可能路径中，概率和最高的一条路径。显然，概率和越高，则越可能是任务关系图中实际的权重和最小路径。

相对应地，达标路径可以是不重复地经过任务关系图的各个节点的所有可能路径中，概率和最高的一条路径。因此，可选地，在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和最大。

可选地，可以通过遍历的方式进行求解。

但通常在任务关系图较为复杂的情况下，往往难以遍历不重复地经过任务关系图的各个节点的所有可能路径。

例如，首先需要遍历任务关系图中每个节点，作为起始节点，确定是否存在从该起始节点出发的，不重复地经过任务关系图的各个节点的所有可能路径。

显然，在任务关系图中节点数量较多的情况下，往往难以遍历。

可选地，可以在不重复地经过任务关系图的各个节点的所有可能路径中，确定出概率和相对较大的一条路径，作为达标路径。具体可以是局部最优解。

因此，在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和至少大于一条其他路径。

本实施例并不限定具体确定达标路径的方式，可选地，可以针对任务关系图中任一节点，作为起始节点，采用贪心搜索策略或束搜索策略，确定出概率和相对较高的一条路径，作为达标路径。

在一种可选的实施例中，在确定任务关系图中各条边的概率后，需要进一步以一个节点为起始节点，确定达标路径。

本实施例并不限定具体选择起始节点的方法。

可选地，可以是从任务关系图中随机选择一个节点，也可以是从任务关系图中指定一个节点。

可选地，可以从任务关系图中，所连接边的数量较少或最少的节点中进行选择。例如，可以将任务关系图中只连接一条边的节点，确定为起始节点。

需要说明的是，针对所选择的起始节点，在任务关系图中存在至少两条不重复地经过全部节点的路径，从而方便进行选择。

本实施例并不限定具体确定任务关系图中达标路径的方法。

可选地，可以从起始节点开始，在起始节点连接的全部边中，选择对应概率最高的一条边，确定为达标路径的一部分。

对应概率也就是边属于任务关系图的权重和最小路径的概率。

之后可以进一步确定所选择的边连接的另一个节点，进一步针对另一个节点，继续从另一个节点连接的全部边(已选择的边除外)，选择对应概率最高的一条边，确定为达标路径的一部分。

重复上述过程，直到任务关系图中的每个节点都被达标路径经过。

根据达标路径可以直接确定所获取的若干任务之间的处理顺序。

当然，也可以在确定达标路径的过程中，由于已经确定了达标路径的一部分，就可以直接确定出对应任务之间的处理顺序，从而可以实时确定任务之间的处理顺序。

上述确定最优路径的方法中，使用了贪心搜索策略，从一个节点连接的全部边(已选择的边除外)中，选择对应概率最高的一条边。

可选地，也可以使用其他搜索策略，例如束搜索等。

在一种可选的实施例中，根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径，可以包括以下步骤。

从任务关系图中选择任一节点添加到达标路径，并将该节点确定为当前节点。

循环执行以下步骤，直到将任务关系图中每个节点都添加到达标路径。

在当前节点的邻居节点中，确定未添加到达标路径中的邻居节点。这里是为了避免路径中存在重复的节点。

在所确定的邻居节点包括一个的情况下，将当前节点与该邻居节点之间的边，以及该邻居节点添加到达标路径。

在所确定的邻居节点包括至少两个的情况下，将当前节点与预设邻居节点之间的边，以及预设邻居节点添加到达标路径；在所确定的多个邻居节点中，预设邻居节点与当前节点之间边的概率，至少大于另一个邻居节点与当前节点之间边的概率。

在本实施例中，由于每次在选择后续节点时，通常选择相对概率较大的边对应的下一个节点，也就可以确定出概率和相对较大的一条路径。

其中，可选地，在所确定的多个邻居节点中，预设邻居节点与当前节点之间边的概率，可以大于其他每个邻居节点与当前节点之间边的概率。本实施例具体可以是贪心搜索策略。

可选地，在任务关系图为有向图的情况下，所确定的邻居节点，可以包括从当前节点出发的有向边所指向的邻居节点。

当然，可选地，也可以将任务关系图中不同的节点作为起始，通过搜索策略得到若干预选路径，进而选择出其中概率和最高或者权重和最小的路径。

因此，在一种可选的实施例中，根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径，可以包括以下步骤。

从任务关系图中选择多个节点，分别根据预设方法确定出备选路径。

从所确定的多个备选路径中，选择概率和最高或者权重和最小的备选路径确定为达标路径。本实施例中的达标路径的概率和或权重和可以至少大于一条其他路径。

其中，可以至少从任务关系图中选择两个节点。

而可选地，预设方法具体可以包括：将当前选择的节点添加到备选路径，并将该节点确定为当前节点。

循环执行以下步骤，直到将任务关系图中每个节点都添加到备选路径。

在当前节点的邻居节点中，确定未添加到备选路径中的邻居节点。

在所确定的邻居节点包括一个的情况下，将当前节点与该邻居节点之间的边，以及该邻居节点添加到备选路径。

在所确定的邻居节点包括至少两个的情况下，将当前节点与预设邻居节点之间的边，以及预设邻居节点添加到备选路径；在所确定的多个邻居节点中，预设邻居节点与当前节点之间边的概率，至少大于另一个邻居节点与当前节点之间边的概率。

在一种可选的实施例中，根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径，可以包括以下步骤。

从任务关系图中选择一个节点确定为当前节点。

循环执行以下步骤，直到将任务关系图中每个节点都添加到达标路径。

在任务关系图中，选择与当前节点之间存在一条边、且未添加到达标路径的节点。具体可以是全部节点。

确定任务关系图中连接当前节点与所选择的每个节点之间的边。

在所确定的全部边中，选择一条符合预设概率要求的边。

将所选择的边连接的其他节点以及所选择的边，都添加到达标路径，并将该其他节点确定为当前节点。

当前，在所选择的节点仅有一个节点的情况下，可以直接将当前节点与该节点之间的边，以及该节点添加到达标路径，并将该节点确定为当前节点。

其中，可选地，在贪心搜索策略的方法中，符合预设概率要求的边可以是在所确定的全部边中，属于任务关系图中权重和最小路径的概率最高的边。

可选地，在束搜索策略的方法中，在所确定的全部边中，选择一条符合预设概率要求的边，可以包括以下步骤。

在任务关系图中，确定与当前节点之间通过任一预设无环路径连接的其他节点；预设无环路径可以包含预设数量的边和所确定的任一边；并且预设无环路径可以是不包含环的路径。

其中，可以计算每个预设无环路径的概率和；在所计算的概率和最大的预设无环路径中，将连接当前节点的边，确定为符合预设概率要求的边。

可见，在预设数量为2或者更大的数字时，可以更好地查看后续的概率情况。

可选地，由于权重和最小路径并不会重复经过相同节点，也就不会存在环，因此，可以利用无环路径帮助确定权重和最小路径。

相对应地，由于是针对所确定的全部边进行选择，因此，预设无环路径需要包含所确定的任意一条边，从而方便在后续进行选择。

其中，预设无环路径可以包含预设数量的边，具体可以是一条或多条边。

在预设无环路径包含一条边的情况下，本实施例可以看作是贪心搜索策略。

在预设无环路径包含多条边的情况下，计算概率之和可以帮助确定在连续多条边的情况下，概率之和最大的预设无环路径，从而可以提高确定出概率和最大路径的可能性。

本实施例基于任务关系图中每条边属于任务关系图的权重和最小路径的概率，可以通过简单的搜索策略，确定出任务关系图中的达标路径，提高了确定达标路径的效率，也就提高了任务处理顺序的确定效率。

为了便于理解，下面提供了一种具体的实施例。

其中，任务关系图中每条边属于任务关系图的权重和最小路径的概率的形式可以是矩阵，具体可以是针对包含n个节点的任务关系图，得到n*n的矩阵Z，Zij可以表示节点i和节点j之间的边属于任务关系图中权重和最小路径的概率。

在得到矩阵Z之后，可以需要从中通过简单的搜索策略得到达标路径。

具体可以随机选择一个节点i作为起点，将节点i添加到达标路径，“贪婪”地从节点i与节点i的邻居节点之间的边中，选择对应概率最高的边。

具体可以是从矩阵Z中，确定出全部的Zi1，Zi2，Zi3，...，Zin，选择出其中最高的概率，例如Zix，则可以将节点x和节点i之间的边，以及节点x添加到达标路径。

之后，针对节点x，可以继续“贪婪”地从节点x与节点x的邻居节点之间的边中，选择对应概率最高的边。

之后可以一直重复这个过程，直到确定n个节点都在达标路径中。

S104：根据达标路径中各个任务的连接关系，确定各个任务的处理顺序。

由于达标路径中，明确了各个任务之间的连接关系，也就可以根据连接关系，确定出各个任务之间的处理顺序。

可选地，在任务关系图为有向图的情况下，达标路径中任一条有向边，例如，第一任务指向第二任务的有向边，可以表征先后连续处理第一任务和第二任务的处理顺序。

可选地，在任务关系图为无向图的情况下，达标路径中任一条无向边，例如，第一任务指向第二任务的无向边，可以表征连续处理第一任务和第二任务的处理顺序。先后顺序并不限定。

由于达标路径不重复地经过了任务关系图中的各个节点，因此，也就可以针对S101中需要确定处理顺序的全部任务，基于达标路径确定处理顺序。

由于在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和至少大于一条其他路径，概率和相对较高，因此达标路径的权重和相对较小，所确定出的任务处理顺序节约的总时长相对较长，也就可以提高处理多任务所节约的总时长，提高整体的处理效率，从而确定出一个处理效率相对较高的任务处理顺序，方便进行任务处理。

正是因为基于任务之间节约时长的数据分析，以增加节约总时长为目的，从任务关系图中确定出达标路径，因此，达标路径所表征的任务处理顺序，可以在一定程度上提高多任务处理的节约总时长，提高多任务的整体处理效率。

对应于上述方法实施例，本说明书实施例还提供了一种装置实施例。

如图4所示，为本说明书实施例提供的一种多任务处理顺序确定装置的结构示意图。该装置可以包括以下单元。

获取单元401，用于获取任务关系图。

其中，以需要确定处理顺序的不同任务为任务关系图中的不同节点；任务关系图中每个边的权重，与该边所连接的两个任务对应的节约时长负相关；第一任务与第二任务对应的节约时长的计算方式包括：在一次处理中仅处理第一任务的时长，加上在另一次处理中仅处理第二任务的时长，并减去在一次处理中连续处理这两个任务的时长。

概率单元402，用于基于人工智能模型，确定任务关系图中每条边属于任务关系图的权重和最小路径的概率。

其中，预先根据图样本和图样本中每条边对应的标签训练人工智能模型，每条边对应的标签用于表征该边属于或不属于图样本的权重和最小路径；图的权重和最小路径，是不重复地经过图的各个节点的所有可能路径中，权重和最小的路径；

路径单元403，用于根据所确定的每条边的概率，从不重复地经过任务关系图中各个节点的所有可能路径中，确定出达标路径。

在不重复地经过任务关系图的各个节点的所有可能路径中，达标路径的概率和至少大于一条其他路径。

顺序单元404，用于根据达标路径中各个任务的连接关系，确定各个任务的处理顺序。

上述装置实施例的解释可以参见方法流程的解释。

本说明书实施例还提供一种计算机设备，其至少包括存储器、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，其中，处理器执行所述程序时实现一种多任务处理顺序确定方法，也就是上述任一方法实施例。

图5示出了本说明书实施例所提供的一种更为具体的计算机设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本说明书实施例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一种多任务处理顺序确定方法，也就是上述任一方法实施例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书实施例可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书实施例各个实施例或者实施例的某些部分所述的一种多任务处理顺序确定方法，也就是上述任一方法实施例。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，在实施本说明书实施例方案时可以把各模块的功能在同一个或多个软件和/或硬件中实现。也可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本说明书实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本说明书实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本说明书实施例的保护。