[发明专利]基于决策模型与遗传矩阵分解法的众包任务数据推荐方法

说明书

本发明公开了一种基于决策模型与遗传矩阵分解法的众包任务数据推荐方法。包括：1)对众包平台中的历史数据进行预处理，获得预处理后的历史数据，基于预处理后的历史数据建立任务特征矩阵和用户特征矩阵；2)利用基于用户知识融合决策方法对任务特征矩阵和用户特征矩阵进行信息匹配，获得初始能力匹配矩阵；3)根据任务特征矩阵和用户特征矩阵建立匹配决策模型；4)根据初始能力匹配矩阵，利用遗传矩阵分解算法对匹配决策模型进行求解，获得用户与多个任务之间的匹配度，众包平台基于用户与多个任务之间的匹配度为用户进行众包任务推荐。本发明提高了众包平台上任务推荐的精度与效率，有效解决了众包场景中任务超载与任务匹配效率低的现实问题。

技术领域

本发明涉及了一种众包任务推荐方法，尤其是涉及了一种基于决策模型与遗传矩阵分解法的众包任务数据推荐方法。

背景技术

共享经济的发展促进了众包模式的迅速发展，众包设计平台上的任务数量、种类急剧增加，信息过载的问题随之显现。面对众多的信息，用户难以迅速选出适合自己的任务。为了降低搜索成本，用户大多选择最近发布或排在前两页的任务，较高的搜索成本可能会降低用户的参与度，并且不利于保证任务完成的质量。帮助用户挑选与自己相关的任务是任务选择的研究重点，两种主流的任务选择方法是任务搜索和任务推荐。由于任务搜索是从用户出发寻找任务，在信息过载的情况下，用户很难找到满足其个性化需求的任务；而任务推荐是从众包设计平台的角度出发，利用众包设计平台中的历史信息，识别用户的个性化特征，对用户进行个性化推送。所以，研究任务推荐是解决众包信息过载问题的有效途径，具有重要意义。

发明内容

为了解决背景技术上中存在的问题，本发明提出了一种基于决策模型与遗传矩阵分解法的众包任务数据推荐方法，实现了适合众包场景的任务与用户的配置，为众包任务分配提供决策支持。

本发明是通过以下技术方案实现的：

本发明包括以下步骤：

1)对众包平台中的历史数据进行预处理，获得预处理后的历史数据，基于预处理后的历史数据建立任务特征矩阵和用户特征矩阵；

2)利用基于用户知识融合决策方法对任务特征矩阵和用户特征矩阵进行信息匹配，获得初始能力匹配矩阵；

3)根据任务特征矩阵和用户特征矩阵建立匹配决策模型；

4)根据初始能力匹配矩阵，利用遗传矩阵分解算法对匹配决策模型进行求解，获得用户与多个任务之间的匹配度，众包平台基于用户与多个任务之间的匹配度为用户进行众包任务推荐。

所述步骤1)中，利用自然语言NLP方法分别对历史数据中任务以及用户的属性信息进行标准化信息提取，分别获得任务和用户的标准化信息，由任务和用户的标准化信息构成预处理后的历史数据。

所述任务特征矩阵、用户特征矩阵与初始能力匹配矩阵之间满足以下关系：

A＝W·H

其中，W表示用户特征矩阵，用户特征矩阵W的维度为m*k，m表示用户总数，k表示每个用户分配的最大任务数量，为用户特征矩阵中的第i行元素，表示第i个用户的属性信息，i＝1，2，...，m。H表示任务特征矩阵，任务特征矩阵H的维度为k*n，n表示任务的总数，为任务特征矩阵中第j行元素，表示第j个任务的属性信息，j＝1，2，...，k。A为初始能力匹配矩阵，初始能力匹配矩阵A的维度为m*n，a_ij为初始能力匹配矩阵A中第i行第j列的元素，满足a_ij表示用户i与任务j的能力匹配值。

所述的匹配决策模型的目标方程为：

其中，f(W，H)表示特征矩阵匹配差值，A初始能力匹配矩阵，W表示用户特征矩阵，H表示任务特征矩阵，表示取绝对值的平方和的平方根操作； min表示最小化操作；