[发明专利]基于匈牙利算法的众包平台新任务多目标推荐方法

摘要

本发明公布了基于匈牙利算法的众包平台新任务多目标推荐方法。众包平台运营的关键问题，是要高效地解决发布方提交的新任务。由于众包平台新任务在发布时可提供的信息有限，因此会发生用户选择的任务与用户能力不匹配等问题，因此需要相应的推荐方法向用户推荐合适的新任务。本发明首先给出评估用户完成新任务效率的方法，在此基础上建立了众包新任务推荐问题的数学模型，并利用匈牙利算法对模型进行求解。

主权项

1.基于匈牙利算法的众包平台新任务多目标推荐方法，其特征在于如下步骤：步骤1：提出评估用户在优化目标下完成新任务效率的方法；由于新任务可利用的信息有限，根据众包平台任务数据信息与用户信息，构建用户与新任务的联系；通过任务标题和需求文本寻找用户记录中的相似任务，基于相似任务构建用户与新任务的联系；选取评价指标对用户在优化目标下完成相似任务的效率进行评价，作为用户在优化目标下完成新任务效率的估计值；步骤1.1：寻找相似任务选用基于向量空间模型VSM的TF‑IDF方法将新任务和用户交易记录中已完成任务的标题和需求描述文本转化为向量表示，利用余弦相似度分别计算任务标题文本和需求描述文本间的相似度；最后，采用熵权法给两个相似度值赋予权重，计算其线性加权和作为任务间的相似度，设任务j₁,j₂的相似度为S(j₁,j₂)，令S(j₁,j₂)＝δS₁(j₁,j₂)+(1‑δ)S₂(j₁,j₂)其中S₁(j₁,j₂)为j₁,j₂标题文本相似度，δ为S₁(j₁,j₂)的权重，S₂(j₁,j₂)为j₁,j₂需求描述文本相似度，1‑δ为S₂(j₁,j₂)的权重；将与第j项新任务相似度大于α的第i个用户交易记录中的已完成任务ST_ij作为第j项新任务的相似任务；步骤1.2：评价用户在优化目标下完成相似任务的效率选取优化目标下的评价指标：设Ind_kl表示第k个目标的第l个评价指标；质量目标的度量指标包括任务需求描述文本字符数(Ind₁₁)、任务关注用户数(Ind₁₂)和提供方案用户数(Ind₁₃)；时间目标的度量指标包括任务规定完成时间(Ind₂₁)、中标用户完成时间/任务规定完成时间(Ind₂₂)和方案筛选时间/方案数(Ind₂₃)；成本目标的度量指标包括总额度(Ind₃₁)和奖励额度(Ind₃₂)；使用模糊综合评价法评价用户完成相似任务的效率；计算用户在目标下完成相似任务的效率；若第i个用户交易记录中满足条件的相似任务数大于1，取相似任务指标值的均值作为ST_ij在指标下的取值进行计算；设为在指标Ind_kl下第i个用户完成ST_ij的效率，ST_ij在指标Ind_kl下的取值为若指标值越大效率越大，则若指标值越小效率越大，则其中求得之后，采用熵权法为指标设置权重，设ω_kl为指标Ind_kl的权重，为第i个用户在指标Ind_kl下完成ST_ij的效率，为第i个用户在第k个目标下完成ST_ij的效率，则将用户完成相似任务的效率作为用户完成新任务效率的估计值，若第i个用户交易记录中满足条件的相似任务数量为0，说明用户没有参与过与新任务类似的任务，此时记第i个用户完成新任务的效率值为0；步骤1.3：估计用户在优化目标下完成新任务的效率m个用户对应第j项新任务的相似任务集合为{ST_1j，ST_2j，ST_3j，…，ST_mj}，若第i个用户完成ST_ij对应的效率满足这表明第i位用户曾完成过与第j项新任务同类型的任务，且是所有用户完成记录中效率最高的，因此用户完成相似任务的效率可以度量用户完成新任务的效率；并且用户完成相似任务的效率值越高，用户完成新任务的效率值就越高；因此可以将用户完成相似任务的效率值作为用户完成新任务效率的估计值，则有第i个用户在第k个目标下完成第j项任务的效率值其中，k＝1表示质量效率，k＝2表示时间效率，k＝3表示成本效率；此时有，效率值越大代表用户与该任务匹配度越高；步骤2：给出众包新任务推荐问题的多目标优化模型；设众包平台有n项处于待选择状态的新任务，欲推荐给空选状态的m(m≥n)个用户；在推荐过程中，同时考虑3个目标，即质量、时间和成本；若将第j项任务推荐给第i个用户，则令x_ij＝1，否则令x_ij＝0；这样，一个推荐方案就可以表示为如下矩阵X＝(x_ij)_m×n第i个用户在第k个目标下完成第j项新任务的效率其中k＝1时表示质量效率，k＝2时表示时间效率，k＝3时表示成本效率；基于此建立新任务推荐问题的多目标优化模型；在众包平台中，用户数远远大于任务；考虑到用户完成一项任务需要花费一定时间，所以在一次推荐过程中为每个用户推荐且仅推荐一项任务；若用户选择参与某项任务，则该用户在下次推荐时处于非空选状态，否则进入下次推荐过程，则其中，若第j项任务推荐给第i个用户则x_ij＝1，否则x_ij＝0；此外，同一项任务可以推荐给多个用户，假设第j项任务可由u_j个人共同完成，则对第k个目标，其目标函数值为F^k(X)表示在推荐方案X下的总效率值，即在推荐方案X下m个用户在第k个目标下完成n项新任务的效率值总和；因此，可以将众包新任务推荐问题转化为用户在三个目标下完成新任务效率函数值最大化问题；综上所述，建立众包新任务推荐问题的数学模型如下：其中x_ij＝1表示将第j项任务推荐给第i个用户，否则x_ij＝0；步骤3：用匈牙利算法来对步骤2所建立的模型进行求解；所述众包新任务推荐问题的匈牙利算法求解方法，其特征在于以下步骤：步骤3.1：效率合成矩阵的构建由构建目标k下的效率矩阵并采用加权法将多目标优化问题转化为单目标优化问题；令则c_ij为用户在3个目标下完成新任务的综合效率；其中，w_k为第k个目标的权重，权重值由德尔菲法确定；基于此，构建用户完成新任务的效率合成矩阵C＝(c_ij)_m×n步骤3.2：基于匈牙利算法的求解设n项任务都已推荐一位用户，则剩余m‑n位用户还可选择n项任务中的任一个，则每项任务最多还可能有m‑n位用户参与；因此，不妨假设每项任务都有另外m‑n个同样的复制任务，而每位用户完成复制任务与完成该任务的效率值相同；此时，总任务数为n(m‑n+1)，大于用户数m；再假设还有n(m‑n+1)‑m＝(m‑n)(n‑1)个用户，他们完成任何任务的效率均为0；这样，任务数与用户数相等，问题转化为将n(m‑n+1)项任务推荐给n(m‑n+1)个用户，使得每项任务由且仅由一个用户完成，符合传统指派问题的条件，可由匈牙利算法求解；基于上述过程，可得C的扩展效率矩阵为其中矩阵第一行C的个数为m‑n+1；第二行中的0表示(m‑n)(n‑1)行n列的零矩阵；设对A进行求解所得矩阵为X＝(x_ij)_{n(m‑n+1)×n(m‑n+1)}而众包任务推荐问题的解可根据X前m行中值为1的元素位置决定；若x_ij＝1，且i≤m，此时1≤j≤n(m‑n+1)，将j表示为j＝pn+q(0≤p≤m‑n,1≤q≤n)当p＝0时，j＝q，表示第i位用户被推荐完成第q项任务；当1≤p≤m‑n时，表示第i位用户被推荐完成第q项任务的复制任务；综上，当0≤p≤m‑n时，第i位用户被推荐完成第q项任务。