CN112308432A - 一种基于类别和能力评价的众包任务推荐方法 - Google Patents

Abstract

本发明公开了一种基于类别和能力评价的众包任务推荐方法，包括：将任务文本进行分类，得到任务二级类别信息；提取能力方集合；基于任务二级类别信息与知识标签信息进行匹配，得到各任务对应的能够完成任务的能力方的集合；利用熵权法计算各任务对应的能够完成任务的能力方的集合中各能力方的综合经济效益系数；基于综合经济效益系数对各任务进行能力方推荐。与现有技术相比，本发明除了考虑能力方是否能够完成任务，还考虑了能力方完成任务时的综合经济效益，使得推荐信息前列的能力方不仅能够完成任务，还能保证完成任务的质量，进而使得推荐的质量得到了提高，实现了众包任务到能力方的精确推送。

Description

一种基于类别和能力评价的众包任务推荐方法

技术领域

本发明涉及信息推荐领域，具体涉及一种基于类别和能力评价的众包任务推荐方法。

背景技术

众包(crowdsourcing)指公司或机构把原本内部完成的工作任务，以自由自愿的形式，外包给非特定的大众网络，这一概念最早由Howe提出。众包在提出之后得到了快速的发展，兴起了如：local motors社区，亚马逊的Mechanical Turk，Dell公司的IdeaStorm，hair的hope，猪八戒等等一些众包平台，这些平台改变了设计的环境，对象以及创新的模式。公司或者个人可以把设计需求放到众包平台上，吸引那些有兴趣的人参与其中，使得最终的设计是集思广益的结果。众包平台将传统设计变成了众包设计，解决了传统设计在人力，财力，物力，智力方面的局限性，但也存在许多亟待解决的问题。如何精确的描述，区分，分解设计需求；如何快速准确的将设计需求和有兴趣和能力的人进行匹配；如何对设计的质量进行管控等等都是众包继续发展的难题。

基于内容的推荐是将用户的历史信息作为依据，不用参考其它的用户群，直接为用户推荐和其历史信息相似的信息。基于内容的推荐是最早使用在推荐系统中的一种算法，其优点在于：用户之间相互独立，仅仅根据物品本身的特征信息,就能为不同偏好的用户进行推送；在一定程度上能避免新物品的冷启动问题；其推荐结果的解释性强。但该算法存在难以区分推荐内容质量的高低，不能发现用户新的兴趣等问题。

因此，如何提高推荐质量，实现众包任务到能力方的精确推送成为了本领域技术人员急需解决的问题。

发明内容

针对现有技术中存在的上述不足，本发明实际要解决的问题是：如何提高推荐质量，实现众包任务到能力方的精确推送。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于类别和能力评价的众包任务推荐方法，包括：

S1、获取任务文本，将任务文本进行分类，得到任务二级类别信息；

S2、获取能力方信息及能力方对应的历史任务信息，提取能力方集合，能力方集合包括能力方id、能力方对应的知识标签信息及能力信息；

S3、基于任务二级类别信息与知识标签信息进行匹配，得到各任务对应的能够完成任务的能力方的集合；

S4、利用熵权法计算各任务对应的能够完成任务的能力方的集合中各能力方的综合经济效益系数；

S5、基于综合经济效益系数对各任务进行能力方推荐。

优选地，步骤S1中，将任务文本进行分类，还得到任务三级类别信息及任务赏金信息，所述基于类别和能力评价的众包任务推荐方法还包括：

S6、从历史任务信息中提取能力方对各三级类别的参与动机信息，参与动机信息；

S7、基于参与动机信息、任务三级类别信息及任务赏金信息对能力方进行任务推荐。

优选地，步骤S2中：

知识标签信息以向量K表示，K＝(h₁,h₂,…,h_I)，h_i表示能力方在第i个二级类别的知识标签值，h_i＝1表示能力方在第i个二级类别有知识标签，h_i＝0表示能力方在第i个二级类别没有知识标签，i＝1,2,3,…,I；

能力信息包括知识能力信息及其他能力信息；

知识能力信息以向量S表示，S＝(S_m,S_s,S_w)，S_m＝(m₁,m₂,…m_I)，S_m表示报酬金额向量，m_i表示能力方在第i个二级类别所获的报酬金额，S_s＝(s₁,s₂,…s_I)，S_s表示入围数向量，s_i表示能力方在第i个二级类别下的入围次数，S_w＝(w_1,2,…w_I)，w_i表示能力方在第i个二级类别下的中标次数；

其他能力信息以向量O表示，O＝(r,s,q,a)，r表示好评率，s表示完成速度评分，q表示完成质量评分，a表示完成态度评分；

能力方集合以向量P表示，P＝(P_id,K,S,O)，P_id表示能力方id。

优选地，步骤S4中：

任一任务对应的能够完成任务的能力方的集合中的第i'个能力方的综合经济效益系数为v_i',

n表示评价指标总数，a_j'为第j'项评价指标的权重，p_i'j'表示第i'个能力方第j'项评价指标的评价值；

g_j'表示第j'项评价指标的差异性系数；

g_j'＝1-e_j'，e_j'表示第j'项评价指标的熵值；

k和f_i'j'均为计算系数，

M表示对应的能够完成任务的能力方的集合中的能力方数量；

x_i'j'表示第i'个能力方第j'项评价指标的值。

优选地，步骤S6中：

任意一个能力方对各三级类别的参与动机用向量P_m表示，P_m＝[(C₃₁，t₁,T_min1,T_max1),(C₃₂，t₂,T_min2,T_max2),…,(C_3J”，t_J”,T_minJ”,T_maxJ”)]，C_3j”表示第j”个三级类别，t_j”表示能力方第j”个三级类别的任务的投标次数，T_minj”表示能力方第j”个三级类别的任务的任务赏金最小值，T_maxj”表示能力方第j”个三级类别的任务的任务赏金最大值，j”＝1,2,3，…，J”，J”表示三级类别的类别数。

优选地，步骤S7中：

筛选能力方在所属三级类别投标次数大于或等于1，且赏金在任务赏金最小值与任务赏金最大值之间的任务作为能力方的任务集合；

按照能力方在不同三级类别的投标次数，从大到小对不同三级类别排序；

按照任务的赏金多少，从大到小的对各三级类别对应的任务排序；

基于排序结果完成任务推荐。

综上所述，本发明公开了一种基于类别和能力评价的众包任务推荐方法，包括：获取任务文本，将任务文本进行分类，得到任务二级类别信息；获取能力方信息及能力方对应的历史任务信息，提取能力方集合，能力方集合包括能力方id、能力方对应的知识标签信息及能力信息；基于任务二级类别信息与知识标签信息进行匹配，得到各任务对应的能够完成任务的能力方的集合；利用熵权法计算各任务对应的能够完成任务的能力方的集合中各能力方的综合经济效益系数；基于综合经济效益系数对各任务进行能力方推荐。与现有技术相比，本发明除了考虑能力方是否能够完成任务，还考虑了能力方完成任务时的综合经济效益，使得推荐信息前列的能力方不仅能够完成任务，还能保证完成任务的质量，进而使得推荐的质量得到了提高，实现了众包任务到能力方的精确推送。

附图说明

图1为本发明公开的一种基于类别和能力评价的众包任务推荐方法的实施例1的流程图；

图2为本发明中能力方集合的示意图；

图3为本发明公开的一种基于类别和能力评价的众包任务推荐方法的实施例2的流程图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

实施例1：

如图1所示，本发明公开了一种基于类别和能力评价的众包任务推荐方法，包括：

S1、获取任务文本，将任务文本进行分类，得到任务二级类别信息；

本发明中，能力方是指有能力完成众包设计任务的工人。可利用文本分类技术或者人工在线标注的方法确定完成众包任务所需要的知识标签(任务二级类别信息)。众包任务按级分类是本文推送方法的前提条件，一级类别表示任务所属的大类别，如：家装服务，公装服务等；二级类别是根据完成该任务所需要的技能标签来进行划分，如：展会展厅就属于公装服务下的二级类别。

S2、获取能力方信息及能力方对应的历史任务信息，提取能力方集合，能力方集合包括能力方id、能力方对应的知识标签信息及能力信息；

具体实施时，步骤S2中：

知识标签信息以向量K表示，K＝(h₁,h₂,…,h_I)，h_i表示能力方在第i个二级类别的知识标签值，h_i＝1表示能力方在第i个二级类别有知识标签，h_i＝0表示能力方在第i个二级类别没有知识标签，i＝1,2,3,…,I；

能力信息包括知识能力信息及其他能力信息；

知识能力信息以向量S表示，S＝(S_m,S_s,S_w)，S_m＝(m₁,m₂,…m_I)，S_m表示报酬金额向量，m_i表示能力方在第i个二级类别所获的报酬金额，S_s＝(s₁,s₂,…s_I)，S_s表示入围数向量，s_i表示能力方在第i个二级类别下的入围次数，S_w＝(w_1,2,…w_I)，w_i表示能力方在第i个二级类别下的中标次数；

其他能力信息以向量O表示，O＝(r,s,q,a)，r表示好评率，s表示完成速度评分，q表示完成质量评分，a表示完成态度评分；

能力方集合以向量P表示，P＝(P_id,K,S,O)，P_id表示能力方id。

如图2所示，本发明中可对能力方进行建模，得到能力方集合，包括得到知识标签信息的知识建模和得到能力信息的能力建模。知识建模是用来衡量能力方的知识储备，表示能力方拥有知识的广度；能力建模包含知识能力和其他能力，知识能力是衡量能力方对知识标签掌握的程度，反映了能力方顺利完成任务的可能性，即能力方对知识的使用情况，表示能力方拥有知识的深度；其他能力主要是指服务能力，用来衡量能力方的信誉。

S3、基于任务二级类别信息与知识标签信息进行匹配，得到各任务对应的能够完成任务的能力方的集合；

当能力方包括某个任务对应的二级类别的只是标签，则可认为此能力方与此认为匹配。通过步骤S3，可以得到每个任务对应的能够完成此任务的集合。

S4、利用熵权法计算各任务对应的能够完成任务的能力方的集合中各能力方的综合经济效益系数；

具体实施时，步骤S4中：

任一任务对应的能够完成任务的能力方的集合中的第i'个能力方的综合经济效益系数为v_i',

n表示评价指标总数(本发明中的评价指标包括报酬金额、入围次数、中标次数、好评率、完成速度评分、完成质量评分及完成态度评分)，a_j'为第j'项评价指标的权重，p_i'j'表示第i'个能力方第j'项评价指标的评价值；

g_j'表示第j'项评价指标的差异性系数；

g_j'＝1-e_j'，e_j'表示第j'项评价指标的熵值；

k和f_i'j'均为计算系数，

M表示对应的能够完成任务的能力方的集合中的能力方数量；

x_i'j'表示第i'个能力方第j'项评价指标的值。

本发明在能力模型的基础上引入信息论中的信息熵来对能力方集合中的能力方能力大小进行评价。信息熵认为某项评价指标的评价值变化越是趋于平稳，则其信息熵越大，该指标提供的信息量越小，其所占权重也就越小。相反，如果变化越是趋于陡峭，其信息熵越小，该指标提供的信息量越大，同时其所占权重也就越大。

步骤S3仅仅能够得到可以完成任务的能力方，并不能确定各能力方完成任务的好坏。为了进行高质量的推荐，本发明基于得到的任务能力信息计算了能力方完成各二级类别的任务的综合经济效益系数。综合经济效益系数越高则可认为能力方完成任务的质量就越高。

S5、基于综合经济效益系数对各任务进行能力方推荐。

按照从大到小的顺序，即可完成能力方的推荐。

与现有技术相比，本发明除了考虑能力方是否能够完成任务，还考虑了能力方完成任务时的综合经济效益，使得推荐信息前列的能力方不仅能够完成任务，还能保证完成任务的质量，进而使得推荐的质量得到了提高，实现了众包任务到能力方的精确推送。

实施例2：

实施例1是向发包方推荐能力方，在实施例1的基础上，实施例2还可以向能力方推荐发包方。如图3所示：

具体实施时，步骤S1中，将任务文本进行分类，还得到任务三级类别信息及任务赏金信息，本发明中，能力方是指有能力完成众包设计任务的工人。可利用文本分类技术或者人工在线标注的方法确定完成众包任务所需要的知识标签(任务二级类别信息)。众包任务按级分类是本文推送方法的前提条件，一级类别表示任务所属的大类别，如：家装服务，公装服务等；二级类别是根据完成该任务所需要的技能标签来进行划分，如：展会展厅就属于公装服务下的二级类别。三级类别则是根据任务所在领域来进行划分，如：在二级类别展会展厅下又分可以为展架订制，展台搭建及展厅设计。

所述基于类别和能力评价的众包任务推荐方法还包括：

S6、从历史任务信息中提取能力方对各三级类别的参与动机信息，参与动机信息；

具体实施时，步骤S6中：

任意一个能力方对各三级类别的参与动机用向量P_m表示，P_m＝[(C₃₁，t₁,T_min1,T_max1),(C₃₂，t₂,T_min2,T_max2),…,(C_3J”，t_J”,T_minJ”,T_maxJ”)]，C_3j”表示第j”个三级类别，t_j”表示能力方第j”个三级类别的任务的投标次数，T_minj”表示能力方第j”个三级类别的任务的任务赏金最小值，T_maxj”表示能力方第j”个三级类别的任务的任务赏金最大值，j”＝1,2,3，…，J”，J”表示三级类别的类别数。

S7、基于参与动机信息、任务三级类别信息及任务赏金信息对能力方进行任务推荐。

具体实施时，步骤S7中：

筛选能力方在所属三级类别投标次数大于或等于1，且赏金在任务赏金最小值与任务赏金最大值之间的任务作为能力方的任务集合；

按照能力方在不同三级类别的投标次数，从大到小对不同三级类别排序；

按照任务的赏金多少，从大到小的对各三级类别对应的任务排序；

基于排序结果完成任务推荐。

实施例2在考虑到能力方参与动机的基础上，将任务推荐给能力方。参与动机代表了能力方对任务的偏好。研究表明能力方的兴趣爱好，任务的奖金刺激和个人能力锻炼是能力方选择任务的主要动机。个人能力锻炼动机就其他两个动机来说影响相对较弱且不好数字化建模研究，同时为了将众包任务精确推送给能力方，增加匹配的成功率，因此本发明将能力方的兴趣爱好和任务的奖金刺激作为能力方选取任务的动机。能力方的兴趣爱好及选取什么价位的任务都表现在能力方的历史任务信息中。

投标次数，在一定程度上代表了能力方对此类任务的兴趣大小，投标次数越大能力方对该类任务越有兴趣，反之则兴趣越淡。任务的赏金大小通常代表了任务的难易程度，在能力方的历史投标记录中，历史赏金的大小代表了能力方外在的解决众包任务能力的大小，先根据能力方的历史投标任务赏金筛选出在范围内的任务，然后按投标次数从大到小整理出各三级类别的推送优先级，再根据各个三级类别下任务的赏金大小，从大到小向能力方完成前Top-N的任务推荐。对于那些新能力方(即没有历史记录的能力方)则依靠他的能力标签(即二级标签)来随机推送。

上述仅是本发明优选的实施方式，需指出是，对于本领域技术人员在不脱离本技术方案的前提下，还可以作出若干变形和改进，上述变形和改进的技术方案应同样视为落入本发明要求保护的范围。

Claims (6)

1.一种基于类别和能力评价的众包任务推荐方法，其特征在于，包括：

S1、获取任务文本，将任务文本进行分类，得到任务二级类别信息；

S2、获取能力方信息及能力方对应的历史任务信息，提取能力方集合，能力方集合包括能力方id、能力方对应的知识标签信息及能力信息；

S3、基于任务二级类别信息与知识标签信息进行匹配，得到各任务对应的能够完成任务的能力方的集合；

S4、利用熵权法计算各任务对应的能够完成任务的能力方的集合中各能力方的综合经济效益系数；

S5、基于综合经济效益系数对各任务进行能力方推荐。

2.如权利要求1所述的基于类别和能力评价的众包任务推荐方法，其特征在于，步骤S1中，将任务文本进行分类，还得到任务三级类别信息及任务赏金信息，所述基于类别和能力评价的众包任务推荐方法还包括：

S6、从历史任务信息中提取能力方对各三级类别的参与动机信息，参与动机信息；

S7、基于参与动机信息、任务三级类别信息及任务赏金信息对能力方进行任务推荐。

3.如权利要求1或2所述的基于类别和能力评价的众包任务推荐方法，其特征在于，步骤S2中：

知识标签信息以向量K表示，K＝(h₁,h₂,…,h_I)，h_i表示能力方在第i个二级类别的知识标签值，h_i＝1表示能力方在第i个二级类别有知识标签，h_i＝0表示能力方在第i个二级类别没有知识标签，i＝1,2,3,…,I；

能力信息包括知识能力信息及其他能力信息；

知识能力信息以向量S表示，S＝(S_m,S_s,S_w)，S_m＝(m₁,m₂,…m_I)，S_m表示报酬金额向量，m_i表示能力方在第i个二级类别所获的报酬金额，S_s＝(s₁,s₂,…s_I)，S_s表示入围数向量，s_i表示能力方在第i个二级类别下的入围次数，S_w＝(w_1,2,…w_I)，w_i表示能力方在第i个二级类别下的中标次数；

其他能力信息以向量O表示，O＝(r,s,q,a)，r表示好评率，s表示完成速度评分，q表示完成质量评分，a表示完成态度评分；

能力方集合以向量P表示，P＝(P_id,K,S,O)，P_id表示能力方id。

4.如权利要求3所述的基于类别和能力评价的众包任务推荐方法，其特征在于，步骤S4中：

任一任务对应的能够完成任务的能力方的集合中的第i'个能力方的综合经济效益系数为v_i',

n表示评价指标总数，a_j'为第j'项评价指标的权重，p_i'j'表示第i'个能力方第j'项评价指标的评价值；

g_j'表示第j'项评价指标的差异性系数；

g_j'＝1-e_j'，e_j'表示第j'项评价指标的熵值；

k和f_i'j'均为计算系数，

M表示对应的能够完成任务的能力方的集合中的能力方数量；

x_i'j'表示第i'个能力方第j'项评价指标的值。

5.如权利要求4所述的基于类别和能力评价的众包任务推荐方法，其特征在于，步骤S6中：

任意一个能力方对各三级类别的参与动机用向量P_m表示，P_m＝[(C₃₁，t₁,T_min1,T_max1),(C₃₂，t₂,T_min2,T_max2),…,(C_3J”，t_J”,T_minJ”,T_maxJ”)]，C_3j”表示第j”个三级类别，t_j”表示能力方第j”个三级类别的任务的投标次数，T_minj”表示能力方第j”个三级类别的任务的任务赏金最小值，T_maxj”表示能力方第j”个三级类别的任务的任务赏金最大值，j”＝1,2,3，…，J”，J”表示三级类别的类别数。

6.如权利要求5所述的基于类别和能力评价的众包任务推荐方法，其特征在于，步骤S7中：

筛选能力方在所属三级类别投标次数大于或等于1，且赏金在任务赏金最小值与任务赏金最大值之间的任务作为能力方的任务集合；

按照能力方在不同三级类别的投标次数，从大到小对不同三级类别排序；

按照任务的赏金多少，从大到小的对各三级类别对应的任务排序；

基于排序结果完成任务推荐。

Images