基于知识图谱和图注意力的众包任务推荐算法

为解决目前众包任务推荐存在未考虑任务文本信息和数据稀疏的问题,提出一种基于知识图谱与图注意力的众包任务推荐模型。该模型首先利用自然语言处理技术提取任务文本信息中的关键要素,用于丰富图谱信息和缓解数据稀疏性;通过融合用户—任务交互图中的协同信息来构建协同知识图谱,在协同知识图谱中按协同邻居的类型分别运用图注意力网络;为获取用户准确的偏好,聚合邻居信息时按注意力得分从高到低采样固定数目的邻居;最后通过聚合不同类型的协同信息生成用户和任务的嵌入表示并得到交互概率。在构建的众包数据集上进行实验的结果表明,该模型在AUC、精准率、召回率和NDCG四个指标上均优于基线模型,验证了模型的可行性和有效性。

区块链环境下基于细粒度授权隐私保护的空间众包任务分配模型

物联网蓬勃发展促使空间众包广泛应用,其任务分配主要依赖中心化平台,而中心化服务器一旦受到分布式拒绝服务攻击,众包系统将完全瘫痪.此外,在众包应用中,任务分配的合理性,高昂的平台服务费,隐私保护策略也需要同时考虑.本文提出了一种区块链环境下的空间众包任务分配模型.利用去中心化的区块链取代原有的中心化平台,构建了投标分数阈值动态变化的拍卖模型进行任务分配,同时基于密文策略的属性加密实现细粒度授权,加强任务内容的隐私保护.本文在私有链下使用真实数据集进行试验,并与现存的空间众包模型做了对比分析,实验结果表明,本文提出的模型在任务分配时总路径更短,花费成本更低,更具有合理性.

基于多元线性回归的众包任务定价

针对众包任务定价的问题,根据大量的任务点与会员位置信息数据,首先借助BDP软件对任务进行数据挖掘,探究其定价规律,进一步分析其部分任务未完成原因;接着通过分析选出三个区域,并以区域1为例运用多元线性回归的方法建立任务点定价的模型;最终利用残差分析与点预测的方法对定价模型进行检验,得出最优的任务定价模型.

基于多Agent的众包任务分配算法的研究

众包任务分配就是将众包平台中合适的任务分配给合适的众包方,以充分利用众包方的能力资源,提高任务的完成进度。针对众包平台中的任务分配问题,结合多Agent技术,提出一种基于多Agent的众包任务分配算法,该算法综合考虑众包方的任务负载、兴趣、能力,以及新众包方等因素,并将众包方变为主动竞争任务的智能体。众包平台中各组成部分构成Agent,多Agent之间相互协作,形成智能的多Agent的众包任务分配平台的体系结构,以此来保证众包任务高效地分配,准时地完成,提高了企业复杂任务工作的效率。

基于协同过滤的众包任务推荐算法

根据工作者处理任务的工作时长和处理任务的种类的不同,从众包数据集中找出工作者处理时长较长、处理任务种类相似的任务推荐给工作者。通过对数据集进行预处理、k-means算法聚类、计算余弦相似度和运用基于内容的协同过滤算法选择最相似的几个任务作为推荐结果推荐给工作者,从而算法的推荐功能。结果表明基于协同过滤的众包任务推荐算法执行效率虽然不是最好,但基本完成了任务推荐功能。

基于层次分析与多元曲线拟合法的众包任务定价模型研究

作为影响众包任务完成率的重要因素,众包任务定价受到众包任务决策者的高度关注,成为了众包过程中的重要难题。针对众包任务定价过低将直接导致任务接单率低下,而任务定价过高则会增加任务发布者的支出成本的定价难题,本文提出了一种基于层次分析法和多元曲线拟合法的众包任务定价模型,研究了会员密度、会员至任务之间的距离、任务地理位置、经济发展水平以及交通情况五个主要因素对众包任务定价的影响情况,并通过概率统计分析论证了众包任务定价与任务完成率之间的线性关系,为提高众包任务完成率提供了理论方法。实验表明该模型适用于各类任务发布地区,具有普遍的适用性,能够帮助决策者制定出合理的任务定价方案。

混合云下具有交付期约束的众包任务调度算法

由多个任务组成的众包任务(Bag-of-Tasks,BoT)被广泛应用于各种领域,一般在混合云下执行。与调度问题中传统的截止时间约束不同,交付期约束允许BoT应用程序的完成时间超过预先指定的交付期,但会产生延迟惩罚。在这种情况下,为了降低总成本,文中提出了一种高效的和声搜索算法(Efficient Harmony Search,EHS),用于在混合云下优化调度任务。该算法通过随机搜索和微调得到初始任务序列,然后通过改进和声搜索步骤和产生新和声记忆库的方式,在一次搜索过程中可以获得大量优质和声,大大提高了和声搜索的效率,加快了算法的收敛速度。通过不断迭代,获得全局最优解,即使总成本最低的BoT应用调度方案。实验结果表明,相比其他算法,该算法在性能上有显著提升,可以有效地降低调度众包任务的总成本。

基于APP对众包任务的定价策略研究

随着知识经济和信息时代的到来,众包模式作为企业实施开放式创新的途径之一,已成为一种新型的电子商务模式,极大地促进了经济社会的进步。而合理的任务定价是众包模式成功的关键,因此研究众包任务的定价对促进众包模式的长远发展具有重要意义。本文基于APP平台上提取的众包任务相关数据,综合运用聚类思想和线性回归法,得到了众包任务定价在不同因素影响下的变化规律,并结合相应规律给企业制定任务价格提出了合理化建议。

基于多Agent的众包任务推荐系统设计

由于传统的众包任务推荐系统在进行众包任务推荐时无法监测到用户能力水平变化的具体情况,因此推荐匹配度低,无法实现对众包任务的高质量推荐。为此设计了一个基于多Agent的众包任务推荐系统。在原有系统硬件基础上,选用型号为3300/16-12-01-01-00-02-J的智能在线监测器,特别设计了8×6.5英寸的彩色LED屏,能够将监测的用户能力水平变化情况显现出来,从而优化硬件性能;通过获取平台用户、任务信息,构建用户、任务数据库,再选取合适的任务推荐算法,计算出用户与任务匹配度,最后选取TopN推荐给用户。利用NetLogo5.0.5平台设计实验,结果表明,设计的推荐系统推荐契合度最高可达98.89%,对照组为76.41%,设计系统可以实现对众包任务的高质量推荐。

众包平台中众包任务与运行机制的匹配性研究

新时代下信息技术的应用与更新为众包平台的进步和发展创造了新的机遇,通过文献研究,发现众包任务与众包平台运行机制的匹配性直接或间接地影响着众包活动的整体绩效。文章在对国内外众包网站案例进行分析的基础上,从任务结构化、任务依存性、任务承诺3个维度划分了众包任务,探讨了不同的任务类型与交易机制、激励机制以及信用机制3种平台运行机制的匹配关系,而且为提高运行绩效,针对众包平台运行机制提出了优化建议。

融合关联规则的MOOC资源众包平台任务分配算法

在高校大力发展MOOC平台背景下,为了提升学生的主动性、MOOC平台资源库的丰富性,出现了众包协同构建资源的方法,让学生和教师构成学习共同体,在完成新知识学习的同时进行资源库建设。高校MOOC众包平台的任务就属于知识密集型任务,挑选合适的参与者直接关系到MOOC资源库构建质量。为了更好地构建高校MOOC资源平台,提出一种针对知识密集型众包任务的分配方案,它包含学生的准入筛选、预期工作能力评估两个阶段。首先利用改进Apriori课程关联算法对学生进行准入筛选;其次利用知识关联算法对学生预期工作能力进行评估并将众包任务分配到工作能力最合适的学生;最后对方案进行测试验证,结果表明该方案能够能较好地提升学生挑选和任务分配的效果,促进构建更高质量的MOOC资源库。

众包模式分布式任务的定价研究

互联网技术的飞速发展使得众包环境下分布式任务这种新型商业和大众创新模式出现在各个商业领域并日益成熟。这种新业态对我国创新模式将产生重大影响,而定价问题是这种模式下的核心问题。针对定价难题,本文基于此类APP的后台大数据,利用数学建模的方法对影响任务定价的因素、合理的定价模型进行了探究。首先利用逐步回归法得出影响定价的因素包括任务的地理位置、任务附近的会员密度、任务点密度以及其对定价的具体影响;然后从未完成的任务点集中研究得出导致任务失败的主要原因是定价过低,从而提出了基于任务距离溢价的定价模型。其次,考虑到将任务联合打包发布可能会有利于任务的完成,本文在此创新性地提出了基于动态任务打包发布的定价模型。利用以上已建立的定价模型,本文对APP后台新任务点的数据进行了任务定价的实证测算并对此做出任务完成情况的预测。最后,依据以上探究结果给出了对众包市场分布式任务定价机制的建议。

校园任务众包的缘起与需求挖掘分析

在企业层面任务众包蓬勃发展的同时,任务众包也开始慢慢在校园兴起。众包模式一般指接包方通过在众包平台上承接发包方在平台上发布的任务并按约定完成任务获得报酬。针对大学生,围绕生活、学习、社交三个方面任务众包需求,设计相关问卷。问卷调查结果表明:对于校园任务众包平台的设计者来说,生活类任务应该作为一个重点内容,其次是学习类任务,最后才是社交类任务。

双边匹配方法在企业众包平台的应用实践

对现代企业而言,众包模式的成功应用具有十分重要的意义。借助众包模式充分挖掘企业内部资源,吸引企业外部资源,对提升企业生产创新效率、降低经营管理成本、增加企业效益具有积极作用。以企业内部众包为例,将双边匹配方法在汽车模具工艺众包平台中进行应用,以任务需求与用户能力的匹配程度和用户对任务的偏好程度为满意度衡量指标,分析和研究了基于众包任务和用户间满意度的双边匹配问题,证明了该方法在提升企业众包平台效率中的有效性,并通过进一步分析尝试探求企业众包平台应用中的问题。

校园众包项目多案例比较分析:基于商业模式视角

校园任务众包项目蓬勃兴起,有必要从商业模式视角进行分析。商业模式包括产品模式、用户模式、推广模式、收入模式四个部分。针对"脸帮"、"校猿网"、"mfoyou"三个校园任务众包项目进行商业模式比较分析。发现三个项目的商业模式各有利弊,但从商业价值看:"校猿网"和"mfoyou"的商业价值更大一些,特别是"mfoyou",但未来相关项目还需要继续完善升级。

一种新型劳务众包平台的市场策略与定价研究

定义并研究了自助式空间劳务众包这一新型众包模式,给出相关定义和众包平台的运行规则,提出会员行为仿真算法模拟市场.根据这类劳务众包平台增加利润和扩大市场份额的普遍需求,基于双边市场理论,提出任务打包机制、定价多目标规划模型和抢单顺序多目标规划模型.采用带精英策略的非支配排序的遗传算法(NSGA-Ⅱ)求解问题的帕累托解集(Pareto Front),最后应用逼近理想点法(TOPSIS)根据平台战略目标给出最优解.规划模型在数据集上应用效果良好,任务完成率能在有效控制成本的前提下提升30%至45%,新用户参与率能在保证较高的任务完成率的前提下提升150%至250%.

基于核加权KNN和多目标优化的众包平台定价系统设计

随着科技的发展,众包模式越来越受到人们欢迎,而任务定价合理程度关乎众包平台的发展。因此,本文针对任务定价问题,结合数据挖掘和多目标优化理论,设计了基于核加权KNN和多目标优化的众包平台定价系统。首先,分析影响任务定价的相关指标,构建基于核加权KNN的接单判别模型,并利用PSO算法优化参数,增加模型预测精度与鲁棒性。其次,以任务完成率最大、任务总价最小为目标函数,构建多目标优化模型。通过贪心法得出每增加1%任务完成率所需要最少的加价额度,采用有序样品最优聚类,根据最优分割点确定最佳定价方案,保证众包平台能在最小的代价下得到最好的发展。最后,提供众包平台定价系统的设计建议与改进方向。

风险型多任务众包项目任务分配模型及应用

现有众包项目任务分配研究主要集中于单一任务以重复分配策略获取较高质量,问题相对简单。现实中项目任务需要进一步分解以降低其复杂性,再将分解后较简单的项目子任务发包给能力较强的众包者,并需要站在整个任务网络角度建立起优化模型来求解任务分配问题。本文在考虑众包工人的能力风险下,将承包者能力风险及其带来的成本纳入模型,建立了以项目工期最小化、成本最低以及承包任务人数最少为目标的多目标任务分配模型,并提出了求解优化模型的启发式算法。研究表明目标的优先级不同以及是否考虑承包者能力风险结果有较大不同,能力风险成本将增加项目总体成本,具体实例验证了该算法的有效性和优越性,本研究对众包平台任务匹配服务有一定的赋能价值。