基于众包工人移动轨迹的任务推荐模型

随着移动众包的发展,越来越多的任务被发布在众包平台上。然而,由于移动众包系统中有大量的任务,当众包工人根据自己的兴趣主动选择任务时,选择出适合众包工人执行的任务会花费大量的时间。此外,由于众包工人不能完全了解众包系统中存在的所有任务的信息,他们很难选出最适合自己执行的任务。移动众包系统中的任务具有时间和空间特性,需要众包工人在指定的时间区间内移动到指定的区域完成任务。而众包工人有自己的工作和生活,为了适应众包工人的日常移动规律,提出了一种移动预测模型来预测众包工人的移动行为。基于预测结果和众包工人的需求,提出了一种基于众包工人移动轨迹的任务推荐模型。文章在两个真实数据集上进行了大量的仿真,结果证明所提模型具有较高的准确性和良好的适应性。

基于活跃时间分组的软件众包工人选择机制

针对现有的软件众包工人选择机制对工人间协同开发考虑不足的问题,在竞标模式的基础上提出一种基于活跃时间分组的软件众包工人选择机制。首先,基于活跃时间将众包工人划分为多个协同开发组;然后,根据组内工人开发能力和协同因子计算协同工作组权重;最后,选定权重最大的协同工作组为最优工作组,并根据模块复杂度为每个任务模块从该组内选择最适合的工人。实验结果表明,该机制相比能力优先选择方法在工人平均能力上仅有0. 57%的差距,同时因为保证了工人间的协同而使项目风险平均降低了32%,能有效指导需多人协同进行的众包软件任务的工人选择。

考虑用户时空行为的众包任务推荐方法

当前的时空众包任务推荐方法大都是针对有奖励约束、全职做众包任务的众包工人,忽略了有兴趣偏好、不受奖励约束完成任务的兴趣型众包工人,如何将众包任务推荐给这些兴趣型工人,是亟待解决的问题。针对此情况,提出考虑兴趣型时空众包工人的时空行为规律和兴趣偏好的推荐方法。引入基尼系数,在数据中筛选出兴趣型时空众包工人的数据,利用地理-社会关系模型的聚类方法对众包任务进行聚类,用高斯分析的马尔可夫模型预测众包工人在下一转移时间点可能到达各个地点的概率,把位于众包工人可能到达地点的任务按概率降序推荐给兴趣型工人。实验结果表明,所提方法有效提高了兴趣型时空众包任务的完成率。

全球数字平台劳动者就业研究

国际劳工组织于2015年和2017年开展了两次问卷调查,样本覆盖全球75个国家的3500名劳动者。这些劳动者在全球运作的5家大型微任务平台工作。基于问卷调查结果,本文阐述了劳动者的基本特点及其从事这类工作任务的动机,分析了微任务平台的工作条件,介绍了鼓励平台和平台用户遵守最低标准的做法与实践,并提出了改善数字就业平台工作条件的一系列原则。