CN111626616A - 一种众包任务推荐方法 - Google Patents
一种众包任务推荐方法 Download PDFInfo
- Publication number
- CN111626616A CN111626616A CN202010464312.3A CN202010464312A CN111626616A CN 111626616 A CN111626616 A CN 111626616A CN 202010464312 A CN202010464312 A CN 202010464312A CN 111626616 A CN111626616 A CN 111626616A
- Authority
- CN
- China
- Prior art keywords
- task
- crowdsourcing
- tasks
- processed
- workers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012358 sourcing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 101150109974 mturn gene Proteins 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种众包任务推荐方法,包括如下步骤:根据众包平台上的众包工人数据和历史任务,对众包工人进行用户画像更新及用户画像等级更新;根据待处理任务的要求对所述众包工人进行筛选,并获得众包工人列表;根据所述待处理任务的要求和所述众包工人列表确定所述待处理任务的完成时间和价格;根据所述完成时间和价格,通过任务推荐模型确定所述众包工人的推荐概率列表;根据所述待处理任务和所述推荐概率列表,将待处理任务推荐给所述众包工人列表中的众包工人。本发明通过对众包工人进行用户画像,通过用户画像中的属性对众包工人的技能进行等级评分,并生成推荐概率列表,从而实现将任务自动推送给众包工人。
Description
技术领域
本发明涉及任务推荐领域,尤其涉及一种众包任务推荐方法。
背景技术
近年来,众包作为一种分布式的问题解决和商业生产模式正在得到广泛的应用,如广为人知的Mturk、CrowdFlower、百度众测等平台。众包模式通过在互联网众包平台上征集大量分布在世界各地的众包工人来完成一个人或一个团队难以在短时间内完成的任务。在众包模式中,任务被分配给互联网上的工人来完成,这样公司的生产成本就可以大大降低,众包工人则可以通过完成众包任务获得经济回报或者锻炼专业技能,同时众包平台则可以通过众包任务的分派和回收获取服务费用,是一种多赢的商业模式。
在众包***中,任务推荐可以帮助任务的发布者更快地获得高质量的输出,并可以帮助众包工人更快地找到适合的任务。但是对于众包任务发布方和众包工人来说,希望合适的工人完成合适的任务往往并没有达到预期。对一个众包工人来说,他经常难以找到合适的任务来完成,因为他往往需要面对海量的任务选择,这些任务有的需要特殊技能,有的价格差别很大。例如,在2011年2月,MTurk平台每天平均为合格的众包工人提供的任务约为8万项,众包工人需要从这些众多的任务中选择适合自己背景和技能的任务,来赚取可能微不足道的经济回报。因此,如何快捷地帮助众包工人选择和获取合适的任务是非常重要的。同样,这项需求也同样适用于众包任务发布方,他们同样希望将众包任务尽快得分派给合适的众包工人。现在众包平台上积累的关于众包工人完成任务相关的海量数据为解决这一问题提供了可能,如果利用这些数据对众包工人进行用户画像,挖掘众包工人的任务偏好以及专业技能等方面,并提供给众包工人适合的任务推荐,可以帮助众包工人更快的获取合适任务,并且能够帮助众包任务发布方尽快回收高质量的任务反馈。因此,设计一种众包任务推荐方案,来实现自动化将众包任务推荐给适合的众包工人,成为一种现实的需求。
发明内容
本发明提供一种众包任务推荐方法,以克服上述技术问题。
本发明提供一种众包任务推荐方法,包括如下步骤:
S1:更新众包平台上每一众包工人对应的用户画像参数,所述用户画像参数包括用户画像属性以及用户画像等级;
S2:根据待处理任务的要求对所述众包工人进行筛选并获得众包工人列表,所述众包工人列表由符合待处理任务的要求的众包工人构成;
S3:确定所述待处理任务的完成时间和价格,所述时间和价格根据所述待处理任务的要求和所述众包工人列表确定;
S4:确定所述众包工人的推荐概率列表,所述推荐概率列表根据所述完成时间和价格并通过任务推荐模型;
S5:根据所述待处理任务和所述推荐概率列表,将待处理任务推荐给所述众包工人列表中的众包工人。
进一步地,所述S1中所述用户画像属性包括:背景与技术描述、在线时间偏好描述和历史任务完成情况描述;
所述背景与技术描述包括:所学专业、从事领域和技能等级;
所述在线时间偏好描述包括:常登录时间段和常领取任务时间段;
所述历史任务完成情况包括:常完成任务的类型、常完成任务所属领域、完成任务的准确率和常完成任务的价格。
进一步地,所述S1中所述用户画像等级更新包括以下步骤:
S101:采集背景与技术描述、在线时间偏好描述和历史任务完成情况描述参数,通过文本预处理剔除非法数据;
S102:计算所述属性中数值及集合信息,包括常登录时长、常完成任务的时间、常登录时间段等;采用LDA聚类计算更新常完成任务的类型、常完成任务所属领域;
S103:根据完成任务情况计算众包工人wi等级评分SCi,根据等级评分SCi归类等级BCi;在当前第t+1周期后等级评分SCi计算公式为:
其中,SCi为当前第t+1周期的等级的评分;对众包工人wi,BCi为技能等级(BCi∈C,C为等级集合),TAi为众包工人完成任务的准确率,TAi(t)为截止第t周期其任务完成准确率,α为任务完成准确度系数,β为任务完成数量系数,M为当前第t+1周期内众包平台总任务数,mi为众包工人wi在当前第t+1周期内完成任务数,DIj为第j个任务的难度,TNj为第j个任务的题目数量;
S104:根据所述众包工人的评分,进行等级更新。
进一步地,所述S3中根据所述待处理任务的要求和所述众包工人列表确定所述待处理任务的完成时间和价格包括如下步骤:
S301:通过LDA聚类所有待处理任务的文本来确定所述待处理任务的类别;
S302:从历史任务中抽取与所述待处理任务同属一类的所有任务集合;
S303:建立由历史任务的题目数量、任务发布方设定的题目难度值、完成准确率、完成时间和定价组成的训练集,并对所述训练集进行线性回归处理;并分别拟合待处理任务的完成时间和价格的函数。
进一步地,所述S4中所述推荐模型的建立步骤如下:
S401:根据历史众包任务和用户画像构建推荐模型训练集,并得到待处理任务中的文本信息和众包工人参与度信息;
S402:通过独热编码(One-Hot)对所述文本信息和众包工人参与度信息进行处理,并将处理后的文本信息输入至双向循环神经网络来提取文本高层特征,将众包工人参与度信息分输入至单向循环神经网络来提取活跃度高层特征;
S403:采用集合元素间按位相乘方法对所述文本高层特征和活跃度高层特征进行融合得到最终特征;
S404:将所述最终特征输入softmax层进行计算得到所述推荐概率列表。
本发明通过对众包工人进行用户画像,通过用户画像中的属性对众包工人的技能进行等级评分,并生成推荐概率列表,从而实现将任务自动推送给众包工人。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明众包任务推荐方法的流程图;
图2为本发明众包任务推荐方法的用户画像等级更新流程图;
图3为本发明众包任务推荐方法的确定待处理任务的完成时间和价格流程图;
图4为本发明众包任务推荐方法的推荐模型的建立的流程图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种众包任务推荐方法,如图1所示,包括如下步骤:
S1:更新众包平台上每一众包工人对应的用户画像参数,所述用户画像参数包括用户画像属性以及用户画像等级;
S2:根据待处理任务的要求对所述众包工人进行筛选,并获得众包工人列表;众包任务会对参与众包工人的所学专业、从事领域(如医学图像标注任务等)或技能等级及完成任务的准确率有要求,执行该步骤筛选符合专业背景或者技能等级的候选众包工人列表;
S3:根据所述待处理任务的要求和所述众包工人列表确定所述待处理任务的完成时间和价格;
S4:根据所述完成时间和价格,通过任务推荐模型确定所述众包工人的推荐概率列表;
S5:根据所述待处理任务和所述推荐概率列表,将待处理任务推荐给所述众包工人列表中的众包工人。
进一步地,所述S1中所述用户画像属性包括:背景与技术描述、在线时间偏好描述和历史任务完成情况描述;
所述背景与技术描述包括:所学专业、从事领域和技能等级;
所述在线时间偏好描述包括:常登录时间段和常领取任务时间段;
所述历史任务完成情况包括:常完成任务的类型、常完成任务所属领域、完成任务的准确率和常完成任务的价格。
进一步地,如图2所示,所述S1中所述用户画像等级更新包括以下步骤:
S101:采集背景与技术描述、在线时间偏好描述和历史任务完成情况描述参数,通过文本预处理剔除非法数据(非法数据是指缺少关键属性值、属性值数据类型错误、属性数值越界、属性值出现不应有的特殊字符等情况的数据);
S102:计算所述属性中数值及集合信息,包括常登录时间段、常领取任务的时间段、常完成任务的价格等;采用LDA聚类(隐含狄利克雷分布)计算更新常完成任务的类型、常完成任务所属领域;
所述LDA聚类分为两个阶段,即训练阶段和推断阶段。在训练阶段,训练集中所有待处理任务的文档中每个单词都被用来学习参数集合的最优值。在推断阶段,给定一个任务,基于训练阶段学习到的参数集合,LDA可以推断出该任务中的主题概率分布,并取分布中概率最大的主题作为该任务的主题,历史库中同样属于该主题的任务可以视为与task的类别相同。基于LDA聚类,可以得到每个任务的主题概率分布和每个任务的所属类别。通过观察每个工人完成的历史任务及任务的主题分布情况,可以统计得到每个工人最喜欢完成哪种主题的任务,进而得到常完成任务的类型和所属领域(LDA聚类为现有技术,本申请不在赘述)。
S103:根据完成任务情况计算众包工人wi等级评分SCi,根据等级评分SCi归类等级BCi;在当前第t+1周期后等级评分SCi计算公式为:
其中,SCi为当前第t+1周期的等级的评分;对众包工人wi,BCi为技能等级(BCi∈C,C为等级集合),TAi为众包工人完成任务的准确率,TAi(t)为截止第t周期其任务完成准确率,α为任务完成准确度系数,β为任务完成数量系数,M为当前第t+1周期内众包平台总任务数,mi为众包工人wi在当前第t+1周期内完成任务数,DIj为第j个任务的难度,TNj为第j个任务的题目数量;
根据众包工人wi的等级评分SCi可得到众包工人wi的技能等级BCi=Rank(SCi),其中Rank()函数可根据平台对用户等级划分的规则,由等级的评分SCi所在分数段映射为众包工人wi的技能等级BCi。
S104:根据所述众包工人的评分,进行等级更新。
进一步地,如图3所示,所述S3中根据所述待处理任务的要求和所述众包工人列表确定所述待处理任务的完成时间和价格包括如下步骤:
S301:通过LDA聚类所有待处理任务的文本来确定所述待处理任务的类别;
S302:从历史任务中抽取与所述待处理任务同属一类的所有任务集合;
S303:建立由历史任务的题目数量、任务发布方设定的题目难度值、完成准确率、完成时间和定价组成的训练集,并对所述训练集进行线性回归处理;并分别拟合待处理任务的完成时间和价格的函数。
具体而言,通过LDA聚类所有待处理任务的文本来确定所述待处理任务的类别;
从历史任务中抽取与所述待处理任务同属一类的所有任务集合;
Tsnew={Ts1,…,Tsi,…,Tsn}
Tsi表示Tsnew中的第i个任务;
根据历史任务的题目数量TNi、任务发布方设定的题目难度值DIi、完成准确率TAi、完成时间ti和定价PRi,组成训练集:
[((TN0,DI0),(TA0,t0,PR0)),...,((TNi,DIi),(TAi,ti,PRi)),…,((TNn,DIn),(TAn,tn,PRn))]i=0...n
通过以上训练集训练一个线性回归,其目标为分别拟合函数:
根据最小二乘法,定义关于任务完成时间tnew和定价PRnew的损失函数:
然后输入新任务的题目数量TNnew和题目难度DInew,返回预测的任务完成时间tnew和定价PRnew,计算公式为:
进一步地,如图4所示,所述S4中所述推荐模型的建立步骤如下:
S401:根据历史众包任务和用户画像构建推荐模型训练集,并得到待处理任务中的文本信息和众包工人参与度信息;
S402:通过独热编码(One-Hot)对所述文本信息和众包工人参与度信息进行处理,并将处理后的文本信息输入至双向循环神经网络来提取文本高层特征,将众包工人参与度信息分输入至单向循环神经网络来提取活跃度高层特征;
S403:采用集合元素间按位相乘方法对所述文本高层特征和活跃度高层特征进行融合得到最终特征;
S404:将所述最终特征输入softmax层进行计算得到所述推荐概率列表。
具体而言,对于Tsnew中的每个Tsi,其文本信息为Tsti,计算其对应的众包工人活动序列Wsi,且Wsi={w1,…,wj,…,wm},wj表示参与完成过第i个任务的第j个工人,计算公式如下:
首先获取当前时间节点(即当然任务Tnew的发布时间)往前一段时间(如三个月)内,工人对任务Tsi的提交记录,并将这些记录按照提交时间从远到近排列,取出这些记录的提交工人来组成Wsi。
根据上述处理过程,得到Tsnew中每个任务的文本信息Tst和工人参与度信息Ws。
使用独热编码(One-Hot)来处理任务的文本信息和工人的参与度信息,得到被OneHot化之后的文本信息O_Tst和工人活跃度信息O_Ws,即:
O_Tst=OneHot(Tst) (8)
O_Ws=OneHot(Ws) (9)
将任务的文本信息O_Tst输入双向循环神经网络来提取文本高层特征Ht,对应的函数为FF,即Ht=FF(O_Tst)。
将任务的工人活动序列O_Ws输入单向循环神经网络来提取活跃度高层特征Hw,对应的函数为F,即Hw=F(O_Ws)。
将最终特征logits会输入softmax层进行计算,输出众包工人的推荐概率列表。
最终特征logits是一个长度为h的一维向量,h为S3步骤中众包工人列表的长度,且logits=[z1,…,zh],z为计算过程中的中间变量,softmax层会将logits中(-∞,+∞)的实数映射为(0,1)之间的实数,即概率,同时保证它们之和为1。经过softmax层之后,第i个工人的推荐概率pi的计算公式如下:
进一步地,根据待处理任务和推荐概率列表,将待处理任务推荐给推荐概率列表中的众包工人。
根据待处理任务Tnew的题目总数、每个题目需要重复完成次数Qr和每个众包工人完成题目数上限Ql,确定任务所需众包工人总人数Wk,且
其中,Qr为重复完成次数,Ql为每个众包工人完成题目数上限,Tnew为新的待处理任务,Wk为包工人总人数,INT(x)函数为对x取整。
将众包任务题目打包成组题,每个组题中题目数Qg计算公式如下:
将每个组题分派给选取的Wk个众包工人。
本实施例中推荐概率列表给出等级评分靠前的10个众包工人,如表1。
表1
众包工人编号 | 推荐任务题目编号 |
49 | 100,25,33,47,22 |
23 | 98,5,32,77,40 |
7 | 99,25,38,3,47 |
62 | 89,75,21,7,63 |
91 | 100,25,33,47,22 |
37 | 11,24,37,44,9 |
85 | 89,75,21,7,63 |
1 | 99,25,38,3,47 |
18 | 11,24,37,44,9 |
77 | 98,5,32,77,40 |
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种众包任务推荐方法,其特征在于,包括如下步骤:
S1:更新众包平台上每一众包工人对应的用户画像参数,所述用户画像参数包括用户画像属性以及用户画像等级;
S2:根据待处理任务的要求对所述众包工人进行筛选并获得众包工人列表,所述众包工人列表由符合待处理任务的要求的众包工人构成;
S3:确定所述待处理任务的完成时间和价格,所述时间和价格根据所述待处理任务的要求和所述众包工人列表确定;
S4:确定所述众包工人的推荐概率列表,所述推荐概率列表根据所述完成时间和价格并通过任务推荐模型;
S5:根据所述待处理任务和所述推荐概率列表,将待处理任务推荐给所述众包工人列表中的众包工人。
2.根据权利要求1所述的方法,其特征在于,所述S1中所述用户画像属性包括:背景与技术描述、在线时间偏好描述和历史任务完成情况描述;
所述背景与技术描述包括:所学专业、从事领域和技能等级;
所述在线时间偏好描述包括:常登录时间段和常领取任务时间段;
所述历史任务完成情况包括:常完成任务的类型、常完成任务所属领域、完成任务的准确率和常完成任务的价格。
3.根据权利要求2所述的方法,其特征在于,所述S1中所述用户画像等级更新包括以下步骤:
S101:采集背景与技术描述、在线时间偏好描述和历史任务完成情况描述参数,通过文本预处理剔除非法数据;
S102:计算所述属性中数值及集合信息,包括常登录时长、常完成任务的时间、常登录时间段等;采用LDA聚类计算更新常完成任务的类型、常完成任务所属领域;
S103:根据完成任务情况计算众包工人等级评分,根据等级评分归类技能等级;在当前第t+1周期后等级评分SCi计算公式为:
其中,SCi为当前第t+1周期的等级的评分;对众包工人wi,BCi为技能等级(BCi∈C,C为等级集合),TAi为众包工人完成任务的准确率,TAi(t)为截止第t周期其任务完成准确率,α为任务完成准确度系数,β为任务完成数量系数,M为当前第t+1周期内众包平台总任务数,mi为众包工人wi在当前第t+1周期内完成任务数,DIj为第j个任务的难度,TNj为第j个任务的题目数量;
S104:根据所述众包工人的评分,进行等级更新。
4.根据权利要求3所述的方法,其特征在于,所述S3中根据所述待处理任务的要求和所述众包工人列表确定所述待处理任务的完成时间和价格包括如下步骤:
S301:通过LDA聚类所有待处理任务的文本来确定所述待处理任务的类别;
S302:从历史任务中抽取与所述待处理任务同属一类的所有任务集合;
S303:建立由历史任务的题目数量、任务发布方设定的题目难度值、完成准确率、完成时间和定价组成的训练集,并对所述训练集进行线性回归处理;并分别拟合待处理任务的完成时间和价格的函数。
5.根据权利要求4所述的方法,其特征在于,所述S4中所述推荐模型的建立步骤如下:
S401:根据历史众包任务和用户画像构建推荐模型训练集,并得到待处理任务中的文本信息和众包工人参与度信息;
S402:通过独热编码(One-Hot)对所述文本信息和众包工人参与度信息进行处理,并将处理后的文本信息输入至双向循环神经网络来提取文本高层特征,将众包工人参与度信息分输入至单向循环神经网络来提取活跃度高层特征;
S403:采用集合元素间按位相乘方法对所述文本高层特征和活跃度高层特征进行融合得到最终特征;
S404:将所述最终特征输入softmax层进行计算得到所述推荐概率列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464312.3A CN111626616A (zh) | 2020-05-27 | 2020-05-27 | 一种众包任务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010464312.3A CN111626616A (zh) | 2020-05-27 | 2020-05-27 | 一种众包任务推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626616A true CN111626616A (zh) | 2020-09-04 |
Family
ID=72259187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010464312.3A Pending CN111626616A (zh) | 2020-05-27 | 2020-05-27 | 一种众包任务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626616A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101776A (zh) * | 2020-09-11 | 2020-12-18 | 河北冀联人力资源服务集团有限公司 | 一种众包任务工作组确定方法 |
CN112184388A (zh) * | 2020-10-12 | 2021-01-05 | 上海燕汐软件信息科技有限公司 | 一种家装服务单分配方法、装置及存储介质 |
CN112396092A (zh) * | 2020-10-26 | 2021-02-23 | 北京航空航天大学 | 一种众包开发者推荐方法和装置 |
CN112508256A (zh) * | 2020-12-01 | 2021-03-16 | 安徽大学 | 一种基于众包的用户需求主动预测方法及*** |
CN113553187A (zh) * | 2021-07-30 | 2021-10-26 | 咪咕文化科技有限公司 | devops并发构建方法、装置及计算设备 |
CN115018393A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司佛山供电局 | 一种配电网模型的拓扑分析方法及*** |
CN117541021A (zh) * | 2024-01-04 | 2024-02-09 | 北京宜通华瑞科技有限公司 | 一种流水线任务管理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038740A (zh) * | 2017-12-29 | 2018-05-15 | 西南大学 | 时间敏感的众包平台任务定价与分配方法 |
CN109670727A (zh) * | 2018-12-30 | 2019-04-23 | 湖南网数科技有限公司 | 一种基于众包的分词标注质量评估***及评估方法 |
CN110209954A (zh) * | 2019-06-03 | 2019-09-06 | 南京邮电大学 | 基于lda主题模型和深度学习的群组推荐方法 |
CN110443502A (zh) * | 2019-08-06 | 2019-11-12 | 合肥工业大学 | 基于工人能力测评的众包任务推荐方法和*** |
-
2020
- 2020-05-27 CN CN202010464312.3A patent/CN111626616A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038740A (zh) * | 2017-12-29 | 2018-05-15 | 西南大学 | 时间敏感的众包平台任务定价与分配方法 |
CN109670727A (zh) * | 2018-12-30 | 2019-04-23 | 湖南网数科技有限公司 | 一种基于众包的分词标注质量评估***及评估方法 |
CN110209954A (zh) * | 2019-06-03 | 2019-09-06 | 南京邮电大学 | 基于lda主题模型和深度学习的群组推荐方法 |
CN110443502A (zh) * | 2019-08-06 | 2019-11-12 | 合肥工业大学 | 基于工人能力测评的众包任务推荐方法和*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101776A (zh) * | 2020-09-11 | 2020-12-18 | 河北冀联人力资源服务集团有限公司 | 一种众包任务工作组确定方法 |
CN112184388A (zh) * | 2020-10-12 | 2021-01-05 | 上海燕汐软件信息科技有限公司 | 一种家装服务单分配方法、装置及存储介质 |
CN112184388B (zh) * | 2020-10-12 | 2024-02-13 | 上海燕汐软件信息科技有限公司 | 一种家装服务单分配方法、装置及存储介质 |
CN112396092A (zh) * | 2020-10-26 | 2021-02-23 | 北京航空航天大学 | 一种众包开发者推荐方法和装置 |
CN112396092B (zh) * | 2020-10-26 | 2023-09-29 | 北京航空航天大学 | 一种众包开发者推荐方法和装置 |
CN112508256A (zh) * | 2020-12-01 | 2021-03-16 | 安徽大学 | 一种基于众包的用户需求主动预测方法及*** |
CN112508256B (zh) * | 2020-12-01 | 2023-04-14 | 安徽大学 | 一种基于众包的用户需求主动预测方法及*** |
CN113553187A (zh) * | 2021-07-30 | 2021-10-26 | 咪咕文化科技有限公司 | devops并发构建方法、装置及计算设备 |
CN115018393A (zh) * | 2022-08-08 | 2022-09-06 | 广东电网有限责任公司佛山供电局 | 一种配电网模型的拓扑分析方法及*** |
CN117541021A (zh) * | 2024-01-04 | 2024-02-09 | 北京宜通华瑞科技有限公司 | 一种流水线任务管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626616A (zh) | 一种众包任务推荐方法 | |
CN103198086A (zh) | 信息处理设备,信息处理方法和程序 | |
US20200394592A1 (en) | Generating a machine-learned model for scoring skills based on feedback from job posters | |
CN106572001B (zh) | 一种智能客服的对话方法及*** | |
CN101251850A (zh) | 基于用户威望的互联网主题排名***和方法 | |
CN110727852A (zh) | 一种推送招聘推荐服务的方法、装置及终端 | |
KR102376910B1 (ko) | 인공지능 기반의 인재 채용 플랫폼 시스템 | |
CN107609651A (zh) | 一种基于学习者模型的设计项评估方法 | |
CN115577185B (zh) | 基于混合推理和中智群决策的慕课推荐方法及装置 | |
CN115841402A (zh) | 一种针对安全生产的数字化培训方法、***、介质及设备 | |
WO2022218139A1 (zh) | 融合注意力机制的个性化搜索方法和搜索*** | |
Chavarriaga et al. | A recommender system for students based on social knowledge and assessment data of competences | |
Abhinav et al. | LeCoRe: A Framework for Modeling Learner's preference. | |
US10489745B1 (en) | Apparatus, system and method of clustering clients based on their hiring criteria in a job marketplace | |
Zuheros et al. | Crowd decision making: Sparse representation guided by sentiment analysis for leveraging the wisdom of the crowd | |
Rusydiyah et al. | Clustering of learning media user data during Covid-19 Pandemic using K-Means method based on multicultural culture in Indonesia | |
CN105931055A (zh) | 一种面向众包平台的服务商特征建模方法 | |
Hoque et al. | University students result analysis and prediction system by decision tree algorithm | |
Sadiq et al. | Prioritization and selection of the software requirements using rough-set theory | |
CN114358807A (zh) | 基于可预测用户特征属性的用户画像方法及*** | |
Chaudhary et al. | Student future prediction using machine learning | |
Widiantoro | The implementation of Analytical Hierarchy Process method for outstanding achievement scholarship reception selection at Universal University of Batam | |
CN110795640A (zh) | 一种弥补群组成员差异的自适应组推荐方法 | |
US20220300907A1 (en) | Systems and methods for conducting job analyses | |
CN111090805A (zh) | 推荐指数归因方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201218 Address after: 1504, building 1, shuimuyifang building, 286 Nanguang Road, dawangshan community, Nantou street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Mobi hi Ke raspberry intelligent robot Co.,Ltd. Address before: 518000 room 107, building a, No.1 Chuangye building, 43 Yanshan Road, Yanshan community, zhaoshang street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: Shenzhen mobihaike data intelligent technology Co., Ltd |