用于众包系统的动态激励计算方法、系统、设备及介质技术方案

本发明专利技术公开了一种用于众包系统的动态激励计算方法和系统，该方法包括获取需求者在众包平台上的任务数据以及参与用户的历史任务问答数据；将任务分配给参与用户；针对每个参与用户构建一个循环神经网络模型；根据参与用户的历史任务问答数据，训练循环神经网络模型；依据参与用户、任务以及循环神经网络模型的预测结果，计算不同激励值所带来的最终收益大小判断是否给予当前用户激励值；收集所有参与用户的答案，以得到需求者所需的结果。在解决在线收益计算问题时，本发明专利技术同样提出了一种简洁高效的算法。模拟实验证实了本发明专利技术在复杂情况下的高效性和鲁棒性。众包平台上的实际实验也显示了本发明专利技术相对于传统方法的高效性及优越性。

【技术实现步骤摘要】
用于众包系统的动态激励计算方法、系统、设备及介质
本专利技术涉及数据质量提升问题，特别是指一种用于众包系统的动态激励计算方法、系统、设备及介质。
技术介绍
在实际应用中，存在着很多人类可以轻易完成但机器难以直接完成的问题。例如给出两张不同清晰度的图片，人类可以快速准确分辨但机器却难以识别。同样的例子还有自然语言情感清晰的判断。在这样的背景下，众包平台得到了广泛的关注和发展。众包平台指的是一个网络工作分配平台，需求者在平台上发布各种任务，用户浏览并选择任务，需求者根据用户提交的工作质量来给予一定的奖励。随着众包平台的不断发展，如何给予激励以提升问答数据质量成为了一个关键问题。有研究发现，适当的激励(如声望、金钱等)可以提高问答质量，进而提升需求者的最终受益。然而，过多地给予激励值会使得需求者的总收益下降，进而使得答案数据的总体质量下降，过少的激励值会打击用户回复的积极性，任务可能无法完成。在这样的情况下，良好的激励机制不仅要求合理地激励用户以获取高质量回复，同时也要使得需求者可以通过用户的答案获得相对较高的收益。针对众包平本文档来自技高网...

【技术保护点】
1.一种用于众包系统的动态激励计算方法，其特征在于：包括：/n获取需求者在众包平台上的任务数据以及参与用户的历史任务问答数据；/n将任务分配给参与用户；/n针对每个参与用户构建一个循环神经网络模型；/n根据参与用户的历史任务问答数据，训练循环神经网络模型；/n依据参与用户、任务以及循环神经网络模型的预测结果，计算不同激励值所带来的最终收益大小判断是否给予当前用户激励值；/n收集所有参与用户的答案，以得到需求者所需的结果。/n

【技术特征摘要】
1.一种用于众包系统的动态激励计算方法，其特征在于：包括：
获取需求者在众包平台上的任务数据以及参与用户的历史任务问答数据；
将任务分配给参与用户；
针对每个参与用户构建一个循环神经网络模型；
根据参与用户的历史任务问答数据，训练循环神经网络模型；
依据参与用户、任务以及循环神经网络模型的预测结果，计算不同激励值所带来的最终收益大小判断是否给予当前用户激励值；
收集所有参与用户的答案，以得到需求者所需的结果。


2.根据权利要求1所述的一种用于众包系统的动态激励计算方法，其特征在于：获取的任务数据包括：任务个数、每轮分配任务数、需要问答的任务的总集合。而参与用户的历史任务问答数据包含用户以往任务问答数目和质量。


3.根据权利要求1所述的一种用于众包系统的动态激励计算方法，其特征在于：所述循环神经网络模型是一种时间序列模型，用于预测在给定激励值时用户的输出答案质量水平，循环神经网络模型其由多个全连接层组成，在每个时间节点接收上一个时间节点的输出，构成一个循环的神经网络。


4.根据权利要求1所述的一种用于众包系统的动态激励计算方法，其特征在于：所述循环神经网络模型主要的参数如下：
1)需求者可以决定在每个时间节点t是否给予用户激励值，记作at，at为1则给予激励值，0则为否；
2)循环神经网络模型的输出为变量yt，代表用户完成任务为高质量的概率，yt越接近1则答案的质量越高，越接近0则答案的质量越低；
3)存在多个隐藏状态，神经网络中输入与隐藏状态、隐藏状态之间、隐藏状态和输出之间的传递参数通过训练循环神经网络模型得到。


5.根据权利要求4所述的一种用于众包系统的动态激励计算方法，其特征在于：所述循环神经网络模型的构建步骤如下：
训练数据集为用户的历史任务问答数据序列<at,yt>，通过循环神经网络的反向传播更新并优化模型参数...

【专利技术属性】
技术研发人员：苗晓晔，朋环环，黄新宇，吴洋洋，尹建伟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33