【技术实现步骤摘要】
众包任务推荐中的自适应指数衰减算法
一、
[0001]本专利技术涉及推荐算法领域,尤其涉及众包竞争下的任务推荐,具体是一种根 据离线预测值分布的自适应参数指数衰减方法。
二、
技术介绍
[0002]众包作为一种创新商业模式,促进了群体的开放式创新。近年来共享经济的 发展也促进了众包模式的迅速发展。将推荐算法应用于众包有助于众包任务的承 接方(通常称为工人)难以选择众包可能性大的任务进行投标,以及降低发布方 的筛选成本,提升工人和承接方的用户体验。但其它场景下的推荐算法却不能直 接应用于众包。众包平台的特殊性在于其多角色的用户、级联的用户行为、任务 时效性和用户间的非独立性等,专利技术在于用户的非独立性带来的推荐算法指标异 常波动问题,而用户的非独立性主要体现在工人之间的竞争问题。但现有算法没 有考虑到众包任务的用户非独立性。首先现有推荐算法框架在输入关系上可分为 排序学习中的单点法、配对法和列表法。排序学习中的单点法中每一个训练样本 都仅仅是某一个查询关键字(即推荐算法中用户)和某一个文档(即推荐算法中 物品)的配对。用户之间是否相关,与其他文档和其他查询关键字都没有关系, 在众包场景中,即假设工人间和发布方间都独立。配对法对样本进行两两比较, 构建偏序文档对,从比较中学习排序,组合任意两个文档形成文档对作为输入样 本,但配对法任考虑的是文档对(本专利技术中即任务)而非用户之间的相关性。而 列表法考虑的是当前文档排序和最优排序差值,也是文档对(本专利技术中即任务) 而非用户之间的相关性。因此现有的三种排序学习的方法不能解 ...
【技术保护点】
【技术特征摘要】
1.一种众包任务推荐中的自适应指数衰减算法,其特征在于:在众包场景下利用线下模型预测值及实时投标情况定量分析当前任务的竞争强度,通过预测值的全局和局部分布得到衰减参数对已有预测值进行衰减。本发明对衰减和增益是两个对称的过程,衰减强度由预测值的全局分布和局部分布共同决定,全局分布决定强度的上界,局部分布是否能达到这个上界,绝对分布用于决定初始局部分布强度的增减,相对分布决定增减的强度。最后对衰减参数进行一定惩罚后作用于增益,因为在此假设对工人能否中标的影响主要是由竞争来的的衰减决定的,衰减参数主要反应了当前的实时竞争情况;具体做法是:第一步,通过工人登录时间确定在登陆时间有效的候选任务集作为未排序的候选推荐列表,根据登录时间得到当前已投标的离线预测值,当前工人对候选推荐列表中的离线预测值score=[s1,s1...,s
l
];利用score的四分位差得到全局衰减因子α
global
,α
global
表示可使任务内对s
l
衰减所导致的列表位置偏移最大为50%;第二步,将方阵划分为六类平面,并根据节点对应的坐标确定节点所需存储的密钥;这六类平面分别是:XOY类型平面、XOZ类型的平面、YOZ类型的平面、过Z轴的对角面、过Y轴的对角面、过X轴的对角面,然后根据节点的坐标判断节点所在的平面,并存储相应的平面密钥和有六个参数的伪随机函数;第三步,利用任务内s
lm
>s
l
的投标数量确定局部衰减因子的衰减强度基准,将投标数量l映射到使tanh函数有效的范围内;第四步,利用任务内离线预测值的绝对分布和相对分布对l0进行修正,用d表示s
l
距score
l
两个标准差的距离d∈(
‑
1,1),使用EMD距离计算任务内分布score
l
到score
list
的距离W,在计算W前首先对score
l
和score
list
进行归一化处理,这里将score
l
与score
list
均值差作为加强或抑制的标准,正则加强负则抑制,第五步,由d和d
EM
共同决定l
offset
,第六步,用第一步到第四步对称的方法计算s
lm
<s
l
的增益部分g
local,l
,得到g
local,l
后利用g
local,l
与d
local,l
的比值r
l
对d
local,l
进行削弱,在利用sigmoid函数对r
l
进行平滑处理后用余弦衰减得到最终的局部衰减参数d
local,l
,第七步,超参数a用于对全局衰...
【专利技术属性】
技术研发人员:陈彦如,邹可欣,赵琪雯,张媛媛,廖俊华,王伟,胡顺仿,许春,张磊,梁刚,陈良银,
申请(专利权)人:成都易书桥科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。