[發明專利]眾包任務推薦中的自適應指數衰減算法

在審

• 申請號: 202011474544.3
• 申請日: 2020-12-14
• 公開（公告）號: CN112465267A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 陳彥如;鄒可欣;趙琪雯;張媛媛;廖俊華;王偉;胡順仿;許春;張磊;梁剛;陳良銀
• 申請（專利權）人: 成都易書橋科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種眾包場景下根據實時競爭情況對為工人推薦任務的離線模型預測值進行衰減的自適應指數衰減算法。本發明根據不同離線預測模型預測值的分布差異，設計了一種根據離線預測值的局部分布和全局分布自適應調整指數衰減參數的算法。該模型中全局分布決定指數衰減強度的上界，局部分布是否能達到這個上界，其中局部分布的絕對分布用于決定初始局部分布強度的增減，相對分布決定增減的強度。模型在調整超參數后在不同離線模型間有泛化能力。該模型穩定了眾包場景下因工人間非獨立性導致的推薦列表有關指標異常波動問題。

一、技術領域

本發明涉及推薦算法領域，尤其涉及眾包競爭下的任務推薦，具體是一種根 據離線預測值分布的自適應參數指數衰減方法。

二、背景技術

眾包作為一種創新商業模式，促進了群體的開放式創新。近年來共享經濟的 發展也促進了眾包模式的迅速發展。將推薦算法應用于眾包有助于眾包任務的承 接方(通常稱為工人)難以選擇眾包可能性大的任務進行投標，以及降低發布方 的篩選成本，提升工人和承接方的用戶體驗。但其它場景下的推薦算法卻不能直 接應用于眾包。眾包平臺的特殊性在于其多角色的用戶、級聯的用戶行為、任務 時效性和用戶間的非獨立性等，發明在于用戶的非獨立性帶來的推薦算法指標異 常波動問題，而用戶的非獨立性主要體現在工人之間的競爭問題。但現有算法沒 有考慮到眾包任務的用戶非獨立性。首先現有推薦算法框架在輸入關系上可分為 排序學習中的單點法、配對法和列表法。排序學習中的單點法中每一個訓練樣本 都僅僅是某一個查詢關鍵字(即推薦算法中用戶)和某一個文檔(即推薦算法中 物品)的配對。用戶之間是否相關，與其他文檔和其他查詢關鍵字都沒有關系， 在眾包場景中，即假設工人間和發布方間都獨立。配對法對樣本進行兩兩比較， 構建偏序文檔對，從比較中學習排序，組合任意兩個文檔形成文檔對作為輸入樣 本，但配對法任考慮的是文檔對(本發明中即任務)而非用戶之間的相關性。而 列表法考慮的是當前文檔排序和最優排序差值，也是文檔對(本發明中即任務) 而非用戶之間的相關性。因此現有的三種排序學習的方法不能解決工人之間的競 爭問題。現有衰減的應用都是針對場景對基礎衰減函數進行改進，需要針對不同 已知量(時間偏移)或已知不同形式的數據(地震波、水波)，在此基礎上引入 場景因素進行衰減，而使用場景和本發明眾包場景差異巨大，以往工作還沒有針 對這類場景的衰減函數構造。因此本發明在利用離線模型得到預測值后，在線上部分使用自適應參數的衰減算法根據競爭強度確定衰減強度，得到在線預測值， 既能利用神經網絡的良好表征和學習能力，又能捕捉線上實時的競爭情況。

機器學習和深度學習廣泛應用于推薦算法之前，部分研究利用衰減函數來捕 獲用戶興趣或物品屬性隨時間的變化，作為一種修正或補充手段，結合用戶打分、 協同過濾等等傳統方法進行建模進而實現推薦。Medo M等人提出了一種自適應 模型，將用戶評分模式的相似度與新聞在演進網絡上的流行式傳播相結合，通過 用戶對新聞的正負反饋衡量用戶間相似度，通過隨后引入的推薦分數的持續時間 衰減實現新穎的新聞推薦(Medo M,Zhang Y,Zhou T,et al.Adaptive model for recommendation of news[J].EPL,2009,88(3))。楊立等人考慮到用戶的 偏好會隨時間而改變，因此引入時間衰減與偏好波動共同獲取用戶偏好。用衰減 速度和衰減增量定義衰減函數(楊立,胡運紅,邵桂榮.融合時間衰減與偏好波動 的協同偏好獲取方法[J].計算機應用,2016,36(07):2011-2015.)。Anelli VM 等人將物品的流行程度引入協同過濾算法中提出TimePop算法，并且不考慮全局 的流行度，只考慮了物品在用戶近鄰間的流行度。并且在選擇候選項是避免使用 時間窗口，也避免固定標簽數量的候選項(Anelli V W,Di Noia T,Di Sciascio E,et al.Localpopularity and time in top-n recommendation[C]//European Conference onInformation Retrieval.Springer,Cham,2019:861-868.)。