[发明专利]众包任务推荐中的自适应指数衰减算法

说明书

本发明公开了一种众包场景下根据实时竞争情况对为工人推荐任务的离线模型预测值进行衰减的自适应指数衰减算法。本发明根据不同离线预测模型预测值的分布差异，设计了一种根据离线预测值的局部分布和全局分布自适应调整指数衰减参数的算法。该模型中全局分布决定指数衰减强度的上界，局部分布是否能达到这个上界，其中局部分布的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。模型在调整超参数后在不同离线模型间有泛化能力。该模型稳定了众包场景下因工人间非独立性导致的推荐列表有关指标异常波动问题。

一、技术领域

本发明涉及推荐算法领域，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、背景技术

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，发明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(本发明中即任务)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(本发明中即任务) 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决工人之间的竞 争问题。现有衰减的应用都是针对场景对基础衰减函数进行改进，需要针对不同 已知量(时间偏移)或已知不同形式的数据(地震波、水波)，在此基础上引入 场景因素进行衰减，而使用场景和本发明众包场景差异巨大，以往工作还没有针 对这类场景的衰减函数构造。因此本发明在利用离线模型得到预测值后，在线上部分使用自适应参数的衰减算法根据竞争强度确定衰减强度，得到在线预测值， 既能利用神经网络的良好表征和学习能力，又能捕捉线上实时的竞争情况。

机器学习和深度学习广泛应用于推荐算法之前，部分研究利用衰减函数来捕 获用户兴趣或物品属性随时间的变化，作为一种修正或补充手段，结合用户打分、 协同过滤等等传统方法进行建模进而实现推荐。Medo M等人提出了一种自适应 模型，将用户评分模式的相似度与新闻在演进网络上的流行式传播相结合，通过 用户对新闻的正负反馈衡量用户间相似度，通过随后引入的推荐分数的持续时间 衰减实现新颖的新闻推荐(Medo M,Zhang Y,Zhou T,et al.Adaptive model for recommendation of news[J].EPL,2009,88(3))。杨立等人考虑到用户的 偏好会随时间而改变，因此引入时间衰减与偏好波动共同获取用户偏好。用衰减 速度和衰减增量定义衰减函数(杨立,胡运红,邵桂荣.融合时间衰减与偏好波动 的协同偏好获取方法[J].计算机应用,2016,36(07):2011-2015.)。Anelli VM 等人将物品的流行程度引入协同过滤算法中提出TimePop算法，并且不考虑全局 的流行度，只考虑了物品在用户近邻间的流行度。并且在选择候选项是避免使用 时间窗口，也避免固定标签数量的候选项(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.)。