本技术涉及计算机应用,涉及但不限于一种空间众包中任务分配方法、装置、设备及存储介质。
背景技术:
1、近年来,随着网络技术的快速发展,兴起了大量的在线网络应用,同时一种通过聚集人类智慧以解决问题的新型模式应运而生,这称为“众包(crowdsourcing)”。传统的众包是在网上进行的,接收或请求任务的工人根据自己的知识回答问题,不需要出现在特定的地理位置。为了解决涉及特定地理位置等特殊需求的问题,提出一种新的数据收集模式,称为空间众包,也称位置感知或地理众包。
2、空间众包由特定地理位置的任务组成,这些任务要求工人在特定地点完成。根据任务的发布模式,将空间众包分为两类:工人选择任务(wst,worker selected tasks)模式和服务器分配任务(sat,server assigned tasks)模式。在sat模式中,根据工人和任务的数量匹配关系,sat模式可以分为单一任务分配模式和多任务分配模式两种模式。空间众包目前基本上只能解决一些简单任务,如理发、网约车等简单任务。生活中空间众包中也存在大量复杂的任务,如装修房子、搬重物、为宴会提供餐饮服务等。为了更好地完成这些复杂任务,需要不同工人之间互相协作共同完成。在工人喜好、擅长领域不同的情况下,在分配过程中如何按照工人喜好或擅长分配任务,保证高质量地完成任务,是众包领域中一个亟需解决的问题。
技术实现思路
1、有鉴于此,本技术提供一种空间众包中任务分配方法、装置、设备及计算机可读存储介质,至少解决空间众包中如何按照工人组偏好情况分配复杂任务的问题。
2、本技术实施例的技术方案是这样实现的:
3、本技术的至少一个实施例提供了一种空间众包的任务分配方法,所述方法包括:
4、获取待分配任务集中各待分配任务的任务属性和待分配工人集中各待分配工人的工人属性;
5、根据所述各待分配任务的任务属性和所述各待分配工人的工人属性,确定每一待分配任务的可用工人组集,所述可用工人组集包括至少一个可用工人组,所述可用工人组由能够完成一个待分配任务的多个待分配工人组成;
6、利用预先训练好的优化模型获取所述每一待分配任务的可用工人组集中各可用工人组的偏好向量,所述训练好的优化模型是基于互信息法和组适应性优化训练得到的;
7、根据所述每一待分配任务的各可用工人组的偏好向量,确定所述每一待分配任务对应的目标工人组;
8、将所述各待分配任务分配给所述各待分配任务对应的目标工作组,以使所述目标工作组包括的待分配工人执行对应的待分配任务。
9、此外,根据本技术的至少一个实施例,所述任务属性包括任务位置信息、任务失效时间和所需工人数量,所述工人属性包括工人位置信息、工人行驶速度、工人可达半径和工人可用时长;
10、所述根据所述各待分配任务的任务属性和所述各待分配工人的工人属性,确定每一待分配任务的可用工人组集,包括:
11、根据所述各待分配任务的任务位置信息和任务失效时间,与所述各待分配工人的工人位置信息、工人行驶速度、工人可达半径和工人可用时长,确定每一待分配任务的可用工人集,一个待分配任务的可用工人集包括能够执行所述一个待分配任务的多个待分配工人;
12、根据所述每一待分配任务的可用工人集和所需工人数量,确定所述每一待分配任务的可用工人组集。
13、此外,根据本技术的至少一个实施例,所述利用预先训练好的优化模型获取所述每一待分配任务的可用工人组集中各可用工人组的偏好向量,包括:
14、获取训练样本集和初始模型,所述训练样本集是基于互信息法提取的;
15、根据所述训练样本集中的各训练样本,对所述初始模型进行训练,得到中间模型;
16、利用构建的第一优化函数对所述中间模型进行优化,得到中间优化模型;
17、利用构建的第二优化函数对所述中间优化模型进行优化,得到训练好的优化模型,所述第二优化函数是基于工人组中各成员对所述工人组的组适应性构建的,所述组适应性表征所述各成员与所述工人组的语义相关性;
18、根据所述每一待分配任务的可用工人组集中各可用工人组和所述训练好的优化模型,确定各可用工人组偏好向量。
19、此外,根据本技术的至少一个实施例,所述获取训练样本集,包括:
20、获取各工人对各任务种类的工人偏好向量和各工人组对各任务种类的工人组偏好向量;
21、选取一个工人和一个工人组,组成初始组合对;
22、根据所述一个工人对一个任务种类的工人偏好向量和所述一个工人组对所述一个任务种类的工人组偏好向量,对所述初始组合对之间的互信息进行最大化处理,得到目标组合对;
23、从所述目标组合对中提取正样本和负样本,所述正样本表征所述一个工人属于所述一个工人组,所述负样本表征所述一个工人不属于所述一个工人组;
24、将所述正样本和所述负样本组成训练样本集。
25、此外,根据本技术的至少一个实施例,所述获取各工人对各任务种类的工人偏好向量和各工人组对各任务种类的工人组偏好向量,包括:
26、获取工人集、工人组集、任务种类集和历史交互数据,所述历史交互数据包括工人-任务历史交互数据;
27、根据所述工人集中的各工人、所述任务种类集中各任务种类和所述工人-任务历史交互数据,确定各工人对各任务种类的工人偏好向量;
28、根据所述工人组集中各工人组和所述各工人对各任务种类的工人偏好向量,确定各工人组对各任务种类的工人组偏好向量。
29、此外,根据本技术的至少一个实施例,所述根据所述工人集中的各工人、所述任务种类集中各任务种类和所述工人-任务历史交互数据,确定各工人对各任务种类的工人偏好向量,包括:
30、根据所述工人集中的各工人、所述任务种类集中各任务种类和所述工人-任务历史交互数据,建立工人-任务种类交互矩阵;
31、利用预设的具有两层全连接层的多层感知器构建得到各工人对各任务种类的工人偏好向量。
32、此外,根据本技术的至少一个实施例,所述根据所述工人组集中各工人组和所述各工人对各任务种类的工人偏好向量,确定各工人组对各任务种类的工人组偏好向量,包括:
33、利用注意力机制获取所述工人组集中各工人组的各成员对所属工人组的贡献率;
34、根据所述各成员对所属工人组的贡献率,确定所述各成员对所属工人组的权重;
35、将所述各成员对所属工人组的权重和对应工人对各任务种类的工人偏好向量的加权和,确定为所述各工人组对各任务种类的工人组偏好向量。
36、本技术的至少一个实施例提供了一种空间众包的任务分配装置,所述装置包括:
37、第一获取模块,用于获取待分配任务集中各待分配任务的任务属性和待分配工人集中各待分配工人的工人属性;
38、第一确定模块,用于根据所述各待分配任务的任务属性和所述各待分配工人的工人属性,确定每一待分配任务的可用工人组集,所述可用工人组集包括至少一个可用工人组,所述可用工人组由能够完成一个待分配任务的多个待分配工人组成;
39、第二获取模块,用于利用预先训练好的优化模型获取所述每一待分配任务的可用工人组集中各可用工人组的偏好向量,所述训练好的优化模型是基于互信息法和组适应性优化训练得到的;
40、第二确定模块,用于根据所述每一待分配任务的各可用工人组的偏好向量,确定所述每一待分配任务对应的目标工人组;
41、分配模块,用于将所述各待分配任务分配给所述各待分配任务对应的目标工作组,以使所述目标工作组包括的待分配工人执行对应的待分配任务。
42、本技术的至少一个实施例提供了一种电子设备,包括:
43、处理器;以及
44、存储器,用于存储可在所述处理器上运行的计算机程序;
45、其中,所述计算机程序被处理器执行时实现上述空间众包的任务分配方法的步骤。
46、本技术的至少一个实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令配置为执行上述空间众包的任务分配方法的步骤。
47、本技术实施例提供一种空间众包的任务分配方法、装置、设备及计算机可读存储介质,所述方法包括:获取待分配任务集中各待分配任务的任务属性和待分配工人集中各待分配工人的工人属性;根据各待分配任务的任务属性和各待分配工人的工人属性,确定每一待分配任务的可用工人组集,可用工人组集包括至少一个可用工人组,可用工人组由能够完成一个待分配任务的多个待分配工人组成;利用预先训练好的优化模型获取每一待分配任务的可用工人组集中各可用工人组的偏好向量,训练好的优化模型是基于互信息法和组适应性优化训练得到的;根据每一待分配任务的各可用工人组的偏好向量,确定每一待分配任务对应的目标工人组;将各待分配任务分配给各待分配任务对应的目标工作组,以使目标工作组包括的待分配工人执行对应的待分配任务。基于互信息法和组适应性优化训练得到的训练好的优化模型,能够结合工人的偏好向量有效地调整工人组的偏好向量,提高工人组偏好向量的准确性,从而提高任务分配的准确性,保证任务高效、高质量的完成。