一种基于图神经网络的自适应众包任务推荐方法

1.本发明涉及任务推荐、图神经网络领域，主要应用于众包场景中，具体涉及对基于图神经网络的自适应众包任务推荐。


背景技术：

2.信息通讯技术的使用和发展使知识被编码化、标准化和数字化，也使得服务产品可以被分裂或者分解成小部分。信息技术在商业领域的运用，使得传统上在公司内部提供的服务现在被外部化，服务提供者与顾客之间的咨询可以在远距离进行而不需要面对面进行。可以被分解的服务产品类别很多，无论是低价值的数据(例如输入电脑的数据)还是高价值数据(例如建筑设计、精密的金融数据分析、x光、电影、软件开发和广告片段)。
3.众包，则受益于社会差异化、多样化带来的创新潜力，是一个公司或机构把工作任务，以自由自愿的形式外包给非特定的大众志愿者的做法。众包的任务通常是由个人来承担，但如果涉及到需要多人协作完成的任务，也有可能以依靠开源的个体生产的形式出现。据中国互联网络信息中心数据表明，截至2007年1月，全球网民已达11亿。在众多的网民中，不乏各种各具特色的人才，为企业纷繁的难题提供了源源不断的解决者。互联网的最新化身web2.0鼓励人们开发志趣相投的社区，而不仅仅是网站；宽带的发展加速了信息双向流动，使企业能更容易地以众包这种方式运作。
4.众包各任务之间存在联系，但目前在进行任务推荐时，未考虑到任务之间的相关性。此外，推荐人之间的相关性也未考虑其中。针对关系的建模，图有着天然的优势。图(graph)是一个具有广泛意义的对象。它在数学中是图论的主要研究对象；在计算机领域是一种常见的数据结构；在数据科学中又被广泛描述各类关系型数据。事实上，在实际的数据场景中，我们通常将图称为网络，由于网络数据形式可以自然地表述物体和物体之间的联系，所以现实中的许多应用场景都可以被建模为图(网络)，图数据无处不在。通常，将所有图数据上的深度学习方法统称为“图神经网络”。
5.自2005年起，开始图神经网络的研究。最早由gori等人提出了图神经网络的概念，他借鉴神经网络领域的研究成果，设计了一种用于处理图结构数据的模型。此后，陆续有新的图神经网络模型以及应用研究被提出。近年来，随着深度学习的崛起，以及卷积神经网络表现出的强大性能，使得研究者们开始关注将卷积操作引入到图数据领域。在建模图卷积神经网络之初，如何利用深度学习方法在图数据上构建类似于卷积神经网络中的两个重要操作：卷积算子和池化算子，或者说，如何在图上构造深度学习模型引起来研究人员的关注。


技术实现要素：

6.发明目的：面对大量涌现的众包任务数据，使用传统的众包任务分配方式来进行任务推荐和分配往往是比较耗时、低效的，且未能对各众包任务之间的关系进行捕捉和建模，已经无法满足日益增长的众包任务推荐需求。本发明提出了一种基于图神经网络的自
适应众包任务推荐方法，可对众包任务、推荐人群构建图结构，并采用图神经网络算法对图结构进行嵌入表示，可精准推荐众包任务到个人，比传统的众包任务推荐方法更加高效且准确，并且，通过构建图结构，可以将任务与任务之间的相关性、人与人之间的相关性考虑其中，更加科学合理。
7.技术方案：为实现上述目的，本发明采用的技术方案为：
8.一种基于图神经网络的自适应众包任务推荐方法，包括如下步骤：
9.步骤1，数据采集：获取真实应用场景中的众包任务对象集合和推荐人群集合。
10.步骤2，数据预处理阶段：根据众包任务对象和推荐人群依据经典knn方法构建出众包网络图结构和推荐人群网络图结构。
11.步骤3，数据分析阶段：利用图神经网络方法gcn分别在众包网络图结构、推荐人群网络图结构上进行多轮信息传播，对众包任务以及推荐人进行任务嵌入表示和推荐人嵌入表示学习。
12.步骤4，任务推荐阶段：递归的进行步骤3的嵌入表示学习操作，多轮学习后，将得到的众包嵌入表示和推荐人嵌入表示采用t-sne映射到同一空间当中，根据邻近原则，将对应的任务推荐到具体到个人。
13.优选的：步骤1中任务对象的特征信息包括起始时间、结束时间、所属类别、任务描述。推荐人群的属性信息包括性别、年龄、职业、地区、个人信息描述。
14.优选的：步骤2中根据众包任务对象和推荐人群依据经典knn方法构建出众包网络图结构和推荐人群网络图结构的方法：
15.步骤2a)，针对众包任务对象，将众包任务对象根据其自身特征信息进行数据清洗，之后依据经典knn方法，找出与每个众包任务最相似的k1个其他众包任务，并将其与k1个任务建立连边，由此构建出由所有众包任务构成的众包网络图结构，其中，k1＝1,2,3，
…
，k1，k1表示需要找出的相似的众包任务个数。
16.步骤2b)，针对推荐人群，将推荐人群根据其属性信息进行数据清洗，之后依据经典knn方法，找出与每个推荐人群最相似的k2个其他推荐人，并将其与k2个推荐人建立连边，由此构建出由推荐人构成的推荐人群网络图结构，其中，k2＝1,2,3，
…
，k2，k2表示需要找出的相似的推荐人个数。
17.优选的：步骤3中利用图神经网络方法gcn分别在众包网络图结构、人群网络图结构上进行多轮信息传播，对众包任务以及推荐个人进行任务嵌入表示和推荐人嵌入表示学习的方法如下：
18.步骤3a)，基于图神经网络方法gcn在众包网络图结构上进行多轮信息传播，并对每一个众包任务学习对应的任务嵌入表示，便于应用到下游任务当中。
19.步骤3b)，基于图神经网络方法gcn在推荐人网络图结构上进行多轮信息传播，并对每一个推荐人学习对应的推荐人嵌入表示，便于应用到下游任务当中。
20.优选的：步骤4中递归的进行步骤3的嵌入表示学习操作，多轮学习后，将得到的众包嵌入表示和推荐人嵌入表示采用t-sne映射到同一空间当中，根据邻近原则，将对应的任务推荐到具体到个人方法如下：
21.步骤4a)，将每一个众包任务学习到的对应任务嵌入表示利用t-sne映射到相应二维空间当中。
22.步骤4b)，将每一个推荐人学习到的对应推荐人嵌入表示利用t-sne映射到相应二维空间当中。
23.步骤4c)，根据邻近原则，将对应的任务推荐到具体到个人，同时完成多任务分配给一人，以及一任务可同时分配给多人。
24.优选的：需要找出的相似的众包任务个数k1取5。
25.优选的：需要找出的相似的推荐人个数k2取5
26.本发明相比现有技术，具有以下有益效果：
27.本发明对众包任务、推荐人群构建图结构，并采用图神经网络算法对图结构进行嵌入表示，可精准推荐众包任务到个人，比传统的众包任务推荐方法更加高效且准确，并且，通过构建图结构，可以将任务与任务之间的相关性、人与人之间的相关性考虑其中，更加科学合理。
附图说明
28.图1为本发明的方法整体流程图。
具体实施方式
29.下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
30.一种基于图神经网络的自适应众包任务推荐方法，如图1所示，包括如下步骤：
31.步骤1，数据采集：(1)获取足够多的真实应用场景中的众包任务对象集合，以及这些对象产生的具有起始时间、结束时间、所属类别、任务描述等多个特征的数据，(2)获取任务推荐人群的集合，以及这些对象对应的属性信息，如，性别、年龄、职业、地区、个人信息描述。
32.步骤2，数据预处理阶段：将众包任务对象根据其自身多个特征信息进行数据清洗，之后依据经典knn算法(k默认为5)，找出与每个众包任务最相似的k个其他众包任务，并将其与k个任务建立连边，由此构建出由所有众包任务构成的众包网络图结构；此外，针对推荐人群，按照相同的策略构建出推荐人群网络图结构，具体步骤如下：
33.步骤2a)，针对众包任务对象，将众包任务对象根据其自身特征信息进行数据清洗，主要包括数据补全、数据归一化、剔除无用字段等。之后依据经典knn方法，找出与每个众包任务最相似的k1个其他众包任务，并将其与k1个任务建立连边，由此构建出由所有众包任务构成的众包网络图结构，其中，k1＝1,2,3，
…
，k1，k1表示需要找出的相似的众包任务个数。需要找出的相似的众包任务个数k1取5。
34.步骤2b)，针对推荐人群，将推荐人群根据其属性信息进行数据清洗，之后依据经典knn方法，找出与每个推荐人群最相似的k2个其他推荐人，并将其与k2个推荐人建立连边，由此构建出由推荐人构成的推荐人群网络图结构，其中，k2＝1,2,3，
…
，k2，k2表示需要找出的相似的推荐人个数。需要找出的相似的推荐人个数k2取5。
35.步骤3，数据分析阶段：利用图神经网络方法gcn分别在众包网络图结构、推荐人群网络图结构上进行多轮信息传播，对众包任务以及推荐人进行任务嵌入表示和推荐人嵌入
表示学习，具体如下：
36.步骤3a)，基于图神经网络方法gcn在众包网络图结构上进行多轮信息传播，并对每一个众包任务学习对应的任务嵌入表示，便于应用到下游任务当中。
37.步骤3b)，基于图神经网络方法gcn在推荐人网络图结构上进行多轮信息传播，并对每一个推荐人学习对应的推荐人嵌入表示，便于应用到下游任务当中。
38.步骤4，任务推荐阶段：递归的进行步骤3的嵌入表示学习操作，多轮学习后，将得到的众包嵌入表示和推荐人嵌入表示采用t-sne映射到同一空间当中，根据邻近原则，将对应的任务推荐到具体到个人，具体方法如下：
39.步骤4a)，将每一个众包任务学习到的对应任务嵌入表示利用t-sne映射到相应二维空间当中。
40.步骤4b)，将每一个推荐人学习到的对应推荐人嵌入表示利用t-sne映射到相应二维空间当中。
41.步骤4c)，根据邻近原则，将对应的任务推荐到具体到个人，同时完成多任务分配给一人，以及一任务可同时分配给多人。
42.实际部署中，knn中k的选择以及具体的图神经网络算法不能一劳永逸，根据具体需要在实验中变更，也需要对与嵌入表示进行周期性更新。
43.综上所述，本发明提出了一种基于图神经网络的自适应众包任务推荐方法，可以对众包任务、推荐人群构建图结构，并采用图神经网络算法对图结构进行嵌入表示，可精准推荐众包任务到个人，比传统的众包任务推荐方法更加高效且准确，并且，通过构建图结构，可以将任务与任务之间的相关性、人与人之间的相关性考虑其中，更加科学合理。
44.本发明对众包任务、推荐人群构建图结构，并采用图神经网络算法对图结构进行嵌入表示，可精准推荐众包任务到个人，比传统的众包任务推荐方法更加高效且准确，并且，通过构建图结构，可以将任务与任务之间的相关性、人与人之间的相关性考虑其中，更加科学合理。
45.本发明能够针对大量的众包任务以及网络上等待认领任务的人群，完成精准任务推荐。
46.以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。