蔣師賢，楊亮

（天津商業(yè)大學(xué)信息工程學(xué)院，天津 300134）

0 引言

近年來，隨著互聯(lián)網(wǎng)與經(jīng)濟(jì)全球化的快速發(fā)展，各種組織機(jī)構(gòu)開始在互聯(lián)網(wǎng)上尋求解決問題的途徑，逐漸形成一種新型的商業(yè)模式——眾包。眾包的任務(wù)定價是關(guān)系到平臺運營的核心要素，定價是否合理將直接決定任務(wù)的完成情況。誤差反向傳播網(wǎng)絡(luò)（Back Propagation Network,簡稱BP神經(jīng)網(wǎng)絡(luò)）具有自學(xué)習(xí)、自組織、自適應(yīng)能力能夠進(jìn)行信息的并行處理和非線性轉(zhuǎn)換，可以通過“誤差逆?zhèn)鞑ニ惴ā?，不斷提高網(wǎng)絡(luò)對輸入模式影響的正確率。利用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱（Neural Network Toolbox），可以便捷地對原始定價進(jìn)行訓(xùn)練和測試，在優(yōu)化任務(wù)定價方案上十分適用。

1 基于BP神經(jīng)網(wǎng)絡(luò)的定價研究

1.1 理論基礎(chǔ)

BP神經(jīng)網(wǎng)絡(luò)是具有三層或者三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包含了輸入層、隱含層和輸出層，同一層神經(jīng)元之間無連接，層與層之間采用全互連方式連接，如圖1，輸入層神經(jīng)元與隱含層之間是兩個神經(jīng)元的之間連接的強(qiáng)度，即網(wǎng)絡(luò)的權(quán)值，隱含層或者輸出層任一神經(jīng)元將前一層神經(jīng)元傳來的信息進(jìn)行整合，添加一個閾值。將整合后的信息作為該層神經(jīng)元的輸入值。信息在神經(jīng)元之間正向傳輸，輸入量經(jīng)過隱層逐層計算，得到網(wǎng)絡(luò)輸出后，與期望輸出相比較，將誤差值沿原來的連接通路反向傳播，逐次修正初始設(shè)定的的權(quán)值和閾值，迭代直到網(wǎng)絡(luò)誤差到精度要求或設(shè)定的學(xué)習(xí)次數(shù)為止。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 數(shù)據(jù)處理與參數(shù)確定

將各個影響因素作為輸入樣本，定價作為輸出樣本，我們把已完成的任務(wù)的定價視為合理的定價方案，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩余未完成的任務(wù)作為識別樣本重新定價。采用最大最小法對輸入輸出變量進(jìn)行歸一化處理。利用MATLAB中的函數(shù)mapmin?max，對輸入輸出數(shù)據(jù)均采用歸一化處理。

表1 符號說明

1.3 網(wǎng)絡(luò)結(jié)構(gòu)的確定

本文采用的是MATLAB R2017a的BP神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真試驗，網(wǎng)絡(luò)參數(shù)設(shè)置如下：

表2 參數(shù)設(shè)定

1.4 仿真分析

基于完成情況將任務(wù)分為兩類：已完成的任務(wù)，未完成的任務(wù)。將已完成的任務(wù)的定價視為合理的定價方案，即學(xué)習(xí)的對象，對已完成的任務(wù)樣本進(jìn)行訓(xùn)練后結(jié)果如圖2所示，圓圈代表真實定價，虛十字線代表預(yù)測定價，從各個任務(wù)定價的預(yù)測值和實際值的擬合程度看，預(yù)測值都比較符合實際值的變化趨勢，誤差較小，BP神經(jīng)網(wǎng)絡(luò)在一定程度上實現(xiàn)了對合理定價方案的學(xué)習(xí)。然后使用訓(xùn)練好的網(wǎng)絡(luò)對剩余未完成的任務(wù)進(jìn)行定價的預(yù)測，實現(xiàn)定價方案的優(yōu)化。

圖2 仿真結(jié)果

2 結(jié)果評價

通過與多元回歸法的對比，采用多元回歸分析時，R2=0.056,如圖3所示，采用BP神經(jīng)網(wǎng)絡(luò)分析時，R2=0.878，如圖3所示。擬合優(yōu)度值越接近1，說明擬合優(yōu)度越高，很明顯BP神經(jīng)網(wǎng)絡(luò)分析結(jié)果要優(yōu)于多元回歸分析。

對于新的定價方案用Logistic回歸預(yù)測完成情況。新的定價方案每個任務(wù)的完成的概率為t，評價結(jié)果為P,完成為1，未完成為0，在已知數(shù)據(jù)中，任務(wù)的完成率為62%，于是取t=0.38為分界值，則t到p的映射關(guān)系為：

利用MATLAB編程求解，得到新的任務(wù)定價的完成情況，經(jīng)計算發(fā)現(xiàn)，完成率提高到了88.7%，比起原始的62%的完成率有了大幅提高，說明經(jīng)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后得到的定價方案加優(yōu)良。

3 結(jié)語

本文運用BP神經(jīng)網(wǎng)絡(luò)分析眾包任務(wù)定價模型，通過對合理定價的學(xué)習(xí)，實現(xiàn)對定價的優(yōu)化，簡化問題的處理過程，在測試數(shù)據(jù)中，使任務(wù)完成率提高了16.7%，同時減低了企業(yè)運營成本并提高了用戶的收益率，實現(xiàn)雙贏，這種思路還可以在其他類似眾包平臺的設(shè)計上發(fā)揮作用，例如拼車軟件計費設(shè)計等，是一個值得推廣的模型。

圖3 多元回歸分析結(jié)果

圖4 BP神經(jīng)網(wǎng)絡(luò)回歸結(jié)果