馬 華，陳躍鵬，唐文勝，婁小平，黃卓軒

（湖南師范大學(xué)信息科學(xué)與工程學(xué)院，長沙 410081）

0 引言

近年來，隨著互聯(lián)網(wǎng)技術(shù)和共享經(jīng)濟(jì)模式的不斷成熟，以亞馬遜Mechanical Turk、CrowdFlower、豬八戒網(wǎng)、任務(wù)中國等為代表的眾包（Crowdsourcing）平臺(tái)發(fā)展迅速。為獲取創(chuàng)新創(chuàng)意思想、提高工作效率、降低成本等，眾多企業(yè)開始將其工作任務(wù)發(fā)布到眾包平臺(tái)，征集盡可能優(yōu)秀的解決方案，并通過分布式協(xié)作提高任務(wù)的完成效率。例如，“豬八戒網(wǎng)”現(xiàn)有約300多萬個(gè)眾包任務(wù)，覆蓋近20個(gè)產(chǎn)業(yè)主類目，懸賞金額約53億元［1］；“任務(wù)中國”約有5.7萬個(gè)面向設(shè)計(jì)、網(wǎng)站、寫作以及多媒體開發(fā)等方面的眾包任務(wù)，懸賞金額約3 800萬元［1］；“中移在線”官網(wǎng)顯示，2019年完成各類任務(wù)達(dá)12.8億次，注冊會(huì)員有60多萬人，服務(wù)次數(shù)達(dá)1億多次。

作為一種通過互聯(lián)網(wǎng)群體智慧解決復(fù)雜問題的重要模式［2］，眾包現(xiàn)已吸引了學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛重視。中國計(jì)算機(jī)學(xué)會(huì)在《中國計(jì)算機(jī)科學(xué)技術(shù)發(fā)展報(bào)告》［3］中將眾包視為群智協(xié)同計(jì)算領(lǐng)域的研究重點(diǎn)之一。近年來許多重要的國際會(huì)議發(fā)布了眾包的相關(guān)研究成果。例如，2018年Ma等［4］討論了眾包任務(wù)的定價(jià)機(jī)制、2017年Hung等［5］探討了眾包任務(wù)質(zhì)量控制模型、2017年Li等［6］討論了眾包在數(shù)據(jù)庫中的應(yīng)用、2016年Mavridis等［7］探討了知識(shí)密集型眾包任務(wù)的分配優(yōu)化算法。目前，眾包在實(shí)時(shí)O2O（Online to Offline）應(yīng)用、交通管理、災(zāi)情監(jiān)控、社交媒體、軟件服務(wù)、自然語言處理、信息檢索等領(lǐng)域均有較成功的應(yīng)用［8-10］。

作者對(duì)近十年（截止于2019年12月）發(fā)表在中國知網(wǎng)（China National Knowledge Infrastructure，CNKI）和WOS（Web Of Science）上的論文進(jìn)行了仔細(xì)梳理，選擇與計(jì)算機(jī)領(lǐng)域相關(guān)性較大的期刊（其中，中文文獻(xiàn)以核心期刊級(jí)別以上為主）和有代表性的書籍和會(huì)議論文，通過主題詞“眾包”（或“Crowdsourcing”）檢索，并在檢索文獻(xiàn)過程中采用倒查法、順查法和追溯法擴(kuò)充文獻(xiàn)，以厘清國內(nèi)外現(xiàn)有的與“眾包”（或“Crowdsourcing”）相關(guān)的主要研究的文獻(xiàn)量、研究熱點(diǎn)和整體研究趨勢等信息。梳理結(jié)果顯示，CNKI中有論文5 232篇，WOS中有3495篇。2010—2019年的眾包文獻(xiàn)發(fā)文量詳細(xì)情況如圖1所示。以CNKI為例，2016年發(fā)文量出現(xiàn)了第一個(gè)高峰期，達(dá)2014年的2倍；2017年后發(fā)文量趨于平穩(wěn)，年均發(fā)文量約700篇。

圖1 2010—2019年的眾包文獻(xiàn)發(fā)文量Fig.1 Literatures published about crowdsourcing in 2010 to2019

使用Citespace軟件分析獲得了近10年來眾包研究的關(guān)鍵詞共現(xiàn)圖譜（如圖2所示）、高中心性關(guān)鍵詞統(tǒng)計(jì)表（如表1所示）和高中心性關(guān)鍵詞圖譜（如圖3所示）。

圖2 關(guān)鍵詞共現(xiàn)圖譜Fig.2 Keywords co-occurrence map

圖3 高中心性關(guān)鍵詞圖譜Fig.3 Map of keywordswith high centrality

表1 高中心性關(guān)鍵詞Tab.1 Keywords with high centrality

由高中心性關(guān)鍵詞的分布與連線特征可知，眾包的影響因素和激勵(lì)機(jī)制、眾包任務(wù)的分配、工作者的信譽(yù)評(píng)估、眾包任務(wù)的質(zhì)量控制策略等是近10年來我國關(guān)于眾包的研究熱點(diǎn)。其中，眾包任務(wù)質(zhì)量控制一直是研究難點(diǎn)，它涉及眾包平臺(tái)、雇主和工作者等三方合作，為獲得滿意的結(jié)果，需要篩選高質(zhì)量的候選工作者和應(yīng)用高效的任務(wù)分配方法，而任務(wù)和多樣性與工作者能力的動(dòng)態(tài)性和不確定性特征，增加了眾包任務(wù)質(zhì)量控制研究的難度［11］。首先，眾包過程的某些影響因素（例如平臺(tái)上工作者的工作環(huán)境、狀態(tài)以及態(tài)度等）難以量化。其次，任務(wù)分配方法的設(shè)計(jì)涉及行為學(xué)、心理學(xué)和統(tǒng)計(jì)學(xué)等多個(gè)領(lǐng)域知識(shí)［12］。此外，任務(wù)類型多樣，現(xiàn)有的分配算法模型難以統(tǒng)一處理，即單個(gè)算法模型缺乏普適性。

近年來，時(shí)空眾包、空間眾包等新型的眾包應(yīng)用不斷出現(xiàn)。不同于傳統(tǒng)眾包，時(shí)空眾包有更強(qiáng)的實(shí)時(shí)性、空間性以及移動(dòng)性等，因此不能用已有的離線算法來求解。童詠昕等［10］對(duì)時(shí)空眾包的數(shù)據(jù)庫管理、任務(wù)分配、質(zhì)量控制等方面研究進(jìn)行了綜述；張志強(qiáng)等［13］提出了階段式動(dòng)態(tài)眾包質(zhì)量控制策略，以此來保證眾包任務(wù)的高質(zhì)量完成。

通過梳理現(xiàn)有文獻(xiàn)可知，工作者能力的準(zhǔn)確、全面評(píng)估對(duì)于眾包任務(wù)分配優(yōu)化方法具有重要意義［14］。不同的候選工作者對(duì)于不同的眾包任務(wù)具有不同的勝任能力，它直接影響了眾包任務(wù)的最終完成質(zhì)量。對(duì)于眾包平臺(tái)而言，如何結(jié)合歷史數(shù)據(jù)和注冊信息等準(zhǔn)確評(píng)估候選工作者的綜合能力，在考慮時(shí)空、成本等諸多因素基礎(chǔ)上，為多個(gè)相關(guān)的眾包任務(wù)分配合適的眾包工人集，以獲取整體的最優(yōu)任務(wù)完成滿意度和眾包平臺(tái)的利益最大化，是一個(gè)NP難問題［14］。

針對(duì)現(xiàn)有研究面臨的困難及挑戰(zhàn)，本文在總結(jié)工作者能力評(píng)估研究的基礎(chǔ)上，從基于匹配、基于規(guī)劃和基于角色協(xié)同等3個(gè)方面對(duì)眾包任務(wù)分配方法的現(xiàn)有研究成果進(jìn)行綜述，以期為后續(xù)的深入研究提供有價(jià)值的參考和啟發(fā)。

1 眾包的概念和分類

1.1 眾包概念

2006年，Jeff Howe在《聯(lián)線》雜志上第一次提出了“眾包”的概念，即一家企業(yè)將以往由工人完成的工作任務(wù)，現(xiàn)以自由自愿的方式外包給非特定的公眾網(wǎng)絡(luò)的做法［15］。隨著眾包應(yīng)用的發(fā)展，眾包定義在形式上發(fā)生了變化，Estellés-Arolas等［16］總結(jié)了2006年到2011年的28篇文章的36個(gè)定義，比較全面地從不同方面描述了眾包，歸納提煉出眾包的基本六要素，包括雇主、眾包平臺(tái)、工作者、任務(wù)、獎(jiǎng)勵(lì)機(jī)制以及解決方案。2016年Kietzmann等［17］將眾包的定義擴(kuò)展為“通過互聯(lián)網(wǎng)，以公開呼叫的形式將任何組織職能外包給網(wǎng)絡(luò)上的工作者（包括人類和非人類參與者）”。

目前，眾包在技術(shù)、形式和社會(huì)職能上發(fā)生了很大變化，它們包括：1）眾包不僅是一個(gè)“未定義的人員網(wǎng)絡(luò)”，并且聚集了具有一定能力技能的人員；2）眾包不再是單單屬于組織外部的努力，現(xiàn)在更多地與企業(yè)內(nèi)部的員工一起合作；3）眾包不再局限于人群，很多項(xiàng)目以人群和機(jī)器之間的合作來完成某項(xiàng)特殊任務(wù)；4）可通過應(yīng)用程序編程接口訪問眾包。

眾包任務(wù)的完成需要雇主、眾包平臺(tái)和工作者三者之間的良好協(xié)作。典型的眾包模式如圖4［18］所示。

圖4 典型的眾包模式Fig.4 Classic crowdsourcingmodel

綜上，眾包的主要特征可被歸納為：采用公開呼叫的方式召集互聯(lián)網(wǎng)大眾［19］；眾包任務(wù)通常是機(jī)器難以單獨(dú)解決的問題［18］；大眾通過獨(dú)立或協(xié)作完成眾包任務(wù)；眾包是一種分布式的問題解決機(jī)制［20］。

1.2 眾包分類

依據(jù)眾包平臺(tái)的實(shí)際應(yīng)用，本文從大眾參與的形式和眾包獎(jiǎng)勵(lì)機(jī)制兩個(gè)層面對(duì)眾包平臺(tái)分類。根據(jù)大眾參與的形式可將眾包分為競爭式和協(xié)作式2種方式；根據(jù)獎(jiǎng)勵(lì)機(jī)制不同可將眾包分為積分型、懸賞型、知識(shí)能力產(chǎn)品出售型等3種方式。每種類型的主要特征及案例參見表2所示。同時(shí)，從眾包任務(wù)的類型差異性角度分析，按任務(wù)的復(fù)雜性、難度和粒度等不同標(biāo)準(zhǔn)，可以將眾包任務(wù)劃分為簡單任務(wù)、復(fù)雜任務(wù)、微觀 任 務(wù)、宏 觀 任 務(wù) 等［11］。例 如Mechanical Turk、Google Answers、豬八戒網(wǎng)和任務(wù)中國等眾包平臺(tái)，承接的任務(wù)大部分為微觀任務(wù)、宏觀任務(wù)和簡單任務(wù)，比如對(duì)大量圖片歸類、Logo設(shè)計(jì)、名片設(shè)計(jì)及地理位置標(biāo)注等常規(guī)懸賞型任務(wù)，工作者接單并完成后獲得相應(yīng)的報(bào)酬。

表2 眾包平臺(tái)分類Tab.2 Classification of crowdsourcing platforms

對(duì)于需要協(xié)同開發(fā)或者需要很強(qiáng)的專業(yè)性知識(shí)的復(fù)雜任務(wù)，如軟件眾包，多依靠開源的平臺(tái)來完成任務(wù)，是比較快捷高效的方式［21-22］，比如GitHub、Coding等開源社區(qū)。另外，與眾包相似的兩個(gè)概念是眾籌（Crowdfunding）和眾創(chuàng)，其中，眾籌強(qiáng)調(diào)的是資金的募集，與眾包有本質(zhì)上的區(qū)別。三者主要區(qū)別和對(duì)應(yīng)的案例如表3所示。

表3 眾包、眾籌與眾創(chuàng)的區(qū)別Tab.3 Differencesbetween crowdsourcing，crowdfundingand crowdcreation

2 眾包任務(wù)特點(diǎn)及工作流程

2.1 眾包任務(wù)特點(diǎn)

隨著應(yīng)用場景的復(fù)雜性和多樣性，許多眾包任務(wù)開始對(duì)完成的時(shí)間、地點(diǎn)以及工作者響應(yīng)時(shí)間等有更明確的要求，即出現(xiàn)了從傳統(tǒng)的基于Web的應(yīng)用模式轉(zhuǎn)向具有時(shí)空屬性的眾包應(yīng)用模式。例如滴滴出行、餓了么、美團(tuán)眾包、Uber以及Gigwalk等典型的O2O應(yīng)用。

根據(jù)任務(wù)是否存在時(shí)空約束這一條件，可將眾包分為兩大類：傳統(tǒng)眾包和時(shí)空眾包。兩者不僅在眾包任務(wù)類型和參與者上有差異，而且在眾包平臺(tái)的服務(wù)模式上也有很大區(qū)別。時(shí)空眾包強(qiáng)調(diào)實(shí)時(shí)性和空間性等，是線上和線下的資源的密切配合。由于任務(wù)特點(diǎn)有本質(zhì)上的不同，并影響到任務(wù)分配、質(zhì)量評(píng)估以及平臺(tái)數(shù)據(jù)管理［10］等方面，時(shí)空眾包已不能用已有的離線算法來解決相關(guān)問題，需進(jìn)行專門研究。兩類眾包在服務(wù)范圍和涵蓋的任務(wù)類型上的區(qū)別如表4所示，其中√表示支持該類型的任務(wù)，—表示該項(xiàng)未發(fā)現(xiàn)。

表4 傳統(tǒng)眾包和時(shí)空眾包的比較Tab.4 Comparison between traditional crowdsourcingand spatiotemporal crowdsourcing

按照復(fù)雜性、難度和粒度等不同標(biāo)準(zhǔn)，眾包任務(wù)可分為四種類型：1）簡單任務(wù)。傳統(tǒng)眾包和空間眾包中多以簡單任務(wù)為主，通常任務(wù)可單獨(dú)完成，比如，名片設(shè)計(jì)、口號(hào)標(biāo)語創(chuàng)作、文章翻譯、交通堵塞監(jiān)控、自然災(zāi)害數(shù)據(jù)采集等的興起等。2）復(fù)雜任務(wù)。主要涉及一些專業(yè)性、創(chuàng)新性比較強(qiáng)、任務(wù)流程比較復(fù)雜繁瑣并耗時(shí)較長的任務(wù)類型，單獨(dú)無法完成的任務(wù)有時(shí)需要團(tuán)隊(duì)間的協(xié)作才能更好地保證任務(wù)完成的質(zhì)量。例如，劇本的撰寫、網(wǎng)站的開發(fā)、算法的設(shè)計(jì)以及卡通人物的設(shè)計(jì)等均屬于復(fù)雜任務(wù)。其中，軟件眾包因其任務(wù)特點(diǎn)及眾包應(yīng)用在軟件開發(fā)上的優(yōu)勢，目前已成為學(xué)術(shù)界和產(chǎn)業(yè)界關(guān)注的重點(diǎn)。3）微觀任務(wù)。任務(wù)的粒度較小，內(nèi)容通常較具體和客觀，任務(wù)的難度不限。可以是不需要任何專業(yè)知識(shí)背景的圖片標(biāo)注任務(wù)、特定數(shù)據(jù)采集服務(wù)、地理位置的標(biāo)注以及其他類型簡單又具體的任務(wù)，也有操作繁瑣需要專業(yè)知識(shí)的復(fù)雜任務(wù)，比如獲取某區(qū)域的重金屬污染指標(biāo)數(shù)據(jù)、某區(qū)域的居民生活水平調(diào)查數(shù)據(jù)以及某農(nóng)村留守兒童的數(shù)量比例等。4）宏觀任務(wù)。任務(wù)的粒度相對(duì)較大，任務(wù)類型包含較多主觀因素，相對(duì)來說任務(wù)難度比較低，比如360問答、知乎以及微博社區(qū)等發(fā)布的任務(wù)。工作者完成此類任務(wù)，多數(shù)不以盈利為目的，通過賺取積分、獲取點(diǎn)贊以及瀏覽量等方式來獲取關(guān)注等。

2.2 眾包工作流程

眾包工作流程如圖5所示。雇主、工作者、待解決的任務(wù)、獎(jiǎng)勵(lì)機(jī)制、眾包平臺(tái)以及解決方案是基本的六要素。其中，工作者、眾包平臺(tái)與雇主三者是眾包過程的核心。眾包平臺(tái)承載任務(wù)及其用戶，任務(wù)通過眾包平臺(tái)將工作者與雇主建立供需關(guān)系，完善的獎(jiǎng)勵(lì)機(jī)制可使整個(gè)眾包流程成為一個(gè)可持續(xù)的生產(chǎn)過程，良好的問題反饋機(jī)制將最大限度地保證任務(wù)的完成質(zhì)量。對(duì)于有時(shí)空約束的時(shí)空眾包任務(wù)，雇主和工作者都要提交自己當(dāng)前的時(shí)空信息，通過眾包平臺(tái)對(duì)時(shí)空屬性信息預(yù)處理，推薦或者分配合適的工作者。另外，對(duì)時(shí)空特性無嚴(yán)格要求的傳統(tǒng)眾包任務(wù)，時(shí)空屬性可不作為一項(xiàng)重要的指標(biāo)參與到眾包的工作流程當(dāng)中，如圖5虛線框所示。

圖5 眾包工作流程Fig.5 Crowdsourcing workflow

目前，成熟的眾包平臺(tái)，如Mechanical Turk、CrowdFlower、豬八戒網(wǎng)、任務(wù)中國以及滴滴打車、美團(tuán)眾包等，都有良好的線上交流、問題反饋以及評(píng)分機(jī)制，可為保障任務(wù)完成質(zhì)量提供支持。但是，通過調(diào)研也發(fā)現(xiàn)，基于Web的傳統(tǒng)眾包平臺(tái)在任務(wù)推薦、任務(wù)檢索等方面仍有很大的提升空間。

3 工作者能力評(píng)估

眾包平臺(tái)存在虛擬性和時(shí)空不對(duì)稱性，工作者能力評(píng)估機(jī)制應(yīng)支持篩除低質(zhì)量工作者，避免虛假交易和欺詐行為。準(zhǔn)確評(píng)估工作者的能力是進(jìn)行完成質(zhì)量保障下的任務(wù)分配的前提條件。

3.1 工作者能力的評(píng)估指標(biāo)

為全面客觀評(píng)價(jià)工作者的綜合能力，可建立m層n個(gè)指標(biāo)的指標(biāo)集（一般m≤3，n≤9）。指標(biāo)集的目標(biāo)層是工作者能力綜合評(píng)估指標(biāo)。指標(biāo)集的決策層可包括四個(gè)方面的指標(biāo)：1）基本指標(biāo)。例如注冊時(shí)間、年齡與文化程度、熟悉的專業(yè)領(lǐng)域三個(gè)方面。不同年齡和受教育程度的工作者的經(jīng)濟(jì)、生活、心理、道德水平和信用狀態(tài)都可能存在一定差別。2）活躍程度指標(biāo)。例如工作者登錄并使用平臺(tái)的頻率、在線工作時(shí)長、實(shí)際參與任務(wù)比率、實(shí)際中標(biāo)任務(wù)比率等。這些指標(biāo)體現(xiàn)了一個(gè)工作者的活躍程度。3）任務(wù)完成質(zhì)量指標(biāo)。包括按時(shí)完成任務(wù)比率、超時(shí)任務(wù)比率、已完成任務(wù)的好評(píng)率和差評(píng)率及被投訴率等方面。其中，超時(shí)任務(wù)比率是工作者超時(shí)完成的任務(wù)數(shù)量占工作者投標(biāo)的任務(wù)總數(shù)量。4）其他指標(biāo)。指能更全面評(píng)估工作者能力的指標(biāo)集，可根據(jù)實(shí)際情況擴(kuò)充。

3.2 評(píng)價(jià)指標(biāo)的權(quán)重計(jì)算

確定指標(biāo)權(quán)重的方法可分為主觀賦權(quán)、客觀賦權(quán)及主客觀賦權(quán)三種類型。層次分析法（Analytic Hierarchy Process，AHP）、模糊層次分析法（Fuzzy AHP，F(xiàn)AHP）、德菲爾法（Delphi Technique）等屬于主觀賦權(quán)類型。主成分分析（Principal Component Analysis，PCA）法、相關(guān)系數(shù)法、熵值法和坎蒂雷賦權(quán)法等屬于客觀賦權(quán)類型。將主觀賦權(quán)法與客觀賦權(quán)法相結(jié)合，可使評(píng)價(jià)結(jié)果更加精確和客觀，但其數(shù)學(xué)推導(dǎo)比較繁瑣，應(yīng)用和實(shí)際操作缺乏靈活性。常用的權(quán)重計(jì)算方法的對(duì)比如表5所示。

表5 權(quán)重計(jì)算方法的比較Tab.5 Comparison of weight calculation methods

使用單一方法往往會(huì)出現(xiàn)權(quán)重的偏倚，因此融合方法的研究日趨豐富。例如，德菲爾法和AHP與PCA法相結(jié)合、德菲爾法和FAHP與因子分析法相結(jié)合、德菲爾法和AHP與熵值法相結(jié)合、德菲爾法和FAHP與熵值法相結(jié)合等。相比單一方法，融合方法可使評(píng)估對(duì)象的權(quán)重設(shè)定更客觀。

3.3 工作者能力的評(píng)估模型

對(duì)工作者能力的評(píng)估模型可分為兩類：一是可識(shí)別但不規(guī)避低質(zhì)量工作者的模型；二是可識(shí)別且可規(guī)避低質(zhì)量工作者的模型。后者較為復(fù)雜，但可減少由低質(zhì)量工作者在承接任務(wù)時(shí)帶來的損失。

3.3.1 可識(shí)別但不規(guī)避低質(zhì)量工作者的評(píng)估模型

工作者平均信譽(yù)模型［23］在實(shí)際的眾包系統(tǒng)中使用比較廣泛，該模型是將工作者所有的歷史任務(wù)完成質(zhì)量累加后取平均值作為該工作者的信譽(yù)值，并根據(jù)此信譽(yù)值優(yōu)先選擇合適的工作者。但是，該模型忽視了近期任務(wù)的完成情況相對(duì)于早期任務(wù)更能反映工作者當(dāng)前實(shí)際信譽(yù)值。嚴(yán)俊等［24］改進(jìn)了平均信譽(yù)模型，從工作者活躍度和歷史信譽(yù)值的角度提出活躍因子和歷史因子的概念，用于衡量工作者的綜合能力值，以提高任務(wù)的完成質(zhì)量和完成效率，但缺乏考慮任務(wù)復(fù)雜度和工作者選擇機(jī)制。

借鑒C2C信譽(yù)評(píng)價(jià)模型，如易趣網(wǎng)、淘寶網(wǎng)的信用評(píng)價(jià)體系，用戶的信用值的計(jì)算是將用戶得到的所有信用反饋評(píng)分進(jìn)行累加，即信用累加模型。文獻(xiàn)［25-26］在此研究基礎(chǔ)上，引入了服務(wù)加權(quán)計(jì)分、交易金額、交易時(shí)間、失敗懲罰因子等因素，引入交易金額能夠有效地解決“較小交易獲取信任行大騙”的問題；增加的懲罰因子，能有效應(yīng)對(duì)“小額信用累積”的問題等。改進(jìn)后的信用評(píng)價(jià)體系雖不能直接規(guī)避欺詐或者低質(zhì)量的工作者參與交易，但工作者的信用值不會(huì)因再次誠信交易而快速恢復(fù)，可間接保障任務(wù)的完成質(zhì)量，但不足是，影響因子的合理取值需通過大量實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證。

在軟件協(xié)同開發(fā)方面，謝新強(qiáng)等［22］通過對(duì)開發(fā)者的靜態(tài)和動(dòng)態(tài)、顯式和隱式特征，定性定量相結(jié)合的方式，給出了開發(fā)者能力模型的模糊綜合評(píng)價(jià)方法。但是，該方法未考慮工作者能力的動(dòng)態(tài)更新。由此，余敦輝等［27］提出一種軟件眾包工人能力動(dòng)態(tài)度量算法，將影響工作者開發(fā)能力的諸多因素考慮在內(nèi)，包括工人的靜態(tài)技能屬性、已完成任務(wù)的類型、任務(wù)復(fù)雜度、任務(wù)質(zhì)量、任務(wù)開發(fā)實(shí)效、任務(wù)技能覆蓋率以及時(shí)間因子等，并結(jié)合歷史任務(wù)的完成時(shí)間順序，實(shí)現(xiàn)工人能力的動(dòng)態(tài)更新。

在開源軟件核心開發(fā)者的評(píng)估方面，工作者一般通過分享經(jīng)驗(yàn)、代碼調(diào)試、提交更新補(bǔ)丁程序等途徑作出貢獻(xiàn)，項(xiàng)目貢獻(xiàn)度通常被視為工作者開發(fā)地位的重要指標(biāo)，來識(shí)別核心開發(fā)者和外圍開發(fā)者。此外，現(xiàn)有研究也提出，可從社交網(wǎng)絡(luò)挖掘項(xiàng)目的貢獻(xiàn)度信息。現(xiàn)有文獻(xiàn)多用統(tǒng)計(jì)計(jì)數(shù)的方法［28-29］，以統(tǒng)計(jì)量為指標(biāo)并通過設(shè)立閾值來判別開發(fā)者的地位，但這些方法忽略了對(duì)項(xiàng)目文件自身特性的分析。另外，吳哲夫等［30］從開發(fā)者對(duì)可信技術(shù)文件的貢獻(xiàn)出發(fā)，以9個(gè)Apache項(xiàng)目為基礎(chǔ)，結(jié)合傳統(tǒng)的評(píng)價(jià)指標(biāo)建立變量，訓(xùn)練支持向量機(jī)模型，以提高核心開發(fā)者的識(shí)別精度，為開源社區(qū)人員的晉升提供有效的依據(jù)，但是，該文獻(xiàn)定義的評(píng)價(jià)體系較為單一，難以綜合分析開發(fā)者的貢獻(xiàn)度。

3.3.2 可識(shí)別且可規(guī)避低質(zhì)量工作者的評(píng)估模型

眾包工人能力度量是進(jìn)行任務(wù)合理分配的一個(gè)關(guān)鍵因素，同時(shí)也直接關(guān)系到任務(wù)的完成質(zhì)量，識(shí)別并規(guī)避低質(zhì)量的工作者是一項(xiàng)研究重點(diǎn)也是難點(diǎn)。文獻(xiàn)［31-33］在識(shí)別惡意工作者行為特征方面做了深入研究，指出惡意工作者很少參與抽象的任務(wù)或具有創(chuàng)新性要求的任務(wù)，可通過對(duì)工作者的精確評(píng)估來有效地降低惡意工作者以及低能力工作者的參與，通常采用以下4種評(píng)估方法策略：

1）基于黃金標(biāo)準(zhǔn)數(shù)據(jù)的策略。

該策略中，先由雇主設(shè)計(jì)一些具有標(biāo)準(zhǔn)答案的問題同任務(wù)一起發(fā)布，并使工作者做任務(wù)的同時(shí)回答這些問題，通過回答的結(jié)果對(duì)工作者進(jìn)行評(píng)估，檢測工作者對(duì)任務(wù)的了解程度，直接評(píng)估工作者是否有能力承接此項(xiàng)任務(wù)。針對(duì)簡單客觀的有標(biāo)準(zhǔn)答案的問題，使用該策略識(shí)別工作者的能力是很好的辦法。然而，眾包平臺(tái)上的任務(wù)大多為復(fù)雜任務(wù)和一些主觀性強(qiáng)的宏觀任務(wù)，缺乏具體的標(biāo)準(zhǔn)答案［13，34-35］；并且，該策略未充分考慮工作者的歷史表現(xiàn)和歷史信譽(yù)。針對(duì)現(xiàn)有不足，Gao等［36］考慮了問題的價(jià)值、工作者歷史表現(xiàn)、當(dāng)前測試結(jié)果、測試任務(wù)的規(guī)模、精度與成本的關(guān)系以及獲得錯(cuò)誤答案的風(fēng)險(xiǎn)等，把工作者過去的歷史表現(xiàn)作為精度的先驗(yàn)分布，通過黃金標(biāo)準(zhǔn)數(shù)據(jù)中工作者的表現(xiàn)作為后驗(yàn)分布，這種方法能較為準(zhǔn)確地估計(jì)工作者的綜合能力，保證輸出的答案質(zhì)量，具有較高的可靠性。

2）基于熵的眾包質(zhì)量評(píng)估策略。

最大期望（Expectation Maximization，EM）算法是比較經(jīng)典的眾包質(zhì)量評(píng)估算法，但它不能直觀表示工作者完成任務(wù)的情況［37］。Dawid等［38］提出的EM算法，能得出工作者的“誤差矩陣”，進(jìn)而求得對(duì)應(yīng)工作者的誤差率，誤差率可作為工作者的衡量標(biāo)準(zhǔn)。此外，Raykar等［39］提出了一種基于熵的眾包質(zhì)量評(píng)估算法，此算法很直觀地以區(qū)間值的形式將工作者完成任務(wù)的情況展現(xiàn)出來，好的工作者得分接近1，差的工作者得分接近于0。

3）階段式動(dòng)態(tài)眾包質(zhì)量控制策略。

該策略涉及質(zhì)量評(píng)估算法、替換規(guī)則、監(jiān)測點(diǎn)設(shè)置等方面?，F(xiàn)有文獻(xiàn)對(duì)隨意類型和統(tǒng)一類型［12-13］的欺詐工作者進(jìn)行了模型化表述，張志強(qiáng)等［13］通過EM算法計(jì)算出工作者的誤差率作為能力評(píng)估的指標(biāo)，選取可靠工作者，并通過隨機(jī)簡單選取可靠工作者原則進(jìn)行工作者的替換。潘慶先等［12］基于廣義Pareto分布的權(quán)重設(shè)置算法設(shè)計(jì)出了眾包工人權(quán)重設(shè)置框架，可有效規(guī)避工作者統(tǒng)一型的欺騙性為，但針對(duì)不同任務(wù)框架缺乏一定的通用性。此外，替換規(guī)則以及監(jiān)測點(diǎn)的加入是否合理等問題需要重視，它們將會(huì)影響整個(gè)任務(wù)的完成進(jìn)度，同時(shí)有可能會(huì)陷入一種惡性的循環(huán)替換中。

4）基于投票的質(zhì)量控制策略。

此控制策略采用簡單多數(shù)投票規(guī)則［40］，即多個(gè)工作者參與一個(gè)任務(wù)的情況下，基于投票規(guī)則，以多數(shù)工作者認(rèn)可的方案作為任務(wù)的最終方案，這在一定程度上可規(guī)避低質(zhì)量或者惡意工作者參與從而導(dǎo)致整體結(jié)果質(zhì)量下降的問題。該方法已被Mechanical Turk、CrowdFlower等平臺(tái)采用。該策略的缺陷在于未考慮投票者之間的能力認(rèn)知差異。針對(duì)現(xiàn)有不足，Hirth等［41］提出了一種控制組質(zhì)量確保技術(shù)，將任務(wù)分配給多個(gè)工作者，選取工作者或指定專家對(duì)反饋的方案進(jìn)行“投票”，選出最優(yōu)結(jié)果，如果符合雇主的要求就采用此方案，不符合就重新發(fā)包?！翱刂平M質(zhì)量確保技術(shù)”與“基于投票一次性策略”都是提高眾包結(jié)果質(zhì)量的有效手段，但是未考慮工作者能力的動(dòng)態(tài)變化情況。Quinn等［42］提出了一種冗余質(zhì)量確保技術(shù)，它將任務(wù)分發(fā)給不同的工作者，再將結(jié)果聚合成最優(yōu)結(jié)果，聚合的過程包含了對(duì)低質(zhì)量答案的篩選過程，但其缺點(diǎn)是增加了任務(wù)量以及聚合過程的開支。

綜上，本文對(duì)工作者能力評(píng)估模型及算法進(jìn)行了綜合比較，如表6所示。

表6 工作者能力評(píng)估模型及算法比較Tab.6 Comparison of worker ability evaluation models and algorithms

通過識(shí)別惡意工作者或者低質(zhì)量工作者，并不能從根源上徹底規(guī)避它們參與眾包任務(wù)，但可通過設(shè)置篩選機(jī)制和評(píng)估機(jī)制降低其出現(xiàn)概率。例如，在任務(wù)分配前對(duì)工作者能力進(jìn)行評(píng)估［43］、擴(kuò)大評(píng)估指標(biāo)維度、提高評(píng)估精度等來降低其對(duì)任務(wù)完成質(zhì)量帶來的影響。

4 眾包任務(wù)分配方法

眾包平臺(tái)根據(jù)任務(wù)和工作者各自的特性為眾包任務(wù)選擇合適工作者。實(shí)際的眾包應(yīng)用中，因雇主不可能了解所有工作者的真實(shí)技能、可信度以及協(xié)作能力，通常眾包平臺(tái)隨機(jī)將任務(wù)分配給工作者。針對(duì)特定類型的任務(wù)，通過冗余、重復(fù)的分配方式來盡可能地保證眾包結(jié)果的質(zhì)量，其結(jié)果往往是任務(wù)完成的時(shí)間成本、資金成本以及任務(wù)結(jié)果精度達(dá)不到預(yù)期目標(biāo)。為提升任務(wù)的完成質(zhì)量，合理有效的任務(wù)分配機(jī)制一直是眾包任務(wù)質(zhì)量保證關(guān)注的研究重點(diǎn)。

4.1 任務(wù)分配前的準(zhǔn)備工作

傳統(tǒng)的任務(wù)分配多在公司內(nèi)部或者任務(wù)與工作者類型已知的情況下進(jìn)行，而眾包模式下的分配方式多為在線或離線狀態(tài)下完成，且工作時(shí)間及工作者類型等方面也有很大差異。因此，傳統(tǒng)模式下的任務(wù)分配算法并不能直接應(yīng)用于眾包應(yīng)用。眾包模式下在任務(wù)分配前，除了需要確定工作者的綜合能力外，還需確定眾包任務(wù)與工作者的相關(guān)特征。

首選，確定任務(wù)的類型，即靜態(tài)離線任務(wù)或動(dòng)態(tài)在線任務(wù)。眾包平臺(tái)可以提前獲取靜態(tài)離線任務(wù)和工作者的各項(xiàng)指標(biāo)信息。而對(duì)于動(dòng)態(tài)在線任務(wù)，任務(wù)和上線的工作者是隨機(jī)出現(xiàn)的，因此，任務(wù)分配方法有很大區(qū)別。即分配方法上是隨機(jī)分配還是基于Top-k擇優(yōu)分配策略。

其次，確定任務(wù)所需工作者的數(shù)量。通過梳理文獻(xiàn)，二者對(duì)應(yīng)關(guān)系有一對(duì)一、一對(duì)多、多對(duì)多（包含協(xié)同關(guān)系）等3種類型。目前的分配算法多為“一對(duì)一”的研究，這些算法的復(fù)雜度較低，但針對(duì)“多對(duì)多”的類型，因考慮的因素、指標(biāo)、涉及人員較多等不確定因素，給研究人員提出了很大的挑戰(zhàn)，可視為NP難問題。

最后，確定任務(wù)的選擇權(quán)，包括工作者主動(dòng)選擇任務(wù)、工作者被動(dòng)承接任務(wù)以及工作者與任務(wù)之間的雙向選擇等3種選項(xiàng)。針對(duì)傳統(tǒng)眾包任務(wù)的完成過程，目前多為工作者主動(dòng)承接任務(wù)并提交方案，由雇主對(duì)方案進(jìn)行審核的方式。比如Mechanical Turk、任務(wù)中國等的圖片標(biāo)記、地點(diǎn)標(biāo)注等簡單任務(wù)。工作者被動(dòng)選擇和雙向選擇多出現(xiàn)在特定的眾包任務(wù)中。例如，時(shí)空眾包類型的神州專車平臺(tái)主動(dòng)給工作者分派任務(wù)，即被動(dòng)承接任務(wù)；傳統(tǒng)眾包的一些競標(biāo)項(xiàng)目，如軟件眾包、軟件測試、網(wǎng)站開發(fā)等是雙向選擇的過程。眾包模式與傳統(tǒng)模式下任務(wù)分配方法的比較如表7所示。

表7 任務(wù)分配方法的比較Tab.7 Comparison of task assignment methods

綜上，不同特征的自由組合即可產(chǎn)生不同類型的任務(wù)，且每種類型的任務(wù)涉及的分析方法有本質(zhì)上的區(qū)別。因此，在很大程度上影響了眾包平臺(tái)的應(yīng)用類型、服務(wù)策略、任務(wù)分配方法以及質(zhì)量控制方式等方面。簡單來講，任務(wù)類型與相關(guān)算法之間有一一對(duì)應(yīng)的匹配關(guān)系，即算法的特定適用性。

目前針對(duì)眾包任務(wù)分配的問題，有不同方面的研究成果，本文將現(xiàn)有成果歸納為三類，即基于匹配的任務(wù)分配模型、基于規(guī)劃的任務(wù)分配模型、基于角色協(xié)同的任務(wù)分配方法。

4.2 基于匹配的任務(wù)分配方法

為實(shí)現(xiàn)任務(wù)的合理分配，眾包平臺(tái)需分析雇主發(fā)布的任務(wù)類型，結(jié)合承接此類任務(wù)的歷史工作者的綜合指標(biāo)，建立有效的雇主-工作者之間的匹配關(guān)系，基本思想是通過二分圖匹配模型［44］實(shí)現(xiàn)任務(wù)的分配。根據(jù)任務(wù)與工作者在時(shí)間、空間以及狀態(tài)等特征，可將任務(wù)匹配方式分為靜態(tài)離線任務(wù)匹配和動(dòng)態(tài)在線任務(wù)匹配。前者相關(guān)算法常用在傳統(tǒng)任務(wù)類型的眾包平臺(tái)中，如Mechanical Turk、豬八戒網(wǎng)、任務(wù)中國等傳統(tǒng)平臺(tái)；而后者的相關(guān)算法多用在有空間屬性要求的眾包應(yīng)用中，如滴滴打車、美團(tuán)眾包、百度外賣等空間眾包平臺(tái)。

4.2.1 靜態(tài)/離線匹配模型

離線匹配問題是一個(gè)組合優(yōu)化問題，要求待匹配對(duì)象的所有信息均已知，基于已有信息實(shí)現(xiàn)最優(yōu)匹配。經(jīng)典的匹配問題為離線二分匹配問題。離線場景下傳統(tǒng)眾包平臺(tái)的任務(wù)分配現(xiàn)在大多采用靜態(tài)的任務(wù)匹配方式。當(dāng)多個(gè)工作者同時(shí)競標(biāo)同一項(xiàng)任務(wù)時(shí)，先由平臺(tái)建立任務(wù)模型和工作者模型，由雇主針對(duì)工作者的特性及其信譽(yù)進(jìn)行選擇性的任務(wù)分配。這種分配算法的缺點(diǎn)是存在雇主的主觀意識(shí)，未對(duì)工作者提交的任務(wù)質(zhì)量、任務(wù)數(shù)量及是否超時(shí)等方面進(jìn)行綜合評(píng)價(jià)，分配效率低且誤差較大。

針對(duì)這些問題，研究人員提出了原始近似算法［45］，每個(gè)工人執(zhí)行各種任務(wù)類型的黃金實(shí)例，計(jì)算結(jié)果并估計(jì)技能等級(jí)，形成一套評(píng)價(jià)標(biāo)準(zhǔn)體系，分配任務(wù)時(shí)向雇主提供客觀綜合的參考標(biāo)準(zhǔn)。另外，針對(duì)基于用戶主題的精確感知的任務(wù)分配方面，文獻(xiàn)［46-47］利用邏輯回歸對(duì)用戶的各個(gè)屬性進(jìn)行訓(xùn)練得到相應(yīng)的權(quán)重，并針對(duì)不同的任務(wù)，對(duì)工作者進(jìn)行預(yù)測分類，設(shè)置閾值，得到候選工作者序列。從實(shí)施結(jié)果來講，能實(shí)現(xiàn)任務(wù)的大概率精準(zhǔn)匹配，但對(duì)工作者的協(xié)作能力、任務(wù)完成進(jìn)度及任務(wù)完成時(shí)效性等問題尚需進(jìn)一步研究。

4.2.2 動(dòng)態(tài)/在線匹配模型

在實(shí)時(shí)性要求較高的空間眾包應(yīng)用中，比如滴滴打車、美團(tuán)外賣、神州專車等動(dòng)態(tài)在線眾包應(yīng)用，任務(wù)分配多采用動(dòng)態(tài)在線匹配的方法為雇主尋找工作者［48］。實(shí)際應(yīng)用中的“動(dòng)態(tài)”具體體現(xiàn)在兩方面：單一對(duì)象（即工作者或眾包任務(wù)）的動(dòng)態(tài)隨機(jī)出現(xiàn)；工作者和眾包任務(wù)兩類對(duì)象的動(dòng)態(tài)隨機(jī)出現(xiàn)?，F(xiàn)有研究多聚焦在前者，而后者的研究文獻(xiàn)較少。

1）單一對(duì)象的動(dòng)態(tài)出現(xiàn)問題研究。

針對(duì)現(xiàn)有離線分配方法在時(shí)空眾包任務(wù)分配中的不適用性等情況，Tong等［49］指出了靜態(tài)離線算法不適用于全局在線微任務(wù)分配問題，并針對(duì)該問題把加權(quán)二分匹配算法［48］進(jìn)行擴(kuò)展，提出了一種競爭比為1/4的兩階段全局在線分配算法。此算法適用于單一對(duì)象出現(xiàn)的情況。Boutsis等［50］提出實(shí)時(shí)約束條件下的任務(wù)分配算法，進(jìn)行一對(duì)一匹配。該算法同樣抽象為賦權(quán)二分圖匹配過程，根據(jù)任務(wù)信息估計(jì)工作者能否按時(shí)完成，但模型求解較復(fù)雜。Ting等［51］研究了在線最大加權(quán)二分匹配問題，優(yōu)化目標(biāo)為最大化匹配邊的總權(quán)值。

2）兩類對(duì)象的動(dòng)態(tài)出現(xiàn)問題研究。

為最大化平臺(tái)的收益和效率，兩類對(duì)象的動(dòng)態(tài)隨機(jī)分配問題是研究重點(diǎn)。余敦輝等［52］提出一種基于動(dòng)態(tài)效用的閾值選擇算法，通過計(jì)算任務(wù)成功率期望、任務(wù)實(shí)際完成時(shí)長和工人的單位時(shí)間效用，并動(dòng)態(tài)設(shè)置閾值，通過效用的對(duì)比來獲取最優(yōu)的匹配方案。Tong等［53］通過不同特征的真實(shí)數(shù)據(jù)集和合成數(shù)據(jù)集的4種典型在線算法的評(píng)價(jià)，對(duì)時(shí)空數(shù)據(jù)問題中的最小二部匹配進(jìn)行全面研究并得出三種實(shí)驗(yàn)結(jié)論。宋天舒等［54］針對(duì)3類對(duì)象的在線任務(wù)分配問題，設(shè)計(jì)一種隨機(jī)閾值算法，并給出了該算法在最差情況下的競爭比分析。

4.3 基于規(guī)劃的任務(wù)分配方法

基于規(guī)劃的任務(wù)分配方法的目標(biāo)是解決多任務(wù)全局最優(yōu)分配問題。類似于匹配模型，基于規(guī)劃的分配方法也可以分為靜態(tài)離線場景的規(guī)劃模型與動(dòng)態(tài)在線場景的規(guī)劃模型。

4.3.1 靜態(tài)/離線規(guī)劃模型

此模型跟經(jīng)典的旅行商問題［38］可歸為一類，即針對(duì)某一工作者與眾包任務(wù)集，眾包平臺(tái)如何為該工作者分配合理的任務(wù)執(zhí)行順序和方案，以最優(yōu)方式高質(zhì)量地完成多個(gè)任務(wù)的問題。Ho等［55］提出的多重任務(wù)分配算法近年來運(yùn)用較多，也可視為問題的最優(yōu)規(guī)劃模型，用來解決常規(guī)多任務(wù)分配問題與組角色多任務(wù)分配問題。但是該算法沒有考慮惡意工作者參與的情況，并且有可能低技能的工作者會(huì)分配到復(fù)雜任務(wù)而導(dǎo)致任務(wù)無法按時(shí)交期的問題。另外，蔣麗等［56］改進(jìn)蟻群算法，針對(duì)O2O外賣訂單路徑最優(yōu)規(guī)劃進(jìn)行分析，將下一步移動(dòng)的潛在客戶數(shù)量作為影響路徑選擇的影響因素。

4.3.2 動(dòng)態(tài)/在線規(guī)劃模型

在空間眾包應(yīng)用中有一類動(dòng)態(tài)規(guī)劃問題，即每當(dāng)有新任務(wù)發(fā)布時(shí)，需要工作者考慮要不要將此項(xiàng)新任務(wù)加入到在執(zhí)行的任務(wù)進(jìn)程中去，通過手動(dòng)添加方式，將新任務(wù)加入到現(xiàn)有的任務(wù)進(jìn)程中去［57］，這種方式全靠工作者平時(shí)的規(guī)劃經(jīng)驗(yàn)，沒有一個(gè)可靠的全局規(guī)劃方案給予技術(shù)支持。

李洋等［58］提出了樹分解模型來解決工作者帶有最晚工作時(shí)間約束的任務(wù)分配問題，并設(shè)計(jì)了一種深度優(yōu)先搜索算法，來獲取最優(yōu)方案。文獻(xiàn)［59-60］將工作者任務(wù)分配問題規(guī)約為最大任務(wù)調(diào)度問題，以k最鄰算法來選擇候選工作者，利用動(dòng)態(tài)規(guī)劃和分支界定的思想，設(shè)計(jì)規(guī)劃路線使得工作者完成更多的工作，提高任務(wù)分配的性能。

綜上，基于規(guī)劃的任務(wù)分配方法，不管是具有動(dòng)態(tài)/在線還是靜態(tài)/離線屬性的眾包任務(wù)，選擇最合適的眾包工人，使得全局任務(wù)分配效用最大化、工人承接數(shù)量最大化等，是當(dāng)前眾包環(huán)境下質(zhì)量控制研究的關(guān)鍵問題。

4.4 基于角色協(xié)同的任務(wù)分配方法

針對(duì)復(fù)雜任務(wù)的分配問題，需要考慮任務(wù)和工作者的屬性，也要考慮工作者之間以及工作者與任務(wù)之間的約束?；诮巧珔f(xié)同（Role-Based Collaboration，RBC）是一種研究角色及其之間復(fù)雜關(guān)系的方法。按照需求設(shè)定一組角色，通過滿足一定的約束條件，完成現(xiàn)實(shí)中復(fù)雜問題的任務(wù)指派，RBC現(xiàn)已獲得廣泛關(guān)注［61］。RBC問題的核心是群組角色分配（Group Role Assignment，GRA）［62］，GRA中角色的沖突、約束、請(qǐng)求等關(guān)系都會(huì)造成算法的復(fù)雜性劇增，因此復(fù)雜任務(wù)的GRA問題目前并沒有很好的解決方案，屬于NP難問題。

Zhu等［61］對(duì)基于角色協(xié)同技術(shù)做了深入的研究，提出了E-CARGO模型，并將此模型用于解決有約束的問題中。此模型在處理角色協(xié)同任務(wù)分配時(shí)，借助Q矩陣可較好地完成有約束的指派問題［63］；并且，針對(duì)現(xiàn)實(shí)中工作者之間以及工作者與任務(wù)之間的復(fù)雜約束，使用E-CARGO中的沖突矩陣可以很好地定義復(fù)雜約束。基于E-CARGO模型，眾包任務(wù)分配問題的形式化模型可表示為：∑∷=E，C，O，R，A，G，具體組成部分的含義是：E代表問題環(huán)境，即一個(gè)涉及多個(gè)眾包工人和多個(gè)眾包任務(wù)的分配方案；C表示與E相關(guān)的、表示抽象概念的類集合；O表示與C相關(guān)的具體對(duì)象的集合；R表示當(dāng)前待分配的任務(wù)集合；A表示眾包工人候選者集合；G表示工作組，即在完成所有任務(wù)分配后所建立的眾包工人的工作團(tuán)隊(duì)。

其中，R、A和G是E-CARGO模型中的核心元素，通過模型建立各個(gè)元素之間的約束關(guān)系表達(dá)式，來求得任務(wù)的最佳分配，實(shí)現(xiàn)眾包平臺(tái)、工作者以及雇主三方利益最大化。例如：目前眾包平臺(tái)上有2項(xiàng)任務(wù)r1，r2∈R，這2項(xiàng)任務(wù)分別需要1名和2名工作者，某一時(shí)刻平臺(tái)上有3名合格的眾包工作者a1，a2，a3∈A，假設(shè)a2和a3為單一沖突元素，即不可協(xié)作，因此只能將a2和a3分派到不同的任務(wù)組中完成任務(wù)，通過Q矩陣的約束以及工人能力的綜合度量，實(shí)現(xiàn)任務(wù)的最優(yōu)分配。但隨著工作者和任務(wù)數(shù)的增加，計(jì)算復(fù)雜度也將會(huì)劇增?；诮巧珔f(xié)同的工作者分配過程如圖6所示。

圖6 基于角色協(xié)同的任務(wù)分配Fig.6 Task assignment of RBC

此外，針對(duì)復(fù)雜任務(wù)、工作者的能力冷啟動(dòng)以及動(dòng)態(tài)特性等問題，周僑等［64］提出一種基于多agent的眾包任務(wù)分配算法，通過多個(gè)agent高效協(xié)作來保證任務(wù)的分配效率并彌補(bǔ)個(gè)體工作者能力的限制，可提高復(fù)雜任務(wù)的工作效率。

綜上，本節(jié)從基于匹配、基于規(guī)劃和基于角色協(xié)同三個(gè)方面綜述眾包任務(wù)分配方法的研究，它們的對(duì)比分析情況如表8所示。

表8 眾包任務(wù)分配方法對(duì)比Tab.8 Comparison of crowdsourcing task assignment methods

5 未來展望

隨著眾包應(yīng)用的不斷擴(kuò)展和成熟，很多新算法被提出來，它們?yōu)楣椭鳌⒈姲脚_(tái)、工作者三者實(shí)現(xiàn)各自利益最大化提供保障。在確保雇主以最小成本獲得盡可能高質(zhì)量的方案的同時(shí)，眾包平臺(tái)能夠擁有最優(yōu)的運(yùn)行機(jī)制、最大的平臺(tái)效益以及工作者在相同時(shí)間內(nèi)獲得更多的收入等。其中，工作者能力評(píng)估及眾包任務(wù)分配是關(guān)鍵的研究問題，也是影響眾包質(zhì)量的關(guān)鍵因素。為實(shí)現(xiàn)眾包平臺(tái)和用戶的利益最大化，一些問題仍需深入探討。

1）面向多類型的眾包任務(wù)綜合分配算法。

不管是傳統(tǒng)眾包還是時(shí)空眾包，眾包任務(wù)類型的多樣化決定了不同分配算法的明顯差異性。在實(shí)際應(yīng)用中，除了空間眾包平臺(tái)有較成熟的任務(wù)分配機(jī)制外，傳統(tǒng)眾包平臺(tái)多靠工作者自選模式完成任務(wù)，較少由平臺(tái)自動(dòng)指派任務(wù)給工作者。針對(duì)不同任務(wù)類型特點(diǎn)，當(dāng)前已提出眾多的分配算法，但如何面向不同類型建立眾包任務(wù)綜合分配算法，以支持眾包平臺(tái)覆蓋多種類型任務(wù)的分配并確保平臺(tái)整體效益的最大化，是值得繼續(xù)關(guān)注的重要問題。

2）優(yōu)秀工作者社交關(guān)系數(shù)據(jù)的深度挖掘。

眾包平臺(tái)中，優(yōu)秀的工作者之間多有技術(shù)或者項(xiàng)目之間的互動(dòng)，同時(shí)雇主可能與特定工作者保持長期合作關(guān)系，當(dāng)雇主發(fā)布需要多個(gè)工作者參與的眾包任務(wù)時(shí)，眾包平臺(tái)通過深度挖掘優(yōu)秀工作者的社交網(wǎng)絡(luò)，有針對(duì)性地篩選高質(zhì)量的工作者，能更可靠地保障任務(wù)的完成質(zhì)量和完成效率。現(xiàn)有研究工作尚未涉及工作者之間、工作者與雇主之間社交關(guān)系的深度挖掘，這是一個(gè)值得進(jìn)一步探索的方向。

3）用戶隱私與敏感任務(wù)信息的安全保障。

在眾包應(yīng)用中，由于用戶信息、任務(wù)細(xì)節(jié)信息均暴露在眾包平臺(tái)上，可能存在用戶的個(gè)人數(shù)據(jù)以及任務(wù)的敏感數(shù)據(jù)泄露的風(fēng)險(xiǎn)，導(dǎo)致雇主不愿將包含敏感信息的任務(wù)投放到眾包平臺(tái)上。現(xiàn)有一些涉及隱私與數(shù)據(jù)保護(hù)的方案雖能夠在一定程度上降低數(shù)據(jù)泄露的風(fēng)險(xiǎn)，但在實(shí)際應(yīng)用中并不理想。

因此，平臺(tái)如何通過對(duì)用戶信息的有效加密和任務(wù)信息的去敏感化，以提供足夠的安全保障，對(duì)于推動(dòng)眾包應(yīng)用的發(fā)展具有至關(guān)重要的意義。

6 結(jié)語

本文主要闡述了眾包環(huán)境下面向工作者能力評(píng)估的眾包任務(wù)分配方法的研究進(jìn)展，并對(duì)相關(guān)方法進(jìn)行了歸納總結(jié)。首先介紹了眾包的概念和分類，且對(duì)眾包的工作流程及任務(wù)特點(diǎn)進(jìn)行了詳細(xì)介紹。然后，從指標(biāo)集建立、權(quán)重確定、評(píng)估模型這三個(gè)方面對(duì)工作者能力評(píng)估的整個(gè)過程做了詳細(xì)的分析，特別對(duì)現(xiàn)有眾包任務(wù)的基于匹配的、基于規(guī)劃的和基于角色協(xié)同的三類分配方法進(jìn)行了詳細(xì)闡述。隨著眾包應(yīng)用的不斷推廣，未來在面向復(fù)雜類型的眾包任務(wù)分配、工作者社交關(guān)系的深度挖掘以及眾包平臺(tái)的信息安全保障等方面，仍需要開展進(jìn)一步的深入研究。