双边匹配方法在企业众包平台的应用实践

王成睿，王 磊，郭 伟，赵 楠

（1.天津大学机械工程学院，天津 300350；2.天津职业技术师范大学机械工程学院，天津 300222）

1 引言

随着我国互联网技术的飞速发展和对众包模式的深入研究，越来越多的企业开始尝试运用众包来解决企业内部的研发制造问题，众包模式得到了越来越广泛的应用。

众包的任务组织模式大致可以分为竞争型众包和协作型众包两种。当前国内的众包设计平台大都采用竞争型众包的模式，接包各方是竞争关系，用户申请任务并在线下完成，任务完成后接包方直接将结果反馈给发包方。在企业众包任务平台中，往往采用先到先得的众包竞标模式，缺乏对众包任务和设计用户的合理匹配，众包任务需求的能力与设计用户具备的能力不相适应，也在一定程度上降低了任务完成质量，同时难以满足参与众包的设计人员对自身成长和自我价值提升的需求，不利于众包平台和企业的长久发展。合理有效的任务匹配方法是保证众包任务顺利进行、企业资源高效利用、设计用户能力提升的重要保障机制。

针对上述问题这里借鉴前人的众包任务匹配研究成果，依托TQM（天汽模）工艺编程云平台，尝试通过构建用户能力模型和用户兴趣模型完成对用户和任务两者间满意度的合理有效评价，完成众包平台中的资源优化配置，从而提高平台中的任务完成速度和效果。

2 文献综述

2006年，“众包”的概念首次被文献[1]提出，众包成为一种融合大众智慧解决企业内问题的新模式。众包一方面通过互联网对人才资源进行了重新的配置，提高了人才资源的使用率，降低了企业占有人才资源的成本[2]，另一方面通过汇集大众无限的创造力也为企业的创新发展提供了不竭的动力[3]。

众包任务与众包参与者之间的合理匹配是保障众包活动顺利进行的重要一环。在众包任务的匹配过程中，既要考虑到任务对用户能力的需求，又要考虑到用户对任务的选择偏好。文献[4]根据完成众包任务需要的知识能力，针对三种不同的任务类型分别建立了任务模型，并提出了一种根据众包用户能力预测众包用户完成众包任务效果的方法。文献[5]根据众包用户的知识技能等级和众包任务的难易程度提出了DTA（Dual Task Assigner）算法对众包任务进行匹配。文献[6]认为任务经验对下一次的任务完成具有重要作用，建立了基于用户经验的任务分配模型。文献[7]综合考虑任务分配的影响因素，建立了任务分配优化模型。文献[8]通过对Gale-Sharpley算法和H-R算法进行扩展，提出了多目标匹配的优化模型，用以解决多对多的双边匹配问题。

3 众包任务与用户的双边匹配研究

3.1 双边匹配流程框架

众包任务与设计用户双边匹配的流程框架，如图1所示。

图1 众包任务与设计用户双边匹配的流程框架Fig.1 A Process Framework for Crowdsourcing Tasks Matching Design Users Bilaterally

（1）参与双边匹配的主体是众包任务和设计用户，双边匹配的目标是寻找一个最优方案，在众包任务匹配的原则下，分别为每项众包任务匹配到最合适的众包设计用户，设计用户的匹配范围为提出众包任务申请的全部用户。

（2）构建用户能力模型和用户兴趣模型。以众包平台中的任务数据和对设计用户的问卷调查数据为信息来源，分别按照两个不同的评价指标模型进行评价，获取匹配主体双方的满意度评价信息。

（3）采用多指标评价方法对匹配主体双方满意度评价信息进行处理和计算，获得“任务→用户”满意度和“用户→任务”满意度。

（4）依据匹配主体双方的满意度评价结果进行双边匹配决策，获得最优的匹配结果。

（5）匹配结果输出，为众包任务匹配适合的设计人员。

3.2 评价模型构建

3.2.1 用户能力模型构建

用户能力模型是以平台中用户的网络行为数据、历史任务数据等为基础，对用户个人知识、能力进行的合理描述，用以衡量用户对某一任务的适合程度。设用户能力模型Ui={Ki，Ii，Pi}=｛知识技能，创新能力，人格特质｝（i=1，2，3，...，m）。

（1）用户知识技能指用户所擅长的知识技能的类别。模型中的知识技能包含显性和隐性的两部分，显性的部分是在用户最开始进行信息注册时提供的自己的专业及擅长的知识类型和技能，隐性的部分是用户在任务完成过程中所表现出来的知识类型和技能。um表示用户对第m类知识的掌握程度，用户知识能力的向量可表示为：

（2）用户创新能力I={Bb，Rr，E}=｛任务中标率，任务收入，任务评价得分｝，指用户对相关知识技能运用能力的描述，是对任务完成可能性的评价。

任务中标率：

任务收入：

任务评价得分：

式中：t—设计用户参与过的任务总数；t′—顺利完成并得到收入的任务总数；ri—第i个任务得到的收入；ei—第i个任务的评价得分。

（3）用户人格特质P={IBn，fMA，SAO}=｛外向性，主动性，成就导向｝，指用户在众包平台中的用户行为及任务完成过程中的表现，是任务顺利完成及用户能力持续发展的保障。

外向性以设计用户在平台中与其他用户的交互次数IBn衡量。

主动性以设计用户在平台中众包任务的申领或参与频率衡量：

式中：MAn—用户申领或参与的任务数；T—用户注册时间。

成就导向以设计用户每次任务完成后获得的综合能力得分的变化趋势衡量。

3.2.2 用户兴趣模型构建

众包设计用户兴趣的评价依据为平台中的众包任务，因此用户兴趣模型包括任务类型和任务复杂度两个指标，用户u对任务tm的倾向性评价模型为：

式中：M—任务类型；L—任务的复杂程度；f—设计用户对该任务的评价分数。

3.3 双边匹配的满意度计算及模型求解

3.3.1 “任务→用户”满意度计算

“任务→用户”满意度以用户能力模型为基础，以任务需求能力与用户具备能力之间的相似匹配程度进行表示。依据上节建立的用户能力模型，采用熵值法与层次分析法相结合的多指标分析方法对“任务→用户”的满意度进行计算。

（1）指标权重确定

这里采用综合了主客观权值确定方法的AHP—熵权法确定指标权重。设分别为用AHP法和熵权法获得的第i个指标的权重，则第i个指标的权重ωi的值为：

式中：α—的加权系数，用以确定和两者间的重要程度。

（2）标准评估矩阵构建

对评估矩阵进行无量纲化处理，构建标准评估矩阵D，xmn表示用户Um的第n个指标Xn的得分：

（3）加权评估矩阵构建

考虑指标权重，构建加权评估矩阵R，其中加权后的评价得分fmn=ωnxmn，ωn为第n项评价指标的权值：（4）确定最优解和最劣解

将每一列中最好或最差的指标抽取出来，组合成一个虚拟的评价对象，这个评价对象即为最优解或最劣解。设第n列的最优解为，最劣解为f-，则最优解和最劣解可分别表示为：

（5）差值计算

分别计算各用户的评价指标得分与最优解和最劣解之间的欧式距离，得到矩阵的计算公式为：

（6）相对贴近程度计算

计算每个用户的评价指标得分与理想解的相对接近程度。

（7）满意度计算结果

“任务→用户”的满意度评价结果用A=[ɑij]表示，其中ɑij=Ci，且ɑij∈[ 0，1]，i=1，2，…，n，j=1，2，…，m。当ɑij越接近1“，任务→用户”的满意度越高，随着ɑij逐渐趋向于0，“任务→用户”的满意度逐渐递减。

3.3.2 “用户→任务”满意度计算

“用户→任务”满意度以用户兴趣模型为基础，以用户对不同类型任务的偏好程度进行衡量。接包用户对不同类型任务的偏好程度由用户参与的所有任务中该类任务所占的比重确定。通过对其参与的众包任务属性进行分析和统计，即可获得设计用户对不同任务的偏好评分。同上采用最优解对“用户→任务”满意度进行计算，获得“用户→任务”的满意度，表示为B=[bij]，其中bij∈[ 0，1]，i=1，2，…，n，j=1，2，…，m。当bij越接近1，“用户→任务”的满意度越高，随着bij逐渐趋向于0“，用户→任务”的满意度逐渐递减。

3.3.3 模型求解

设xij是一个0-1变量，xij=0时表示众包任务Ti最终没有与设计用户Uj形成匹配，xij=1时表示众包任务Ti与设计用户Uj最终形成了匹配。根据众包任务和设计用户双方满意度最大的要求及计算获得的双方满意度矩阵A=[ɑij]和B=[bij]，构建任务的双边匹配数学模型：

xij=0或1，i=1，2，…，n；j=1，2，…，m

其中，式（15）和式（16）为众包任务双边匹配模型的目标函数，式（15）表示尽量使众包任务T对设计用户U的满意度最大，式（16）表示尽量使设计用户U对众包任务T的满意度最大；式（17）和式（18）为众包任务双边匹配模型的约束函数，分别表示每个设计用户至多只被分配到一个众包任务，每个众包任务至多只分配给一个设计用户。

式（15）和式（16）为多目标优化函数，可采用线性加权的方法对其进行加权并转化为一个新的目标函数。设式（15）和式（16）的权重分别为θ1和θ2，转化得到的函数为：

xij=0或1，i=1，2，…，n；j=1，2，…，m

通过线性规划的方法对上式进行求解即可获得最终的众包任务分配方案。

4 实例验证

4.1 数据来源

天津汽车模具股份有限公司是我国最大的汽车覆盖件模具供应商，在设计知识资源、合约关系设计人员、软件资源应用等方面具有多年的资源积累和实践经验，处于国内领先地位。依托TQM（天汽模）工艺编程云平台，通过数据采集共获取了22310项众包历史任务和60位众包设计用户的数据信息，依据上章所述的方法对众包任务和设计用户进行双边匹配验证。

4.2 匹配计算

4.2.1 “任务→用户”满意度计算

由于知识经验等能力具有极大的模糊性和不确定性，难以对其程度进行量化和评价，在很多实际的评价过程中，常采用语言的形式对事物进行评价。请专家对任务需求及用户具备的知识能力进行评价，并获得语言评价信息，再通过模糊集理论及相关算法转化为模糊数，构建含有模糊数的多目标优化模型，并基于模糊数隶属函数对模型进行求解。采用五粒度模糊语言评价集｛VG（“很强”），G（“强”），M（“一般”）、P（“弱”）、VP（“很弱”）｝对知识经验等能力进行评价。

根据任务需求的能力类型，众包任务的类型可以分为底面编程、正面结构编程、机构编程、镶块编程和型面编程五类。任务的知识能力类型及需求程度评价结果，如表1所示。

表1 任务知识能力需求评价结果Tab.1 Results of Task Knowledge Capability Needs Assessment

以设计用户1为例，邀请3位专家为其知识能力进行评价，评价结果，如表2所示。

表2 用户知识能力专家评价结果Tab.2 Expert Evaluation Result of User Knowledge Capability

对语言短语si，其转化为三角模糊数为：

式中：si—语言评价集S={s0，s1，…，sT}中的第i个评价短语；T+1—S的粒度。

依据模糊集理论及三角模糊数相关运算法则对表2数据进行计算，用户1知识能力的评价结果，如表3所示。

表3 用户1知识能力评价结果Tab.3 User 1 Knowledge Capability Evaluation Results

利用三角模糊数的相似度计算公式对用户自身知识技能和任务需求知识技能进行相似度的计算。

式中：描述用户自身知识技能与任务需求知识技能的正规三角模糊集任意距离函数，通常取

以众包任务T1为匹配目标，通过对用户知识能力模型中各项指标的计算，获得用户知识能力评价结果，如表4所示。

表4 用户知识能力评价结果Tab.4 Results of User Knowledge Capability Assessment

采用熵值法与层次分析法相结合的方法，最终获得“任务→用户”满意度评价结果，如表5所示。其值越接近1，“任务→用户”满意度越高，反之则越低。

表5 “任务→用户”满意度评价结果Tab.5“Task-User”Satisfaction Evaluation Results

4.2.2 “用户→任务”满意度计算

通过对采集获得的历史任务数据进行分析，从任务类型和任务复杂度两方面对每项工艺众包任务分别进行评价，获得设计用户参与过的所有历史任务的评价结果，并对所有历史任务的评价结果分别进行统计分析，最终获得用户的任务类型偏好评价结果，如表6所示。最终获得“用户→任务”满意度评价结果，如表7所示。

表6 部分用户的任务类型偏好评价结果Tab.6 Task Type Preference Evaluation Results of Some Users

表7 “用户→任务”满意度评价结果Tab.7“User-Task”Satisfaction Evaluation Results

4.3 匹配结果及分析

根据众包任务和接包用户双方满意度最大的要求，将计算获得的众包任务对接包用户的满意度矩阵和接包用户对众包任务的满意度矩阵代入众包任务的双边匹配数学模型进行求解，获得最终的任务匹配矩阵。最终的匹配结果为：T1-U4，T2-U7，T3-U14，T4-U12，T5-U15，T6-U10，T7-U1，T8-U6。

按照得到的匹配结果邀请相关用户重新完成众包任务，所有设计用户完成任务的总时长为119.3h，任务完成的质量总评分为747。与“先到先得”的匹配方法相比，完成时长相比提高了10.47%，质量总评分相比提高了1.91%。证明了双边匹配方法在提高企业众包平台中任务完成速度和效果上具备有效性。

5 总结

通过将双边匹配方法应用到企业众包平台的实践，发现任务匹配在现实中存在的应用难点如下：

用户及任务需求的知识技能难以准确描述。在任务的匹配过程中，知识和技能是决定任务匹配效果的重要要素，然而由于其具备极大的模糊性和不确定性，难以对其进行准确客观的量化和评价。如何构建一个用户和任务需求通用的知识网络，实现对用户及任务需求的进一步描述，对提升任务匹配效果有重大影响。

在实际应用中存在任务找不到匹配用户或匹配的满意度值极低的情况。拓展众包平台的用户范围，充分调动设计用户的积极性，提升平台内用户的知识能力也是提升匹配效果的一个努力方向。

同时，在双边匹配方法上还存在许多内容需要进一步探索：

（1）对复杂任务而言，需要对其进行合理分解以适应众包模式，分解后的任务之间存在着严格的顺序约束关系。在这里仅考虑单个任务与用户匹配，没有考虑到众包任务之间的内在逻辑联系及众包用户之间的竞争和协同，对考虑众包任务间和众包用户间联系的匹配方法还需要做进一步研究。

（2）在进行实例验证时，由于时间和原平台固有缺陷的限制，这里的匹配方法仅对部分数据进行了实例验证，没有对大体量的数据进行试验，面对大量的任务与用户间的匹配可能存在匹配结果准确度偏低、匹配时间过长等问题，匹配算法仍有待改进。

（3）在众包的实际应用中，用户的知识能力随时间存在不同的种类和程度变化。如何在任务匹配中充分考虑并引导用户成长，对提升众包平台的专业度，促进平台的长久发展有重要意义。