[发明专利]一种基于异构图注意力网络的众包任务推荐方法

说明书

本发明公开了一种基于异构图注意力网络的众包任务推荐方法，首先采集众包数据，依次进行特征清洗、特征筛选、特征补全处理后获得众包参与人员与任务的属性特征向量，并构建异构众包网络，按照设定元路径进行采样和预训练，获取人员与任务的节点特征表示并进行模型训练，获取节点对之间的注意力；依据注意力系数进行邻居节点信息的传递和聚合，更新人员与任务的节点特征表示；最后根据学习到的节点特征表示，计算人员与任务的相似性得分，按照得分排序进行任务推荐；本发明针对众包中已有的任务信息与人员信息，建立众包异构网络，使用图注意力网络进行众包网络中特征向量的更新，提升众包任务推荐准确度，进一步提升完成效率和完成质量。

技术领域

本发明涉及众包任务推荐技术领域，主要涉及一种基于异构图注意力网络的众包任务推荐方法。

背景技术

随着经济的全球化和网络科学技术的发展，众包作为一种基于互联网的分布式问题解决机制，它通过整合计算机和互联网上未知的大众，来完成计算机单独难以完成的任务。由于众包有很多应用背景，例如，海量图像标注，网上商品评价，软件测试等，因此近几年众包在计算机领域的学术界和工业界都得到了非常广泛的关注。

众包模式中，如何将任务精准的推荐给更有可能完成任务的参与人员,是有待解决的关键问题之一。任务的精准推荐，直接影响到众包任务的完成效率和完成质量。然而，信息的缺失和推荐方法的限制，使得已有的任务难以精准的推荐给参与人员。因此，针对众包任务推荐问题，如何将任务精准的推荐给更有可能完成该任务的参与人员，面临着巨大的挑战。

在进行众包任务推荐时，仅考虑任务与人员属性,往往得到不够精准的推荐结果。由于属性数据是独立的数据结构，而众包参与人员与历史任务的交互信息，人员与人员之间的相似性，以及任务与任务之间的相似性，对于精准的任务推荐同样十分重要。因此，将众包数据建模为异构众包网络，将为推荐任务提供丰富的交互信息。通过学习众包网络中人员与任务的节点表示，进而可以通过计算节点表示相似性来实现精准的任务推荐。然而考虑到网络中节点的异构特性，传统的网络表示学习方法往往无法直接应用于众包任务推荐，需要针对众包数据的特性采取针对性的方法建立模型。

图神经网络(Graph Neural Networks,GNNs)是一种针对网络结构数据表示学习的神经网络模型。图神经网络通过节点特征的线性变换与邻居特征聚合，结合下游任务迭代学习更新每个节点的特征表示。图注意力网络是一种结合注意力机制的图神经网络，能够学习不同邻居节点特征聚合的权重，实现更有效的节点特征表示学习。

发明内容

发明目的：现有图神经网络大多针对同构网络，而众包网络存在任务与人员的节点异构性，需要对现有图神经网络模型进行修改，实现异构语义信息的提取。本发明提供了一种基于异构图注意力网络的众包任务推荐方法，针对众包中已有的任务信息与人员信息，建立众包异构网络。基于元路径进行网络结构属性提取，使用图注意力网络进行众包网络中特征向量的更新，以提升众包任务推荐准确度，提升众包任务的完成效率和完成质量。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于异构图注意力网络的众包任务推荐方法，包括以下步骤：

步骤S1、数据采集；

采集若干真实应用场景中众包参与方和众包任务对象产生的众包数据；所述众包数据包括众包参与人员姓名、性别、年龄、优势、历史任务信息、任务id、任务描述、任务所属模块和任务类型；

步骤S2、数据预处理；

将获取的众包数据依次进行特征清洗、特征筛选、特征补全处理后，分别得到众包参与人员与众包任务的属性特征向量；根据众包参与人员与众包任务建立连接的历史交互信息与，以及众包参与人员与众包任务的特征信息，并结合KNN算法，构建众包网络，按照设定元路径进行采样和预训练，分别得到基于结构信息的人员与任务的结构特征向量；最后将所述基于结构信息的人员结构特征向量和任务结构特征向量拼接，获得人员与任务的节点特征表示；