基于多Agent的众包任务推荐系统设计

来源:用户上传      作者:

　　摘 要：由于传统的众包任务推荐系统在进行众包任务推荐时无法监测到用户能力水平变化的具体情况，因此推荐匹配度低，无法实现对众包任务的高质量推荐。为此设计了一个基于多Agent的众包任务推荐系统。在原有系统硬件基础上，选用型号为3300/16-12-01-01-00-02-J的智能在线监测器，特别设计了8×6.5英寸的彩色LED屏，能够将监测的用户能力水平变化情况显现出来，从而优化硬件性能;通过获取平台用户、任务信息，构建用户、任务数据库，再选取合适的任务推荐算法，计算出用户与任务匹配度，最后选取TopN推荐给用户。利用NetLogo5.0.5平台设计实验，结果表明，设计的推荐系统推荐契合度最高可达98.89%，对照组为76.41%，设计系统可以实现对众包任务的高质量推荐。
　　关键词：多Agent;众包任务;推荐系统;系统设计;仿真;NetLogo5.0.5
　　0 引 言
　　多Agent系统是在单Agent基础上，按照多个Agent以自主或半自主的智能体形式来履行职责。通过多个Agent互相协作，与其他Agent获取通信信息解决问题[1]。多Agent系统与单Agent相比，主要优势体现在三个方面，分别为社会性、自制性以及协作性。多Agent系统的社会性是由于单Agent处于由多Agent构成的社会环境中，能够与其他Agent进行多种形式的交互，进一步实现单Agent与其他Agent的合作、协同以及竞争等。多Agent系统的自制性主要表现为，在多Agent系统中，只要有一个Agent发出任务请求，其他Agent就可以根据其自身内部狀态感知到外部的社会环境信息[2]。同时，具备提供此服务和控制自身行为的能力。因此，本文提出基于多Agent的众包任务推荐系统设计。致力于通过基于多Agent的众包任务推荐系统，从外部吸引人才，使他们能够参与公司的创新与合作过程，增强公司的综合实力。
　　1 基于多Agent的众包任务推荐系统设计
　　一个单独的Agent不能强制另一个Agent执行相同的动作或提供某种服务。多Agent系统的协作性指每个独立且具有不同目标的Agent之间必须相互协作，共同对未完成的问题执行解决操作。众包任务推荐，即将外包任务推荐作用发挥到极致，使得公司利益最大化。众包任务推荐与外包任务推荐最大的不同之处在于，外包任务推荐强调外包人员的专业化程度;相反，众包任务推荐强调与用户共创价值的理念。而基于多Agent的众包任务推荐指一个公司将原本由公司员工执行的工作任务，以自由、自愿的形式外包给大型大众网络的做法[3]。下述将对系统的硬件与软件进行设计。
　　1.1 硬件设计
　　本文设计的智能在线监测器型号为3300/16-12-01-01-00-02-J，尺寸为280 mm×60 mm×306 mm，重量为2.19 kg。CPU板采用A1A0100521，CF卡选用A1A260986.00，I/O 板为A1A10000423.00M，选择可充电锂离子电池，光纤接口板为A1A461D85.00M，通信板为A5E03407403，信号调理板为A5E01708486，内存为8 GB。智能在线监测器虽然整体采用密封外壳设计，但由于其运用A1A10000432.71M型号的单元控制板，因此具有很好的监测能力。本文设计的智能在线监测器应用SealyKcute Plus技术，能够通过Wevter监测到用户能力水平变化的具体情况。智能在线监测器特设计8×6.5英寸的彩色LED屏，能够显示监测到的用户能力水平变化具体情况。智能在线监测器外部接线设计简单，仅与多Agent单元连接，对监测用户能力水平信息进行采集与处理。根据用户能力水平变化的具体情况，对众包任务推荐进行及时调整。将监测到的用户能力水平变化的具体情况通过彩色LED屏显示，以优化硬件性能[4]。
　　1.2 软件设计
　　软件设计流程如下：
　　（1）获取平台用户、任务信息，利用信息之间的交互构建用户、任务数据库;
　　（2）选取合适的任务推荐算法，计算出用户与任务匹配度;
　　（3）选取TopN推荐给用户[5];
　　（4）按照多Agent以自主或半自主的智能体形式将软件部分划分为3个层次，包括交互界面层、多Agent层以及服务器层[6]。
　　基于多Agent的众包任务推荐系统软件框架如图1所示。
　　由图1可知，交互界面层主要负责信息传递工作，将基于多Agent的众包任务推荐系统的信息传递给多Agent层，并将最终信息推荐结果展示给所有平台用户[7]。此举便于浏览器端与用户进行直接的信息传达与反馈，用户可通过浏览器自主进行有针对性的信息浏览或搜索等[8]。多Agent层是本文设计的众包任务推荐系统中最为重要的一层，多Agent层包括用户Agent和任务Agent，并分别建有与之相应的数据库，方便众包任务推荐信息的传达及存储。将用户数据库与任务数据库中的推荐信息相结合，主动跟踪分析用户Agent与任务Agent的实时情况，根据多Agent的匹配结果产生实时推荐结果。服务器层负责基于多Agent的众包任务推荐系统的技术支撑，主要包括数据库服务器及Web服务器的运维等[9]。在决策Agent中，包含多种推荐算法。根据众包任务类型、难度的不同，选择最为适合的推荐算法。基于多Agent对众包任务内容的推荐，本文设计的决策Agent主要采用精准度较高的协同过滤算法，通过计算出用户评分值，求得用户与众包任务之间的匹配值。设用户评分值为
　　式中：p指3个或3个以上的用户均对同一个众包任务有较好的评分;q指3个以下的用户均对同一个众包任务有较好的评分;r指3个以下的用户具备对同一个众包任务有较差的评分;n指3个以下的用户对同一个众包任务的评分差。在得出用户评分值后，计算用户与众包任务之间的匹配值[10]。设用户与众包任务间的匹配值为mi，可得mi的计算 　　式中，m指用户对于同一个众包任务的平均分值。通过求得的用户与众包任务之间的匹配值，选取匹配值最高的TopN推荐给用户。至此，完成对基于多Agent的众包任务推荐系统的软件设计。
　　2 实 验
　　2.1 实验准备
　　仿真实验在NetLogo5.0.5版本可编程建模仿真平台中进行，平台使用Logo语言，用于对多Agent的情境仿真。仿真实验主要内容为通过比较所提出基于多Agent的众包任务推荐系统与传统推荐系统的差异，分析两种推荐系统所推荐的匹配度数据。再利用NetLogo5.0.5的程序与界面比较推荐契合度差异，从而确定契合度更高的推荐系统。首先设定NetLogo5.0.5平台仿真初始值，右键点击setup按钮进行NetLogo5.0.5平台初始化，通过滑动条设置仿真初始值。NetLogo5.0.5平台设置的具体仿真初始值见表1所列。
　　在表1中，Persons001指能力水平最低的用户种群;Persons002指能力水平中等的用户种群;Persons003指能力水平最高的用户种群。Jobs001指难度系数最低的任务类别;Jobs002指难度系数中等的任务类别;Jobs003指难度系数最高的任务类别。完成NetLogo5.0.5平台仿真初始值设置后，右键点击go按钮运行主程序，運行正常表示用户可以参与任务。使用两种推荐系统分别代入NetLogo5.0.5平台，设置传统的推荐系统为实验对照组，共进行8次实验。针对NetLogo5.0.5平台得出的推荐契合度记录实验结果，判断两种推荐系统对于众包任务的推荐能力。
　　2.2 实验结果分析与结论
　　根据上述设计的仿真实验，采集8组实验数据，将两种推荐系统下的众包任务推荐契合度进行对比。为了更加直观地体现两种推荐系统的差异，将实验结果在NetLogo5.0.5平台界面部分以曲线图的形式展示，如图2所示。
　　通过图2可知：本文设计的推荐系统推荐契合度最高可达98.89%，对照组为76.41%，设计系统可以实现对众包任务的高质量推荐。推荐契合度越高证明该系统对于众包任务推荐的精准程度越强，说明本文设计的推荐系统其各项功能均可满足设计总体要求，可广泛应用于众包任务推荐领域。
　　3 结 语
　　基于多Agent的众包任务推荐系统是针对众包任务进行推荐的实用手段，众包任务推荐质量的高低是保证众包任务工作效率以及工作质量的重要手段。针对基于多Agent的众包任务推荐系统的设计可以大幅度提高众包任务的推荐匹配度，为众包任务推荐领域的研究提供学术意义。本文唯一的不足之处在于未将基于多Agent的外包任务推荐系统与众包任务推荐系统作比较，深入分析二者的相同点及不同点，而这也可以作为日后研究的方向之一。
　　参考文献
　　[1]耿杰，宁铁娜，王爱霞.基于多Agent的图书物流配送线路优化研究：以SF物流公司为例[J].天津职业院校联合学报，2019，21（7）：66-70.
　　[2]武丹凤，于思淼，曾广平，等.网络结构化多Agent系统中基于动态综合关系网的任务分配[J].小型微型计算机系统，2018，39（5）：957-966.
　　[3]欧阳红，胡若云，孙轶恺，等.基于市场动力学和多Agent技术的售电公司客户选择概率研究[J].电力信息与通信技术，2018，16（7）：8-15.
　　[4]姜强，药文静，晋欣泉，等.变革与新生：基于众包的自组织协同知识建构研究：面向深度学习的课堂教学结构化变革研究之一[J].现代远距离教育，2019，1（6）：3-10.
　　[5]张宜浩，朱小飞，徐传运，等.基于用户评论的深度情感分析和多视图协同融合的混合推荐方法[J].计算机学报，2019，42（6）：1316-1333.
　　[6]邓璐娟，陈欣欣，李璞，等.基于马氏距离及最差理想解的TOPSIS出租房源推荐系统应用研究[J].华中师范大学学报（自然科学版），2019，53（1）：30-37.
　　[7]程秀峰，范晓莹，杨金庆.一种融合了基于朴素贝叶斯算法与情境感知的协同推荐系统：以大学图书馆实体图书推荐为例[J].现代情报，2019，39（2）：57-65.
　　[8]柳益君，蔡秋茹，何胜，等.高校移动图书馆的场景化资源推荐服务：要素、模型和技术[J].图书馆学研究，2018，1（1）：67-71.
　　[9]王鸿飞，陈丽敏，何静.科研众包平台发展现状与对策：基于国际、国内、广东省科研众包培育平台案例的分析[J].科技创新发展战略研究，2019，3（5）：6-19.
　　[10]黎继子，黄香宁，龚璐凝，等.基于Fuzzy-Dematel算法下新产品开发的众包供应链风险分析[J].科技管理研究，2019，39（4）：228-235.
转载注明来源:https://www.xzbu.com/8/view-15303071.htm