“拍照賺錢”任務(wù)的打包定價問題

苗剛?cè)?/p>

摘 要：華北理工大學數(shù)學建模創(chuàng)新實驗室1 華北理工大學以升創(chuàng)新教育基地2 華北理工大學信息工程學院3華北理工大學理學院4 河北省唐山市 063210

關(guān)鍵詞：勞務(wù)眾包任務(wù)定價；模糊神經(jīng)網(wǎng)絡(luò)模型；回歸方程；任務(wù)完成率；

0 引言

伴隨著網(wǎng)絡(luò)眾包平臺的興起，“拍查和信息搜集，相比傳統(tǒng)的市場調(diào)查方式可以大大節(jié)省調(diào)查成本，而且有效地保照賺錢”是移動互聯(lián)網(wǎng)下的一種自助式服務(wù)模式。用戶下載APP，注冊成為APP的會員，然后從APP上領(lǐng)取需要拍照的任務(wù)（比如上超市去檢查某種商品的上架情況），賺取APP對任務(wù)所標定的酬金。這種基于移動互聯(lián)網(wǎng)的自助式勞務(wù)眾包平臺，為企業(yè)提供各種商業(yè)檢證了調(diào)查數(shù)據(jù)真實性，縮短了調(diào)查的周期。因此APP成為該平臺運行的核心，而APP中的任務(wù)定價又是其核心要素。如果定價不合理，有的任務(wù)就會無人問津，而導致商品檢查的失敗。

由于在不同的地域，多個任務(wù)可能因為位置比較集中，導致用戶會爭相選擇，一種考慮是將這些任務(wù)聯(lián)合在一起打包發(fā)布?；诖耍疚慕⒒谏窠?jīng)網(wǎng)絡(luò)模型的任務(wù)打包分配方法，模擬在一個包內(nèi)裝有不同任務(wù)數(shù)量，然后將此任務(wù)包絡(luò)分配給一個用戶，分析任務(wù)的完成情況。研究不同任務(wù)包內(nèi)任務(wù)數(shù)量與任務(wù)完成情況的關(guān)系，為眾包平臺提供更優(yōu)的定價策略。

1 基于模糊神經(jīng)網(wǎng)絡(luò)的任務(wù)打包定價模型

1.1 任務(wù)打包方案

如果任務(wù)比較集中，而會員也在此區(qū)域內(nèi)比較集中，則在該區(qū)域中，會員會爭相選擇任務(wù)，可能導致惡意搶奪，進而造成任務(wù)完成率低，于是，可以考慮一種將任務(wù)聯(lián)合打包發(fā)布的方案，即將若干個任務(wù)捆綁，交由一個用戶完成。

由于任務(wù)點相距不是很遠，可以將鄰近的任務(wù)點打包，在此通過繪制附件一中任務(wù)點分布的散點圖選取100個任務(wù)點中心，將任務(wù)中心點方圓16km的任務(wù)點進行打包，作為一個任務(wù)包發(fā)布，而任務(wù)執(zhí)行人則根據(jù)會員得到任務(wù)發(fā)布情況時間的早晚、會員與任務(wù)點之間的距離、會員信譽度、限額情況等進行綜合考量得到最終結(jié)果。

1.2 模糊神經(jīng)網(wǎng)絡(luò)模型的建立與求解

用非線性預(yù)測的神經(jīng)網(wǎng)絡(luò)通常為反傳神經(jīng)模型（BP模型），該模型選用基本3層拓撲結(jié)構(gòu)，即輸入層、隱含層和輸出層，其中輸入層為7個節(jié)點，分別代表影響任務(wù)價格的7個相關(guān)因素，輸出層有一個節(jié)點去構(gòu)建和模型的關(guān)系，中間層各神經(jīng)元之間互相不連接，而相鄰層的神經(jīng)元則通過權(quán)重連接。

神經(jīng)網(wǎng)絡(luò)的學習過程可分為兩個階段：第一階段是按向前的傳播方向，從輸入層到隱含層直到輸出層，可以得到各神經(jīng)元的輸入值，最后得到輸出層的輸出值。第二階段按照與階段一反向的傳播方向，即根據(jù)輸出層的實際輸出和期望輸出之間的誤差，調(diào)整節(jié)點之間的連接權(quán)值，最終使誤差取到最小值。

具體步驟如下所示：

step 1：初始化

根據(jù)APP平臺的利潤最大化目標，對輸入層與價格相關(guān)的因素按重要性排序，分別給輸入層到隱含層的單位連接權(quán)值qij，隱含層到輸出層的連接權(quán)值wij，隱含層單元閥值Qi和輸出層單元閥值Rj為[-1，1]的隨機值。

step 2：計算

選取激活函數(shù)sigmoid函數(shù)f（x）=1/1+e-X，計算隱含層單位激活值bj=f（∑qijai+Qj），計算輸出層單元激活值：ck=f（∑qijbj+Rk），計算誤差函數(shù)Ek=∑（Mk-Ck）2/2。

step 3：調(diào)整

（1）調(diào)整隱含層到輸出層單元之間的單元連接權(quán)值：△wjk=abjdk其中α為學習率，0<α<1。

（2）調(diào)整輸出層單元的閥值：△Rk=αdk。

（3）調(diào)整輸入層到隱含層的連接權(quán)值：△Vjk=βαiej，其中β為學習率，0<β<1。

（4）調(diào)整隱含單元閥值：△Qj=βej。

step 4：預(yù)測

計算全局誤差E=∑Ek，如果E≥ε，則重復進行step2，step3，否則學習結(jié)束。在系統(tǒng)中輸入預(yù)測對象，則系統(tǒng)聯(lián)結(jié)到相應(yīng)的數(shù)據(jù)庫、模型庫知識庫中，并利用調(diào)出的神經(jīng)網(wǎng)絡(luò)權(quán)值數(shù)據(jù)庫進行預(yù)測，預(yù)測結(jié)果通過動態(tài)報表表現(xiàn)出來。

1.3 任務(wù)包定價回歸方程模型

將任務(wù)打包，即將若干個任務(wù)捆綁發(fā)布，使得原本需要分配給多個會員的任務(wù)均由同一個會員完成，打包后的任務(wù)包定價會略低于未打包時的單個定價之和。

當任務(wù)包內(nèi)的任務(wù)數(shù)量一定時，通過上述函數(shù)關(guān)系得到的定價與通過模糊神經(jīng)網(wǎng)絡(luò)所建立的模型得到的定價相近，因此，可以說明本問建立的模型具有一定的合理性，可以用以打包任務(wù)的定價。

1.4 打包方案對任務(wù)完成情況的影響

通過與原方案的完成率進行對比，可知任務(wù)打包發(fā)布能提高任務(wù)完成率，即對任務(wù)完成情況有積極影響。同時，用戶完成同樣件數(shù)任務(wù)的總酬金較之前有所降低，但其單次得到的酬金大大增加，有利于提升用戶積極性，對任務(wù)完成率的提高有一定的積極影響。

2 結(jié)論

拍照賺錢在實際情況下，多個任務(wù)可能因為位置比較集中，導致用戶會爭相選擇，一種考慮是將這些任務(wù)聯(lián)合在一起打包發(fā)布。在這種考慮下，我們運用BP神經(jīng)網(wǎng)絡(luò)算法修改前面的定價模型，通過與原方案的完成率進行對比，可知在新的定價模型能提高任務(wù)完成率，即對任務(wù)完成情況有積極影響。同時，用戶完成同樣件數(shù)任務(wù)的總酬金較之前有所降低，但其單次得到的酬金大大增加，有利于提升用戶積極性，對任務(wù)完成率的提高有一定的積極影響。

參考文獻 （References）

[1]吳孟達. 數(shù)學建模教程[M]. 高等教育出版社， 2011.

[2]韓中庚. 數(shù)學建模方法及其應(yīng)用[M]. 高等教育出版社， 2005.

[3]李曉忠. 模糊神經(jīng)網(wǎng)絡(luò)[D]. 北京師范大學， 1991.

[4]張啟銳. 實用回歸分析[M]. 地質(zhì)出版社， 1988.

[5]孫增圻， 徐紅兵. 基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)[J]. 清華大學學報（自然科學版）， 1997（3）：76-80.endprint