基于多Agent的眾包任務(wù)推薦系統(tǒng)設(shè)計

林瀟鴻 曾凌鋒 劉培浩 邱紀濤

摘 要：由于傳統(tǒng)的眾包任務(wù)推薦系統(tǒng)在進行眾包任務(wù)推薦時無法監(jiān)測到用戶能力水平變化的具體情況，因此推薦匹配度低，無法實現(xiàn)對眾包任務(wù)的高質(zhì)量推薦。為此設(shè)計了一個基于多Agent的眾包任務(wù)推薦系統(tǒng)。在原有系統(tǒng)硬件基礎(chǔ)上，選用型號為3300/16-12-01-01-00-02-J的智能在線監(jiān)測器，特別設(shè)計了8×6.5英寸的彩色LED屏，能夠?qū)⒈O(jiān)測的用戶能力水平變化情況顯現(xiàn)出來，從而優(yōu)化硬件性能;通過獲取平臺用戶、任務(wù)信息，構(gòu)建用戶、任務(wù)數(shù)據(jù)庫，再選取合適的任務(wù)推薦算法，計算出用戶與任務(wù)匹配度，最后選取TopN推薦給用戶。利用NetLogo5.0.5平臺設(shè)計實驗，結(jié)果表明，設(shè)計的推薦系統(tǒng)推薦契合度最高可達98.89%，對照組為76.41%，設(shè)計系統(tǒng)可以實現(xiàn)對眾包任務(wù)的高質(zhì)量推薦。

關(guān)鍵詞：多Agent;眾包任務(wù);推薦系統(tǒng);系統(tǒng)設(shè)計;仿真;NetLogo5.0.5

0 引 言

多Agent系統(tǒng)是在單Agent基礎(chǔ)上，按照多個Agent以自主或半自主的智能體形式來履行職責。通過多個Agent互相協(xié)作，與其他Agent獲取通信信息解決問題[1]。多Agent系統(tǒng)與單Agent相比，主要優(yōu)勢體現(xiàn)在三個方面，分別為社會性、自制性以及協(xié)作性。多Agent系統(tǒng)的社會性是由于單Agent處于由多Agent構(gòu)成的社會環(huán)境中，能夠與其他Agent進行多種形式的交互，進一步實現(xiàn)單Agent與其他Agent的合作、協(xié)同以及競爭等。多Agent系統(tǒng)的自制性主要表現(xiàn)為，在多Agent系統(tǒng)中，只要有一個Agent發(fā)出任務(wù)請求，其他Agent就可以根據(jù)其自身內(nèi)部狀態(tài)感知到外部的社會環(huán)境信息[2]。同時，具備提供此服務(wù)和控制自身行為的能力。因此，本文提出基于多Agent的眾包任務(wù)推薦系統(tǒng)設(shè)計。致力于通過基于多Agent的眾包任務(wù)推薦系統(tǒng)，從外部吸引人才，使他們能夠參與公司的創(chuàng)新與合作過程，增強公司的綜合實力。

1 基于多Agent的眾包任務(wù)推薦系統(tǒng)設(shè)計

一個單獨的Agent不能強制另一個Agent執(zhí)行相同的動作或提供某種服務(wù)。多Agent系統(tǒng)的協(xié)作性指每個獨立且具有不同目標的Agent之間必須相互協(xié)作，共同對未完成的問題執(zhí)行解決操作。眾包任務(wù)推薦，即將外包任務(wù)推薦作用發(fā)揮到極致，使得公司利益最大化。眾包任務(wù)推薦與外包任務(wù)推薦最大的不同之處在于，外包任務(wù)推薦強調(diào)外包人員的專業(yè)化程度;相反，眾包任務(wù)推薦強調(diào)與用戶共創(chuàng)價值的理念。而基于多Agent的眾包任務(wù)推薦指一個公司將原本由公司員工執(zhí)行的工作任務(wù)，以自由、自愿的形式外包給大型大眾網(wǎng)絡(luò)的做法[3]。下述將對系統(tǒng)的硬件與軟件進行設(shè)計。

1.1 硬件設(shè)計

本文設(shè)計的智能在線監(jiān)測器型號為3300/16-12-01-01-00-02-J，尺寸為280 mm×60 mm×306 mm，重量為2.19 kg。CPU板采用A1A0100521，CF卡選用A1A260986.00，I/O 板為A1A10000423.00M，選擇可充電鋰離子電池，光纖接口板為A1A461D85.00M，通信板為A5E03407403，信號調(diào)理板為A5E01708486，內(nèi)存為8 GB。智能在線監(jiān)測器雖然整體采用密封外殼設(shè)計，但由于其運用A1A10000432.71M型號的單元控制板，因此具有很好的監(jiān)測能力。本文設(shè)計的智能在線監(jiān)測器應(yīng)用SealyKcute Plus技術(shù)，能夠通過Wevter監(jiān)測到用戶能力水平變化的具體情況。智能在線監(jiān)測器特設(shè)計8×6.5英寸的彩色LED屏，能夠顯示監(jiān)測到的用戶能力水平變化具體情況。智能在線監(jiān)測器外部接線設(shè)計簡單，僅與多Agent單元連接，對監(jiān)測用戶能力水平信息進行采集與處理。根據(jù)用戶能力水平變化的具體情況，對眾包任務(wù)推薦進行及時調(diào)整。將監(jiān)測到的用戶能力水平變化的具體情況通過彩色LED屏顯示，以優(yōu)化硬件性能[4]。

1.2 軟件設(shè)計

軟件設(shè)計流程如下：

（1）獲取平臺用戶、任務(wù)信息，利用信息之間的交互構(gòu)建用戶、任務(wù)數(shù)據(jù)庫;

（2）選取合適的任務(wù)推薦算法，計算出用戶與任務(wù)匹配度;

（3）選取TopN推薦給用戶[5];

（4）按照多Agent以自主或半自主的智能體形式將軟件部分劃分為3個層次，包括交互界面層、多Agent層以及服務(wù)器層[6]。

基于多Agent的眾包任務(wù)推薦系統(tǒng)軟件框架如圖1所示。

由圖1可知，交互界面層主要負責信息傳遞工作，將基于多Agent的眾包任務(wù)推薦系統(tǒng)的信息傳遞給多Agent層，并將最終信息推薦結(jié)果展示給所有平臺用戶[7]。此舉便于瀏覽器端與用戶進行直接的信息傳達與反饋，用戶可通過瀏覽器自主進行有針對性的信息瀏覽或搜索等[8]。多Agent層是本文設(shè)計的眾包任務(wù)推薦系統(tǒng)中最為重要的一層，多Agent層包括用戶Agent和任務(wù)Agent，并分別建有與之相應(yīng)的數(shù)據(jù)庫，方便眾包任務(wù)推薦信息的傳達及存儲。將用戶數(shù)據(jù)庫與任務(wù)數(shù)據(jù)庫中的推薦信息相結(jié)合，主動跟蹤分析用戶Agent與任務(wù)Agent的實時情況，根據(jù)多Agent的匹配結(jié)果產(chǎn)生實時推薦結(jié)果。服務(wù)器層負責基于多Agent的眾包任務(wù)推薦系統(tǒng)的技術(shù)支撐，主要包括數(shù)據(jù)庫服務(wù)器及Web服務(wù)器的運維等[9]。在決策Agent中，包含多種推薦算法。根據(jù)眾包任務(wù)類型、難度的不同，選擇最為適合的推薦算法?；诙郃gent對眾包任務(wù)內(nèi)容的推薦，本文設(shè)計的決策Agent主要采用精準度較高的協(xié)同過濾算法，通過計算出用戶評分值，求得用戶與眾包任務(wù)之間的匹配值。設(shè)用戶評分值為

式中：p指3個或3個以上的用戶均對同一個眾包任務(wù)有較好的評分;q指3個以下的用戶均對同一個眾包任務(wù)有較好的評分;r指3個以下的用戶具備對同一個眾包任務(wù)有較差的評分;n指3個以下的用戶對同一個眾包任務(wù)的評分差。在得出用戶評分值后，計算用戶與眾包任務(wù)之間的匹配值[10]。設(shè)用戶與眾包任務(wù)間的匹配值為mi，可得mi的計算

式中，m指用戶對于同一個眾包任務(wù)的平均分值。通過求得的用戶與眾包任務(wù)之間的匹配值，選取匹配值最高的TopN推薦給用戶。至此，完成對基于多Agent的眾包任務(wù)推薦系統(tǒng)的軟件設(shè)計。

2 實 驗

2.1 實驗準備

仿真實驗在NetLogo5.0.5版本可編程建模仿真平臺中進行，平臺使用Logo語言，用于對多Agent的情境仿真。仿真實驗主要內(nèi)容為通過比較所提出基于多Agent的眾包任務(wù)推薦系統(tǒng)與傳統(tǒng)推薦系統(tǒng)的差異，分析兩種推薦系統(tǒng)所推薦的匹配度數(shù)據(jù)。再利用NetLogo5.0.5的程序與界面比較推薦契合度差異，從而確定契合度更高的推薦系統(tǒng)。首先設(shè)定NetLogo5.0.5平臺仿真初始值，右鍵點擊setup按鈕進行NetLogo5.0.5平臺初始化，通過滑動條設(shè)置仿真初始值。NetLogo5.0.5平臺設(shè)置的具體仿真初始值見表1所列。

在表1中，Persons001指能力水平最低的用戶種群;Persons002指能力水平中等的用戶種群;Persons003指能力水平最高的用戶種群。Jobs001指難度系數(shù)最低的任務(wù)類別;Jobs002指難度系數(shù)中等的任務(wù)類別;Jobs003指難度系數(shù)最高的任務(wù)類別。完成NetLogo5.0.5平臺仿真初始值設(shè)置后，右鍵點擊go按鈕運行主程序，運行正常表示用戶可以參與任務(wù)。使用兩種推薦系統(tǒng)分別代入NetLogo5.0.5平臺，設(shè)置傳統(tǒng)的推薦系統(tǒng)為實驗對照組，共進行8次實驗。針對NetLogo5.0.5平臺得出的推薦契合度記錄實驗結(jié)果，判斷兩種推薦系統(tǒng)對于眾包任務(wù)的推薦能力。

2.2 實驗結(jié)果分析與結(jié)論

根據(jù)上述設(shè)計的仿真實驗，采集8組實驗數(shù)據(jù)，將兩種推薦系統(tǒng)下的眾包任務(wù)推薦契合度進行對比。為了更加直觀地體現(xiàn)兩種推薦系統(tǒng)的差異，將實驗結(jié)果在NetLogo5.0.5平臺界面部分以曲線圖的形式展示，如圖2所示。

通過圖2可知：本文設(shè)計的推薦系統(tǒng)推薦契合度最高可達98.89%，對照組為76.41%，設(shè)計系統(tǒng)可以實現(xiàn)對眾包任務(wù)的高質(zhì)量推薦。推薦契合度越高證明該系統(tǒng)對于眾包任務(wù)推薦的精準程度越強，說明本文設(shè)計的推薦系統(tǒng)其各項功能均可滿足設(shè)計總體要求，可廣泛應(yīng)用于眾包任務(wù)推薦領(lǐng)域。

3 結(jié) 語

基于多Agent的眾包任務(wù)推薦系統(tǒng)是針對眾包任務(wù)進行推薦的實用手段，眾包任務(wù)推薦質(zhì)量的高低是保證眾包任務(wù)工作效率以及工作質(zhì)量的重要手段。針對基于多Agent的眾包任務(wù)推薦系統(tǒng)的設(shè)計可以大幅度提高眾包任務(wù)的推薦匹配度，為眾包任務(wù)推薦領(lǐng)域的研究提供學(xué)術(shù)意義。本文唯一的不足之處在于未將基于多Agent的外包任務(wù)推薦系統(tǒng)與眾包任務(wù)推薦系統(tǒng)作比較，深入分析二者的相同點及不同點，而這也可以作為日后研究的方向之一。

參考文獻

[1]耿杰，寧鐵娜，王愛霞.基于多Agent的圖書物流配送線路優(yōu)化研究：以SF物流公司為例[J].天津職業(yè)院校聯(lián)合學(xué)報，2019，21（7）：66-70.

[2]武丹鳳，于思淼，曾廣平，等.網(wǎng)絡(luò)結(jié)構(gòu)化多Agent系統(tǒng)中基于動態(tài)綜合關(guān)系網(wǎng)的任務(wù)分配[J].小型微型計算機系統(tǒng)，2018，39（5）：957-966.

[3]歐陽紅，胡若云，孫軼愷，等.基于市場動力學(xué)和多Agent技術(shù)的售電公司客戶選擇概率研究[J].電力信息與通信技術(shù)，2018，16（7）：8-15.

[4]姜強，藥文靜，晉欣泉，等.變革與新生：基于眾包的自組織協(xié)同知識建構(gòu)研究：面向深度學(xué)習的課堂教學(xué)結(jié)構(gòu)化變革研究之一[J].現(xiàn)代遠距離教育，2019，1（6）：3-10.

[5]張宜浩，朱小飛，徐傳運，等.基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J].計算機學(xué)報，2019，42（6）：1316-1333.

[6]鄧璐娟，陳欣欣，李璞，等.基于馬氏距離及最差理想解的TOPSIS出租房源推薦系統(tǒng)應(yīng)用研究[J].華中師范大學(xué)學(xué)報（自然科學(xué)版），2019，53（1）：30-37.

[7]程秀峰，范曉瑩，楊金慶.一種融合了基于樸素貝葉斯算法與情境感知的協(xié)同推薦系統(tǒng)：以大學(xué)圖書館實體圖書推薦為例[J].現(xiàn)代情報，2019，39（2）：57-65.

[8]柳益君，蔡秋茹，何勝，等.高校移動圖書館的場景化資源推薦服務(wù)：要素、模型和技術(shù)[J].圖書館學(xué)研究，2018，1（1）：67-71.

[9]王鴻飛，陳麗敏，何靜.科研眾包平臺發(fā)展現(xiàn)狀與對策：基于國際、國內(nèi)、廣東省科研眾包培育平臺案例的分析[J].科技創(chuàng)新發(fā)展戰(zhàn)略研究，2019，3（5）：6-19.

[10]黎繼子，黃香寧，龔璐凝，等.基于Fuzzy-Dematel算法下新產(chǎn)品開發(fā)的眾包供應(yīng)鏈風險分析[J].科技管理研究，2019，39（4）：228-235.