雙邊匹配方法在企業(yè)眾包平臺(tái)的應(yīng)用實(shí)踐

王成睿，王 磊，郭 偉，趙 楠

（1.天津大學(xué)機(jī)械工程學(xué)院，天津 300350；2.天津職業(yè)技術(shù)師范大學(xué)機(jī)械工程學(xué)院，天津 300222）

1 引言

隨著我國(guó)互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展和對(duì)眾包模式的深入研究，越來越多的企業(yè)開始嘗試運(yùn)用眾包來解決企業(yè)內(nèi)部的研發(fā)制造問題，眾包模式得到了越來越廣泛的應(yīng)用。

眾包的任務(wù)組織模式大致可以分為競(jìng)爭(zhēng)型眾包和協(xié)作型眾包兩種。當(dāng)前國(guó)內(nèi)的眾包設(shè)計(jì)平臺(tái)大都采用競(jìng)爭(zhēng)型眾包的模式，接包各方是競(jìng)爭(zhēng)關(guān)系，用戶申請(qǐng)任務(wù)并在線下完成，任務(wù)完成后接包方直接將結(jié)果反饋給發(fā)包方。在企業(yè)眾包任務(wù)平臺(tái)中，往往采用先到先得的眾包競(jìng)標(biāo)模式，缺乏對(duì)眾包任務(wù)和設(shè)計(jì)用戶的合理匹配，眾包任務(wù)需求的能力與設(shè)計(jì)用戶具備的能力不相適應(yīng)，也在一定程度上降低了任務(wù)完成質(zhì)量，同時(shí)難以滿足參與眾包的設(shè)計(jì)人員對(duì)自身成長(zhǎng)和自我價(jià)值提升的需求，不利于眾包平臺(tái)和企業(yè)的長(zhǎng)久發(fā)展。合理有效的任務(wù)匹配方法是保證眾包任務(wù)順利進(jìn)行、企業(yè)資源高效利用、設(shè)計(jì)用戶能力提升的重要保障機(jī)制。

針對(duì)上述問題這里借鑒前人的眾包任務(wù)匹配研究成果，依托TQM（天汽模）工藝編程云平臺(tái)，嘗試通過構(gòu)建用戶能力模型和用戶興趣模型完成對(duì)用戶和任務(wù)兩者間滿意度的合理有效評(píng)價(jià)，完成眾包平臺(tái)中的資源優(yōu)化配置，從而提高平臺(tái)中的任務(wù)完成速度和效果。

2 文獻(xiàn)綜述

2006年，“眾包”的概念首次被文獻(xiàn)[1]提出，眾包成為一種融合大眾智慧解決企業(yè)內(nèi)問題的新模式。眾包一方面通過互聯(lián)網(wǎng)對(duì)人才資源進(jìn)行了重新的配置，提高了人才資源的使用率，降低了企業(yè)占有人才資源的成本[2]，另一方面通過匯集大眾無限的創(chuàng)造力也為企業(yè)的創(chuàng)新發(fā)展提供了不竭的動(dòng)力[3]。

眾包任務(wù)與眾包參與者之間的合理匹配是保障眾包活動(dòng)順利進(jìn)行的重要一環(huán)。在眾包任務(wù)的匹配過程中，既要考慮到任務(wù)對(duì)用戶能力的需求，又要考慮到用戶對(duì)任務(wù)的選擇偏好。文獻(xiàn)[4]根據(jù)完成眾包任務(wù)需要的知識(shí)能力，針對(duì)三種不同的任務(wù)類型分別建立了任務(wù)模型，并提出了一種根據(jù)眾包用戶能力預(yù)測(cè)眾包用戶完成眾包任務(wù)效果的方法。文獻(xiàn)[5]根據(jù)眾包用戶的知識(shí)技能等級(jí)和眾包任務(wù)的難易程度提出了DTA（Dual Task Assigner）算法對(duì)眾包任務(wù)進(jìn)行匹配。文獻(xiàn)[6]認(rèn)為任務(wù)經(jīng)驗(yàn)對(duì)下一次的任務(wù)完成具有重要作用，建立了基于用戶經(jīng)驗(yàn)的任務(wù)分配模型。文獻(xiàn)[7]綜合考慮任務(wù)分配的影響因素，建立了任務(wù)分配優(yōu)化模型。文獻(xiàn)[8]通過對(duì)Gale-Sharpley算法和H-R算法進(jìn)行擴(kuò)展，提出了多目標(biāo)匹配的優(yōu)化模型，用以解決多對(duì)多的雙邊匹配問題。

3 眾包任務(wù)與用戶的雙邊匹配研究

3.1 雙邊匹配流程框架

眾包任務(wù)與設(shè)計(jì)用戶雙邊匹配的流程框架，如圖1所示。

圖1 眾包任務(wù)與設(shè)計(jì)用戶雙邊匹配的流程框架Fig.1 A Process Framework for Crowdsourcing Tasks Matching Design Users Bilaterally

（1）參與雙邊匹配的主體是眾包任務(wù)和設(shè)計(jì)用戶，雙邊匹配的目標(biāo)是尋找一個(gè)最優(yōu)方案，在眾包任務(wù)匹配的原則下，分別為每項(xiàng)眾包任務(wù)匹配到最合適的眾包設(shè)計(jì)用戶，設(shè)計(jì)用戶的匹配范圍為提出眾包任務(wù)申請(qǐng)的全部用戶。

（2）構(gòu)建用戶能力模型和用戶興趣模型。以眾包平臺(tái)中的任務(wù)數(shù)據(jù)和對(duì)設(shè)計(jì)用戶的問卷調(diào)查數(shù)據(jù)為信息來源，分別按照兩個(gè)不同的評(píng)價(jià)指標(biāo)模型進(jìn)行評(píng)價(jià)，獲取匹配主體雙方的滿意度評(píng)價(jià)信息。

（3）采用多指標(biāo)評(píng)價(jià)方法對(duì)匹配主體雙方滿意度評(píng)價(jià)信息進(jìn)行處理和計(jì)算，獲得“任務(wù)→用戶”滿意度和“用戶→任務(wù)”滿意度。

（4）依據(jù)匹配主體雙方的滿意度評(píng)價(jià)結(jié)果進(jìn)行雙邊匹配決策，獲得最優(yōu)的匹配結(jié)果。

（5）匹配結(jié)果輸出，為眾包任務(wù)匹配適合的設(shè)計(jì)人員。

3.2 評(píng)價(jià)模型構(gòu)建

3.2.1 用戶能力模型構(gòu)建

用戶能力模型是以平臺(tái)中用戶的網(wǎng)絡(luò)行為數(shù)據(jù)、歷史任務(wù)數(shù)據(jù)等為基礎(chǔ)，對(duì)用戶個(gè)人知識(shí)、能力進(jìn)行的合理描述，用以衡量用戶對(duì)某一任務(wù)的適合程度。設(shè)用戶能力模型Ui={Ki，Ii，Pi}=｛知識(shí)技能，創(chuàng)新能力，人格特質(zhì)｝（i=1，2，3，...，m）。

（1）用戶知識(shí)技能指用戶所擅長(zhǎng)的知識(shí)技能的類別。模型中的知識(shí)技能包含顯性和隱性的兩部分，顯性的部分是在用戶最開始進(jìn)行信息注冊(cè)時(shí)提供的自己的專業(yè)及擅長(zhǎng)的知識(shí)類型和技能，隱性的部分是用戶在任務(wù)完成過程中所表現(xiàn)出來的知識(shí)類型和技能。um表示用戶對(duì)第m類知識(shí)的掌握程度，用戶知識(shí)能力的向量可表示為：

（2）用戶創(chuàng)新能力I={Bb，Rr，E}=｛任務(wù)中標(biāo)率，任務(wù)收入，任務(wù)評(píng)價(jià)得分｝，指用戶對(duì)相關(guān)知識(shí)技能運(yùn)用能力的描述，是對(duì)任務(wù)完成可能性的評(píng)價(jià)。

任務(wù)中標(biāo)率：

任務(wù)收入：

任務(wù)評(píng)價(jià)得分：

式中：t—設(shè)計(jì)用戶參與過的任務(wù)總數(shù)；t′—順利完成并得到收入的任務(wù)總數(shù)；ri—第i個(gè)任務(wù)得到的收入；ei—第i個(gè)任務(wù)的評(píng)價(jià)得分。

（3）用戶人格特質(zhì)P={IBn，fMA，SAO}=｛外向性，主動(dòng)性，成就導(dǎo)向｝，指用戶在眾包平臺(tái)中的用戶行為及任務(wù)完成過程中的表現(xiàn)，是任務(wù)順利完成及用戶能力持續(xù)發(fā)展的保障。

外向性以設(shè)計(jì)用戶在平臺(tái)中與其他用戶的交互次數(shù)IBn衡量。

主動(dòng)性以設(shè)計(jì)用戶在平臺(tái)中眾包任務(wù)的申領(lǐng)或參與頻率衡量：

式中：MAn—用戶申領(lǐng)或參與的任務(wù)數(shù)；T—用戶注冊(cè)時(shí)間。

成就導(dǎo)向以設(shè)計(jì)用戶每次任務(wù)完成后獲得的綜合能力得分的變化趨勢(shì)衡量。

3.2.2 用戶興趣模型構(gòu)建

眾包設(shè)計(jì)用戶興趣的評(píng)價(jià)依據(jù)為平臺(tái)中的眾包任務(wù)，因此用戶興趣模型包括任務(wù)類型和任務(wù)復(fù)雜度兩個(gè)指標(biāo)，用戶u對(duì)任務(wù)tm的傾向性評(píng)價(jià)模型為：

式中：M—任務(wù)類型；L—任務(wù)的復(fù)雜程度；f—設(shè)計(jì)用戶對(duì)該任務(wù)的評(píng)價(jià)分?jǐn)?shù)。

3.3 雙邊匹配的滿意度計(jì)算及模型求解

3.3.1 “任務(wù)→用戶”滿意度計(jì)算

“任務(wù)→用戶”滿意度以用戶能力模型為基礎(chǔ)，以任務(wù)需求能力與用戶具備能力之間的相似匹配程度進(jìn)行表示。依據(jù)上節(jié)建立的用戶能力模型，采用熵值法與層次分析法相結(jié)合的多指標(biāo)分析方法對(duì)“任務(wù)→用戶”的滿意度進(jìn)行計(jì)算。

（1）指標(biāo)權(quán)重確定

這里采用綜合了主客觀權(quán)值確定方法的AHP—熵權(quán)法確定指標(biāo)權(quán)重。設(shè)分別為用AHP法和熵權(quán)法獲得的第i個(gè)指標(biāo)的權(quán)重，則第i個(gè)指標(biāo)的權(quán)重ωi的值為：

式中：α—的加權(quán)系數(shù)，用以確定和兩者間的重要程度。

（2）標(biāo)準(zhǔn)評(píng)估矩陣構(gòu)建

對(duì)評(píng)估矩陣進(jìn)行無量綱化處理，構(gòu)建標(biāo)準(zhǔn)評(píng)估矩陣D，xmn表示用戶Um的第n個(gè)指標(biāo)Xn的得分：

（3）加權(quán)評(píng)估矩陣構(gòu)建

考慮指標(biāo)權(quán)重，構(gòu)建加權(quán)評(píng)估矩陣R，其中加權(quán)后的評(píng)價(jià)得分fmn=ωnxmn，ωn為第n項(xiàng)評(píng)價(jià)指標(biāo)的權(quán)值：（4）確定最優(yōu)解和最劣解

將每一列中最好或最差的指標(biāo)抽取出來，組合成一個(gè)虛擬的評(píng)價(jià)對(duì)象，這個(gè)評(píng)價(jià)對(duì)象即為最優(yōu)解或最劣解。設(shè)第n列的最優(yōu)解為，最劣解為f-，則最優(yōu)解和最劣解可分別表示為：

（5）差值計(jì)算

分別計(jì)算各用戶的評(píng)價(jià)指標(biāo)得分與最優(yōu)解和最劣解之間的歐式距離，得到矩陣的計(jì)算公式為：

（6）相對(duì)貼近程度計(jì)算

計(jì)算每個(gè)用戶的評(píng)價(jià)指標(biāo)得分與理想解的相對(duì)接近程度。

（7）滿意度計(jì)算結(jié)果

“任務(wù)→用戶”的滿意度評(píng)價(jià)結(jié)果用A=[ɑij]表示，其中ɑij=Ci，且ɑij∈[ 0，1]，i=1，2，…，n，j=1，2，…，m。當(dāng)ɑij越接近1“，任務(wù)→用戶”的滿意度越高，隨著ɑij逐漸趨向于0，“任務(wù)→用戶”的滿意度逐漸遞減。

3.3.2 “用戶→任務(wù)”滿意度計(jì)算

“用戶→任務(wù)”滿意度以用戶興趣模型為基礎(chǔ)，以用戶對(duì)不同類型任務(wù)的偏好程度進(jìn)行衡量。接包用戶對(duì)不同類型任務(wù)的偏好程度由用戶參與的所有任務(wù)中該類任務(wù)所占的比重確定。通過對(duì)其參與的眾包任務(wù)屬性進(jìn)行分析和統(tǒng)計(jì)，即可獲得設(shè)計(jì)用戶對(duì)不同任務(wù)的偏好評(píng)分。同上采用最優(yōu)解對(duì)“用戶→任務(wù)”滿意度進(jìn)行計(jì)算，獲得“用戶→任務(wù)”的滿意度，表示為B=[bij]，其中bij∈[ 0，1]，i=1，2，…，n，j=1，2，…，m。當(dāng)bij越接近1，“用戶→任務(wù)”的滿意度越高，隨著bij逐漸趨向于0“，用戶→任務(wù)”的滿意度逐漸遞減。

3.3.3 模型求解

設(shè)xij是一個(gè)0-1變量，xij=0時(shí)表示眾包任務(wù)Ti最終沒有與設(shè)計(jì)用戶Uj形成匹配，xij=1時(shí)表示眾包任務(wù)Ti與設(shè)計(jì)用戶Uj最終形成了匹配。根據(jù)眾包任務(wù)和設(shè)計(jì)用戶雙方滿意度最大的要求及計(jì)算獲得的雙方滿意度矩陣A=[ɑij]和B=[bij]，構(gòu)建任務(wù)的雙邊匹配數(shù)學(xué)模型：

xij=0或1，i=1，2，…，n；j=1，2，…，m

其中，式（15）和式（16）為眾包任務(wù)雙邊匹配模型的目標(biāo)函數(shù)，式（15）表示盡量使眾包任務(wù)T對(duì)設(shè)計(jì)用戶U的滿意度最大，式（16）表示盡量使設(shè)計(jì)用戶U對(duì)眾包任務(wù)T的滿意度最大；式（17）和式（18）為眾包任務(wù)雙邊匹配模型的約束函數(shù)，分別表示每個(gè)設(shè)計(jì)用戶至多只被分配到一個(gè)眾包任務(wù)，每個(gè)眾包任務(wù)至多只分配給一個(gè)設(shè)計(jì)用戶。

式（15）和式（16）為多目標(biāo)優(yōu)化函數(shù)，可采用線性加權(quán)的方法對(duì)其進(jìn)行加權(quán)并轉(zhuǎn)化為一個(gè)新的目標(biāo)函數(shù)。設(shè)式（15）和式（16）的權(quán)重分別為θ1和θ2，轉(zhuǎn)化得到的函數(shù)為：

xij=0或1，i=1，2，…，n；j=1，2，…，m

通過線性規(guī)劃的方法對(duì)上式進(jìn)行求解即可獲得最終的眾包任務(wù)分配方案。

4 實(shí)例驗(yàn)證

4.1 數(shù)據(jù)來源

天津汽車模具股份有限公司是我國(guó)最大的汽車覆蓋件模具供應(yīng)商，在設(shè)計(jì)知識(shí)資源、合約關(guān)系設(shè)計(jì)人員、軟件資源應(yīng)用等方面具有多年的資源積累和實(shí)踐經(jīng)驗(yàn)，處于國(guó)內(nèi)領(lǐng)先地位。依托TQM（天汽模）工藝編程云平臺(tái)，通過數(shù)據(jù)采集共獲取了22310項(xiàng)眾包歷史任務(wù)和60位眾包設(shè)計(jì)用戶的數(shù)據(jù)信息，依據(jù)上章所述的方法對(duì)眾包任務(wù)和設(shè)計(jì)用戶進(jìn)行雙邊匹配驗(yàn)證。

4.2 匹配計(jì)算

4.2.1 “任務(wù)→用戶”滿意度計(jì)算

由于知識(shí)經(jīng)驗(yàn)等能力具有極大的模糊性和不確定性，難以對(duì)其程度進(jìn)行量化和評(píng)價(jià)，在很多實(shí)際的評(píng)價(jià)過程中，常采用語言的形式對(duì)事物進(jìn)行評(píng)價(jià)。請(qǐng)專家對(duì)任務(wù)需求及用戶具備的知識(shí)能力進(jìn)行評(píng)價(jià)，并獲得語言評(píng)價(jià)信息，再通過模糊集理論及相關(guān)算法轉(zhuǎn)化為模糊數(shù)，構(gòu)建含有模糊數(shù)的多目標(biāo)優(yōu)化模型，并基于模糊數(shù)隸屬函數(shù)對(duì)模型進(jìn)行求解。采用五粒度模糊語言評(píng)價(jià)集｛VG（“很強(qiáng)”），G（“強(qiáng)”），M（“一般”）、P（“弱”）、VP（“很弱”）｝對(duì)知識(shí)經(jīng)驗(yàn)等能力進(jìn)行評(píng)價(jià)。

根據(jù)任務(wù)需求的能力類型，眾包任務(wù)的類型可以分為底面編程、正面結(jié)構(gòu)編程、機(jī)構(gòu)編程、鑲塊編程和型面編程五類。任務(wù)的知識(shí)能力類型及需求程度評(píng)價(jià)結(jié)果，如表1所示。

表1 任務(wù)知識(shí)能力需求評(píng)價(jià)結(jié)果Tab.1 Results of Task Knowledge Capability Needs Assessment

以設(shè)計(jì)用戶1為例，邀請(qǐng)3位專家為其知識(shí)能力進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果，如表2所示。

表2 用戶知識(shí)能力專家評(píng)價(jià)結(jié)果Tab.2 Expert Evaluation Result of User Knowledge Capability

對(duì)語言短語si，其轉(zhuǎn)化為三角模糊數(shù)為：

式中：si—語言評(píng)價(jià)集S={s0，s1，…，sT}中的第i個(gè)評(píng)價(jià)短語；T+1—S的粒度。

依據(jù)模糊集理論及三角模糊數(shù)相關(guān)運(yùn)算法則對(duì)表2數(shù)據(jù)進(jìn)行計(jì)算，用戶1知識(shí)能力的評(píng)價(jià)結(jié)果，如表3所示。

表3 用戶1知識(shí)能力評(píng)價(jià)結(jié)果Tab.3 User 1 Knowledge Capability Evaluation Results

利用三角模糊數(shù)的相似度計(jì)算公式對(duì)用戶自身知識(shí)技能和任務(wù)需求知識(shí)技能進(jìn)行相似度的計(jì)算。

式中：描述用戶自身知識(shí)技能與任務(wù)需求知識(shí)技能的正規(guī)三角模糊集任意距離函數(shù)，通常取

以眾包任務(wù)T1為匹配目標(biāo)，通過對(duì)用戶知識(shí)能力模型中各項(xiàng)指標(biāo)的計(jì)算，獲得用戶知識(shí)能力評(píng)價(jià)結(jié)果，如表4所示。

表4 用戶知識(shí)能力評(píng)價(jià)結(jié)果Tab.4 Results of User Knowledge Capability Assessment

采用熵值法與層次分析法相結(jié)合的方法，最終獲得“任務(wù)→用戶”滿意度評(píng)價(jià)結(jié)果，如表5所示。其值越接近1，“任務(wù)→用戶”滿意度越高，反之則越低。

表5 “任務(wù)→用戶”滿意度評(píng)價(jià)結(jié)果Tab.5“Task-User”Satisfaction Evaluation Results

4.2.2 “用戶→任務(wù)”滿意度計(jì)算

通過對(duì)采集獲得的歷史任務(wù)數(shù)據(jù)進(jìn)行分析，從任務(wù)類型和任務(wù)復(fù)雜度兩方面對(duì)每項(xiàng)工藝眾包任務(wù)分別進(jìn)行評(píng)價(jià)，獲得設(shè)計(jì)用戶參與過的所有歷史任務(wù)的評(píng)價(jià)結(jié)果，并對(duì)所有歷史任務(wù)的評(píng)價(jià)結(jié)果分別進(jìn)行統(tǒng)計(jì)分析，最終獲得用戶的任務(wù)類型偏好評(píng)價(jià)結(jié)果，如表6所示。最終獲得“用戶→任務(wù)”滿意度評(píng)價(jià)結(jié)果，如表7所示。

表6 部分用戶的任務(wù)類型偏好評(píng)價(jià)結(jié)果Tab.6 Task Type Preference Evaluation Results of Some Users

表7 “用戶→任務(wù)”滿意度評(píng)價(jià)結(jié)果Tab.7“User-Task”Satisfaction Evaluation Results

4.3 匹配結(jié)果及分析

根據(jù)眾包任務(wù)和接包用戶雙方滿意度最大的要求，將計(jì)算獲得的眾包任務(wù)對(duì)接包用戶的滿意度矩陣和接包用戶對(duì)眾包任務(wù)的滿意度矩陣代入眾包任務(wù)的雙邊匹配數(shù)學(xué)模型進(jìn)行求解，獲得最終的任務(wù)匹配矩陣。最終的匹配結(jié)果為：T1-U4，T2-U7，T3-U14，T4-U12，T5-U15，T6-U10，T7-U1，T8-U6。

按照得到的匹配結(jié)果邀請(qǐng)相關(guān)用戶重新完成眾包任務(wù)，所有設(shè)計(jì)用戶完成任務(wù)的總時(shí)長(zhǎng)為119.3h，任務(wù)完成的質(zhì)量總評(píng)分為747。與“先到先得”的匹配方法相比，完成時(shí)長(zhǎng)相比提高了10.47%，質(zhì)量總評(píng)分相比提高了1.91%。證明了雙邊匹配方法在提高企業(yè)眾包平臺(tái)中任務(wù)完成速度和效果上具備有效性。

5 總結(jié)

通過將雙邊匹配方法應(yīng)用到企業(yè)眾包平臺(tái)的實(shí)踐，發(fā)現(xiàn)任務(wù)匹配在現(xiàn)實(shí)中存在的應(yīng)用難點(diǎn)如下：

用戶及任務(wù)需求的知識(shí)技能難以準(zhǔn)確描述。在任務(wù)的匹配過程中，知識(shí)和技能是決定任務(wù)匹配效果的重要要素，然而由于其具備極大的模糊性和不確定性，難以對(duì)其進(jìn)行準(zhǔn)確客觀的量化和評(píng)價(jià)。如何構(gòu)建一個(gè)用戶和任務(wù)需求通用的知識(shí)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)用戶及任務(wù)需求的進(jìn)一步描述，對(duì)提升任務(wù)匹配效果有重大影響。

在實(shí)際應(yīng)用中存在任務(wù)找不到匹配用戶或匹配的滿意度值極低的情況。拓展眾包平臺(tái)的用戶范圍，充分調(diào)動(dòng)設(shè)計(jì)用戶的積極性，提升平臺(tái)內(nèi)用戶的知識(shí)能力也是提升匹配效果的一個(gè)努力方向。

同時(shí)，在雙邊匹配方法上還存在許多內(nèi)容需要進(jìn)一步探索：

（1）對(duì)復(fù)雜任務(wù)而言，需要對(duì)其進(jìn)行合理分解以適應(yīng)眾包模式，分解后的任務(wù)之間存在著嚴(yán)格的順序約束關(guān)系。在這里僅考慮單個(gè)任務(wù)與用戶匹配，沒有考慮到眾包任務(wù)之間的內(nèi)在邏輯聯(lián)系及眾包用戶之間的競(jìng)爭(zhēng)和協(xié)同，對(duì)考慮眾包任務(wù)間和眾包用戶間聯(lián)系的匹配方法還需要做進(jìn)一步研究。

（2）在進(jìn)行實(shí)例驗(yàn)證時(shí)，由于時(shí)間和原平臺(tái)固有缺陷的限制，這里的匹配方法僅對(duì)部分?jǐn)?shù)據(jù)進(jìn)行了實(shí)例驗(yàn)證，沒有對(duì)大體量的數(shù)據(jù)進(jìn)行試驗(yàn)，面對(duì)大量的任務(wù)與用戶間的匹配可能存在匹配結(jié)果準(zhǔn)確度偏低、匹配時(shí)間過長(zhǎng)等問題，匹配算法仍有待改進(jìn)。

（3）在眾包的實(shí)際應(yīng)用中，用戶的知識(shí)能力隨時(shí)間存在不同的種類和程度變化。如何在任務(wù)匹配中充分考慮并引導(dǎo)用戶成長(zhǎng)，對(duì)提升眾包平臺(tái)的專業(yè)度，促進(jìn)平臺(tái)的長(zhǎng)久發(fā)展有重要意義。