基于矩阵分解的众包任务路由

我们描述了基于众包工作者在过往任务上的准确率来预测其在全新任务上的准确率的方法。这种预测为识别最佳工作者以分配任务、从而最大化新任务准确率提供了基础。我们的核心洞见是建模过往任务与目标任务之间的相似度，使得过往任务准确率可以被最优地整合以预测目标任务准确率。我们描述了来自协同过滤的两种矩阵分解方法，这些方法不仅利用了这种任务相似度，而且已知对稀疏数据具有鲁棒性。在合成和真实数据集上的实验提供了MF方法的可行性评估以及与两种基线方法的比较评估。在一系列数据规模和任务相似度条件下，我们评估了：1）所有工作者的预测误差；以及2）每种方法在预测每个任务的最佳工作者方面的表现。结果表明了任务路由相对于随机分配的优势，概率MF相对于基线方法的优越性，以及方法在不同条件下的鲁棒性。