(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211046356.X (22)申请日 2022.08.30 (71)申请人 电子科技大 学长三角研究院 （衢州） 地址 324000 浙江省衢州市柯 城区芹江东 路288号1幢18楼 (72)发明人 郑凯　赵艳　苏涵　陈轩磊　 (74)专利代理 机构 成都众恒智合专利代理事务 所(普通合伙) 51239 专利代理师 龚攀 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06Q 50/00(2012.01) (54)发明名称 一种推荐 任务发布时间的空间众包方法 (57)摘要 本发明公开了一种推荐任务发布时间的空 间众包方法， 本发明利用交叉图神经网络提取任 务请求者、 任务以及任务发布时间的特征， 使得 其特征包含不同语义空间中的信息， 丰富了特征 表达。 且使用的是轻量级的图卷积神经网络， 取 消了图的自连接以及特征变换的权重矩阵， 在保 证高效推荐的同时加快了模型的训练速度。 在任 务发布序列的多视角关系学习中， 首先对任务的 多视角属性进行融合， 综合考量了可能对任务发 布时间产生影响的因素。 接着利用Transformer 的多头注意力机制来计算序列中其他任务对当 前任务的重要程度， 从而 得以进一步挖掘序列中 的上下文信息。 最后用一个全 连接层预测任务发 布的时间段能在一定程度上解决数据的稀疏性 问题， 提高预测的准确率。 权利要求书2页 说明书4页 附图1页 CN 115495648 A 2022.12.20 CN 115495648 A 1.一种推荐任务发布时间的空间众包方法， 其特征在于， 包括任务相关表达学习、 多视 角关系学习、 任务发布时间预测， 所述任务相关表达学习部分消除图的自连接以及特征变 换权重矩阵， 在保证高效推荐的同时加快模型 的训练速度； 所述多视角关系 学习部分针对 任务发布序列进 行， 先对序列中每个任务的多视角属性进 行融合， 接着使用Transformer的 多头注意力机制， 进一步挖掘序列中蕴含的上下文信息， 所述任务发布时间预测部分利用 全连接层预测任务发布时间得到每个任务的推荐发布时间， 然后分别利用贪心 算法和基于 最小费用最大流算法进行动态的任务分配， 最后利用最小费用最大流算法计算出网络流图 中的最大流 量， 此最大流 量就对应当前时刻的最大的任务完成数。 2.根据权利要求1所述的推荐任务发布时间的空间众包方法， 其特征在于： 所述任务相 关表达学习部分首先基于任务请求者和任务， 任务请求者和任务发布 时间的交互数据， 分 别构建两个图卷积神经网络提取任务请求者、 任务、 任务 发布时间的特征， 任务请求者和任 务的图卷积神经网络各层的传播过程如下式： 其中Q表示任务请求者的特征向量， S表示任务的特征向量， Q(i)和S(i)分别表示第i层的 任务请求者和任务的特征向量， l1表示神经网络的层数， Aqs表示任务 请求者和任务的交互矩阵的邻接矩阵， 是Aqs的度矩阵， Qqs和Sqs表示网络最终输出的任 务请求者和任务的特 征矩阵； 图神经网络最后一层的输出结果为各层特征矩阵的平均值, 任务请求者 和任务发布时间对应的图卷积神经网络各层的传播过程类似， 最 终得到任务请求者的特征 矩阵Qqt和任务发布时间的特 征矩阵Tqt。 经过如上操作后， 得到 两个任务请求 者的特征矩阵。 3.根据权利要求1所述的推荐任务发布时间的空间众包方法， 其特征在于： 所述多视角 关系学习部分针对任务发布序列进行， 先对序列中每个任务的多视角属 性进行融合， 如下 式： ei＝si+ti+posi 其中si表示任务的特征矩阵， ti表示任务发布时间的特征矩阵， posi表示任务在序列的 位置编码矩阵， ei表示最终得到的新 实体， 包含 更多任务相关信息。 用ei替代原来的si， 可以 得到新的任务发布序列的表达。 接着使用Transformer的多头注 意力机制， 进一步挖掘序列 中蕴含的上 下文信息， 各层的传播过程如下： Zl＝LN(MHA(Hl‑1)+Hl‑1) Hl＝LN(TFN(Zl)+Zl)权　利　要　求　书 1/2 页 2 CN 115495648 A 2其中MHA表示多头注意力机制， LN表示归一化层， TFN表示一个两层的前馈网络， Hl表示 第i层的输出矩阵。 所述多头注意力 机制首先由前一层的输出矩阵分别映射出查询矩阵 键 值 如下式： 其 中 表 示 权 重 矩阵 。接 着 计 算 每 个 注 意 力 头的 输 出 ， dk表示注意力头的维度。 最后将所有注意力头拼接， 得到最 终的输出 其中 是包含上下文语义信息的任务发布序列的表达。 对序列中的每个任务的表达求 平均值得到任务发布序列的最终表达 4.根据权利要求1所述的推荐任务发布时间的空间众包方法， 其特征在于： 所述任务发 布时间预测部分， 利用全连接层预测任务发布 时间。 全连接层的输入是任务请求者特征向 量和任务发布序列的向量的拼接， 如下式： 表示预测的任务发布的时间段， FC表示全连接层， ρ 表示softmax激活函数。 得到每个任务的推荐发布时间段后， 根据均匀分布生成指定数量的工人。 然后分别利 用贪心算法和基于最小费用最大流 算法进行动态的任务分配。 5.根据权利要求2所述的推荐任务发布时间的空间众包方法， 其特征在于： 为了控制信 息在两个不同的语义空间中的流动， 引入门机制融合任务请求者两个不同语义空间中的特 征矩阵， 其表达方式如下： Q*＝gate*Qqt+(1‑gate)*Qqs gate＝σ(Wg(Concat(Qqs,Qqt))+bg) σ 表示sigmoid激活函数， Wg和bg表示可训练的参数矩阵， Q*表示最终得到的任务请求者 的特征矩阵。 所述两个不同的语义空间为任务请求 者和任务、 任务请求 者和任务发布时间。权　利　要　求　书 2/2 页 3 CN 115495648 A 3