买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明提供一种基于深度学习的众包任务个性化推荐方法和系统，涉及任务推荐技术领域。本发明利用Attention机制的选择性关注隐层状态和LSTM网络对时间序列预测的准确性等优势，能够实现有效获取数据中的关键信息，从而得到众包工人对任务选择的兴趣变化和核心关注点，实现对用户整个行为序列变化的动态因素捕捉，再通过引入Word2Vec词向量模型，计算众包工人与任务之间的相似关联度，精准地向众包工人推荐众包任务。同时，本发明将众包数据切分为结构化数据和非结构化数据，从中得到历史行为信息的显式特征和隐式特征，以挖掘更有价值的潜在特征信息，进一步提高推荐精准度。

主权项：1.一种基于深度学习的众包任务个性化推荐方法，其特征在于，包括以下步骤：S1、获取众包数据，并将所述众包数据分解为结构化数据和非结构化数据；S2、基于预先构建的众包任务个性化推荐模型对所述结构化数据和非结构化数据进行处理，得到概率分布，对所述概率分布进行排序，得到所述推荐概率列表；其中，所述众包任务个性化推荐模型包括融入注意力层的长短期记忆神经网络通道、Word2Vec通道、全连接层和softmax函数层，所述融入注意力层的长短期记忆神经网络通道对所述结构化数据进行处理，所述Word2Vec通道对所述非结构化数据进行处理；所述结构化数据包括：众包工人ID、类型、评级、信誉分数、证件信息、交易总金额、雇主好评率、所在城市、完成总任务量、总中标数、任务类型、任务价格、任务关注人数、任务投标人数、任务中标人数、任务发布时间、任务截止时间、历史任务信息和交易模式；所述非结构化数据包括：任务名称、任务需求、擅长技能和个人描述；所述融入注意力层的长短期记忆神经网络通道对所述结构化数据进行处理，包括：其中，融入注意力层的长短期记忆神经网络通道包括Encoding层、LSTM层和Attention层；将结构化数据中与众包工人交互的所有历史众包任务按照众包工人ID和众包任务点击时间排序进行分组，得到这个任务点击的时间戳和第i个任务点击的时间戳之间的时间间隔Ti，依照间隔时间[T1,T2,T3,……,Tn]排列，经过Encoding层得到的历史众包任务结构化序列特征[e1,e2,e3,……,en]作为LSTM的输入，目标任务的结构化数据和众包工人结构化数据经过Encoding层分别得到目标任务结构化特征向量和众包工人结构化特征向量；LSTM层在处理时间序列特征后，每个LSTM单元可以得到当前时间步长t的隐藏状态输出；在Attention层利用隐藏状态输出进行权重计算，将权重值与注意层的每个输入相乘得到具有注意力权重的特征向量，所述权重值基于当前时间步长t的隐藏状态输出和目标任务结构化特征向量计算得到。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于深度学习的众包任务个性化推荐方法和系统