بهبود مسيريابي وظيفه‌ها در جمع‌سپاري با استفاده از تركيب خطي چند پارامتري به روش PMF

Improving task routing in crowdsourcing using multi-parametric linear combination based on PMF method

پيش¬گويي دقت يا سرعت كاربران از طريق مسيريابي وظيفه در يك مسئله جمع¬سپاري، يك مسئله مهم و كاربردي در اين زمينه بوده و به روشهاي مختلفي مي¬تواند انجام شود. روش تجزيه ماتريس احتمالاتي (PMF ) يكي از بهترين روش¬هاي پيش¬گويي مقادير مفقود در يك ماتريس خلوت و بزرگ مي¬باشد. در اين پژوهش با استفاده از روش تجزيه ماتريس احتمالاتي جهت مسيريابي وظيفه¬ها، پياده سازي و اجرا مي¬گردد. نتايج تجربي نشان مي¬دهد كه پيش‌بيني دقت يا سرعت كارگران با استفاده از روش (PMF) خيلي دقيق¬تر از تخصيص تصادفي دقت يا سرعت به كارگر يا تخصيص به روش ميانگين دقت يا سرعت مي¬باشد. دليل اين موضوع همبستگي زياد ميان وظيفه‌هاي مختلف مي¬باشد كه در روش (PMF) به طور كامل درنظر گرفته مي¬شود. در نهايت با تركيب وزن‌دار دقت و سرعت، امكان يافتن كارگر مناسب تري نسبت به در نظر گرفتن فقط يك پارامتر فراهم مي‌گردد.

Predicting of accuracy or speed of users through task routing in a crowdsourcing problem is an important and practical issue in this field and can be done in a variety of ways. The probabilistic matrix decomposition (PMF) method is one of the best methods for predicting missing values in a large sparse matrix. In this research, the probabilistic matrix decomposition method for routing tasks is used and implemented. Experimental results show that predicting of precision or speed of workers using the PMF method is much more accurate than the random assignment of accuracy or speed to the worker or assignment by the average accuracy or speed. The reason for this is the high correlation between the various tasks that are fully considered in the PMF methodology. Ultimately, by combining the weighted precision and weighted speed, it is possible to find a better worker than just considering one parameter.