本發(fā)明涉及計算機技術(shù)領(lǐng)域，具體地說，涉及一種用于評價從眾包環(huán)境中獲取物品的創(chuàng)新活力的方法。

背景技術(shù)：

通過利用眾包平臺上來自不同地域及具有不同專業(yè)背景的參與者，能在短時間內(nèi)獲取滿足眾包請求的目標物品，包括產(chǎn)品、設(shè)計方案等，且獲取的目標物品由于具有豐富的多樣性而更具創(chuàng)新活力。

但是，隨著眾包迭代輪次的增加，相對以往眾包迭代輪次獲取的物品，后續(xù)輪次所獲取物品中的重復(fù)比例或高度相似比例也會隨之增加，導(dǎo)致后續(xù)輪次獲取物品的創(chuàng)新活力隨迭代輪次增加而降低，并趨于缺乏創(chuàng)新活力。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種用于評價從眾包環(huán)境中獲取物品的創(chuàng)新活力的方法，以評價出當(dāng)前輪次獲取物品較以往輪次所獲取物品的創(chuàng)新活力，從而便于決定是否繼續(xù)發(fā)布獲取目標物品的眾包請求。

為了實現(xiàn)上述目的，本發(fā)明提供眾包環(huán)境下創(chuàng)新活力的評價方法包括第一獲取步驟、第二獲取步驟、第一建模步驟、第二建模步驟及評價步驟；其中，第一獲取步驟包括通過通訊線路向眾包平臺服務(wù)器發(fā)送獲取目標物品的眾包請求，并接收眾包平臺服務(wù)器基于該眾包請求獲取的當(dāng)前輪次的物品集合sk，構(gòu)成總物品集合第二獲取步驟包括通過通訊線路向眾包平臺服務(wù)器發(fā)送對總物品集合中物品的相似度進行評價的眾包請求，并接收眾包平臺服務(wù)器基于該眾包請求獲取的評價結(jié)果；第一建模步驟包括基于評價結(jié)果，使用隨機三元組嵌入的建模方法對總物品集合的概念空間進行二維空間建模；第二建模步驟包括基于總物品集合的概念空間分布，構(gòu)建總物品集合的語義細胞混合模型lp；評價步驟包括基于語義細胞混合模型lp，獲取當(dāng)前輪次物品與之前輪次物品的概念相似性，并基于概念相似性評價當(dāng)前輪次物品的創(chuàng)新活力。

利用眾包平臺，獲取目標物品及對目標物品間相似度的評價結(jié)果，以充分地獲取創(chuàng)新度高的設(shè)計方案、產(chǎn)品等符合要求的物品，利用評價結(jié)果的普遍性，提高評價結(jié)果的準確性；利用語義細胞混合模型獲取不同輪次物品間概念相似性，并基于概念相似性對當(dāng)前輪次物品的創(chuàng)新活力進行評價，以從物品概念層次去評價，有效避免現(xiàn)有技術(shù)中方案搜尋輔助、方案空間呈現(xiàn)、專家反饋等創(chuàng)新支持方法中存在限制參與者思維、評價缺乏參考、適用性有限等問題。

具體的方案為使用隨機三元組嵌入的建模方法對總物品集合的概念空間進行二維空間建模的步驟包括：(1)基于評價結(jié)果構(gòu)建相似度評價三元組(ia,ib,ic)，其中，(2)利用隨機三元組嵌入的建模方法對物品的概念空間進行建模，獲取物品的空間嵌入及由總物品集合中物品的空間嵌入{m1,m2,…,mn}構(gòu)成的空間嵌入矩陣m。

更具體的方案為構(gòu)建總物品集合的語義細胞混合模型的步驟包括：

(1)(1)構(gòu)建語義細胞混合模型lp，并計算物品ii的空間嵌入mi與語義細胞lj的支持度support(mi,lj)，并以所有語義細胞中與空間嵌入mi的支持度最大者為物品ii空間嵌入mi所屬的最似概念原型；

(2)利用語義細胞更新算法從所獲取的空間嵌入矩陣m中訓(xùn)練出混合模型lp，目標是優(yōu)化目標函數(shù)j，

其中，∈ij＝||mi-mj||2為物品ii空間嵌入與物品ij空間嵌入的歐氏距離；

(3)構(gòu)建物品ii的silhouette系數(shù)s(mi)，

其中，a(mi)為物品ii空間嵌入mi到其所屬同一簇的其他物品空間嵌入的平均距離；b(mi)為物品ii空間嵌入mi到非其所屬的簇的物品空間嵌入的平均距離；

(4)計算所有空間嵌入的silhouette系數(shù)的平均值，并將該平均值最大時的語義細胞的個數(shù)確定為語義細胞混合模型中語義細胞的數(shù)量。

再具體的方案為在評價步驟中，用概念相似指數(shù)υk表征概念相似性，

其中，h(i,lp)為物品ii∈sk對產(chǎn)品集的空間鄰近指數(shù)為，

為第k輪產(chǎn)品集合sk中鄰近指數(shù)在升序排列后處于前25％位置的產(chǎn)品，為處于前25％位置的產(chǎn)品的數(shù)量。

通過選選取排序后的前25％的平均值進行表征，概念相似指數(shù)的評價主要考慮的是新概念的產(chǎn)品是否仍占本輪的主導(dǎo)地位，在確保表征有效性的前提，以減少計算量。

進一步的方案為基于概念相似性評價當(dāng)前輪次產(chǎn)品的創(chuàng)新活力的步驟包括：

(1)構(gòu)建第k輪次眾包迭代時概念空間探索活力指數(shù)ek＝1-λυk，λ∈(0,1)；

(2)通過比較當(dāng)前輪次的概念空間探索活力指數(shù)與之前輪次的概念空間探索活力指數(shù)，評價當(dāng)前輪次物品的創(chuàng)新活力。

通過構(gòu)建概念空間探索活力指數(shù)，以正向地表征其概念空間的可拓展性能，從而表征其創(chuàng)新活力。

再進一步的方案為在構(gòu)建概念空間探索活力指數(shù)時，考慮語義混合細胞的老化指數(shù)gk(i)，獲取概念空間探索活力指數(shù)為

其中，老化指數(shù)gk(i)為

通過引入簇內(nèi)老化指數(shù)作為對概念相似指數(shù)的約束，以避免得到的語義細胞混合模型中存在由中的產(chǎn)品為主導(dǎo)構(gòu)建的語義細胞，而導(dǎo)致其鄰近指數(shù)偏高，即概念相似指數(shù)也偏高而影響表征結(jié)果。

優(yōu)選的方案為在第一建模步驟中，對建模結(jié)構(gòu)進行白化處理。通過白化處理，使兩個維度特征的方差相同且特征之間的相關(guān)性較低，從而便于數(shù)據(jù)的呈現(xiàn)與對比。

附圖說明

圖1是本發(fā)明實施例的工作流程圖。

具體實施方式

以下結(jié)合實施例及其附圖對本發(fā)明作進一步說明。

實施例

在本實施例中，獲取目標物品的具體形式為通過搜尋方式獲取互聯(lián)網(wǎng)上已存在的目標物品，具體為能保持正確坐姿的物品，包括產(chǎn)品、創(chuàng)意設(shè)計方案等。

參見圖1，本眾包環(huán)境下創(chuàng)新活力的計算方法包括第一獲取步驟s1、第二獲取步驟s2、第一建模步驟s3、第二建模步驟s4及評價步驟s5。

第一獲取步驟s1，通過通訊線路向眾包平臺服務(wù)器發(fā)送搜尋目標物品的眾包請求，并接收眾包平臺服務(wù)器基于該眾包請求獲取的當(dāng)前輪次的物品集合，一起構(gòu)成總物品集合。

在本實施例中的物品，包括但不局限于硬件、軟件及手機應(yīng)用，比如靠墊、椅子、筆等，并提供描述該物品的頁面網(wǎng)址、描述圖片網(wǎng)址、簡要文字描述。

“通訊線路”為包括一個或多個被配置在用戶與眾包平臺間用于傳送信息數(shù)據(jù)的數(shù)據(jù)路線，可以是通訊網(wǎng)絡(luò)中的電線路、光學(xué)線路、無線線路及它們的組合，其還有多種顯而易見的變化。

為了充分地獲取互聯(lián)網(wǎng)上的既有物品，需不斷迭代地發(fā)布目標物品搜尋任務(wù)。設(shè)當(dāng)前搜尋輪次為第k輪，從獲取的物品中剔除無效的反饋，剩余物品構(gòu)成本輪次物品集合，記為sk，則前k輪所獲取的物品集合為

第二獲取步驟s2，通過通訊線路向眾包平臺服務(wù)器發(fā)送對總物品集合中物品的相似度進行評價的眾包請求，并接收眾包平臺服務(wù)器基于該眾包請求所獲取的評價結(jié)果。

第一建模步驟s3，使用隨機三元組嵌入(t-ste，t-distributedstochastictripletembedding)的建模方法對物品的概念空間進行二維空間建模。

在收集眾包參與者對物品間相似度的評價結(jié)果后，基于該評價結(jié)果構(gòu)建相似度評價三元組(ia,ib,ic)，其中，物品并使用基于隨機三元組嵌入的建模方法對物品的概念空間進行建模，獲取物品的空間嵌入物品集合中n個物品的空間嵌入{m1,m2,…,mn}構(gòu)成空間嵌入矩陣

為了方便數(shù)據(jù)呈現(xiàn)及比對，對建模結(jié)果進行白化(whitening)處理，使兩個維度特征的方差相同且特征之間的相關(guān)性較低。

第二建模步驟s4，構(gòu)建物品集合的概念空間的語義細胞混合模型(informationcellmixturemodel)。

(1)、構(gòu)建語義細胞l：

l＝<p,dist,δ>；

其中，為d維歐式空間概念的原型；dist為概念所在論域上的一個距離函數(shù)，用于刻畫語義細胞的半徑或邊界，在本實施例，采用歐氏距離dist(x,y)＝||x-y||2進行刻畫；δ為密度函數(shù)，用于刻畫語義細胞的密度分布，定義為：

其中，f(∈|μ,σ)是參數(shù)為μ,σ的正態(tài)分布的概率密度函數(shù)，表示為：

(2)、構(gòu)建用于描述整個概念空間的語義細胞混合模型lp：

lp＝{(lj,wj)|∑jwj＝1,j＝1,…,n}；

其中，wj為個語義細胞混合模型lp中語義細胞lj的權(quán)重，即，既有物品的概念空間通常由多個概念構(gòu)成。

(3)、利用語義細胞混合模型，計算某一物品概念的空間嵌入mi與該模型刻畫的概念的支持度support(mi,l)，即空間嵌入mi與語義細胞l的支持度，用于描述空間嵌入mi是語義細胞l所描述概念集合一員的隸屬度：

(4)、計算某一物品概念的空間嵌入mi與語義細胞混合模型lp的支持度為：

即，在計算語義細胞混合模型的支持度時，考慮了每個代表不同概念的語義細胞lj的權(quán)重wj。

(5)、利用語義細胞更新算法從所獲取的空間嵌入矩陣m中訓(xùn)練出混合模型lp，目標是優(yōu)化目標函數(shù)j，從而使語義細胞能覆蓋盡可能地覆蓋前k輪產(chǎn)品集合所對應(yīng)的空間嵌入，該優(yōu)化目標函數(shù)j為，

其中，為物品集合中的產(chǎn)品或設(shè)計方案，∈ij＝||mi-mj||2為物品ii空間嵌入與物品ij空間嵌入的歐氏距離。

(6)、計算每個既有物品ii的概念模型對應(yīng)的silhouette系數(shù)s(mi)：

其中，a(mi)為物品ii空間嵌入mi到其所屬同一簇的其他物品空間嵌入的平均距離；b(mi)為物品ii空間嵌入mi到非其所屬的簇的物品空間嵌入的平均距離。

silhouette系數(shù)s(mi)的取值范圍為[-1,1]，當(dāng)其值接近于1時有a(mi)<<(mi))，表示著簇內(nèi)元素的緊密程度較好，當(dāng)其值接近于-1時，表示該點聚類結(jié)果不佳。

(7)、定義一個物品ii空間嵌入mi所屬的最似概念原型是所有語義細胞中與mi的支持度最大者，即，其最似概念原型為物品集合的概念空間模型m對應(yīng)的語義細胞混合模型lp＝{(lj,wj)|∑jwj＝1,j＝1,…,n}中語義細胞lj的原型pj與mi的支持度最大者，即maxj(wj·support(mi,lj))。

(8)、確定語義細胞的個數(shù)，由于silhouette系數(shù)在n＝1時沒有定義，假定方案的概念空間分布由多組概念組成，從n＝2開始求物品的語義細胞混合模型，并計算所有空間嵌入的平均silhouette系數(shù)，取silhouette系數(shù)最大時的n為最終的語義細胞個數(shù)，即

評價步驟s5，利用得到前k輪次物品集合的語義細胞混合模型，構(gòu)建用于表征當(dāng)前輪次物品的創(chuàng)新活力的物品概念空間探索活力指數(shù)。從而可通過對比第k輪次物品與第(k-1)輪次物品的概念支持度變化情況，以得出方案分布的變化程度。

(1)、定義第k輪次搜集的一個物品ii∈sk對產(chǎn)品集的空間鄰近指數(shù)為：

若該產(chǎn)品處在語義細胞混合模型lp的領(lǐng)域邊界上(即遠離語義細胞原型)，對應(yīng)的鄰近指數(shù)將接近于0，表示當(dāng)前產(chǎn)品遠離各個概念原型，概念較為新穎。相比于直接對所有產(chǎn)品計算相對距離，該定義的計算量小，且較少受方案分布的細節(jié)差異擾動。

(2)、定義簇內(nèi)老化指數(shù)，一個語義細胞li∈lp表示的概念的化指數(shù)為gk(i)：

其中，ci是指第i輪物品的數(shù)量，即，老化指數(shù)為概念鄰域內(nèi)前(k-1)輪產(chǎn)品數(shù)量與第k輪產(chǎn)品數(shù)量的比值。

由于得到的語義細胞混合模型中存在由中的產(chǎn)品為主導(dǎo)構(gòu)建的語義細胞，其鄰近指數(shù)亦會偏高，這并不符合我們估計方案分布變化程度的目標。通過引入簇內(nèi)老化指數(shù)作為約束。

(3)、定義第k輪時搜集產(chǎn)品的概念相似指數(shù)υk為：

其中，為第k輪產(chǎn)品集合sk中鄰近指數(shù)在升序排列后處于前25％位置的產(chǎn)品的個數(shù)，即l1范數(shù)。

使用前25％鄰近指數(shù)的產(chǎn)品作為依據(jù)，是考慮每一輪眾包收集的既有產(chǎn)品中往往存在與原有概念相近的產(chǎn)品，即概念相似指數(shù)的評價主要考慮的是新概念的產(chǎn)品是否仍占本輪的主導(dǎo)地位。

(4)、定義第k輪眾包迭代時概念空間探索活力指數(shù)ek為：

其中，λ∈(0,1)，為預(yù)設(shè)值，表示創(chuàng)新指數(shù)與老化指數(shù)的偏重程度。

在本實施例中，通過分析當(dāng)前輪次眾包過程中搜尋到的物品與以往搜尋到的物品的概念相似性，依次計算當(dāng)前方案分布下概念空間拓展的能力，以判斷出相鄰幾輪次所搜尋產(chǎn)品相對之前所收集產(chǎn)品的創(chuàng)新活力變化。