软件众包任务的定价模型与人员匹配方法研究及工具实现.docx

软件众包任务的定价模型与人员匹配方法研究及工具实现
随着互联网的发展和普及，软件众包已成为一个重要的软件开发模式。众包任务的定价和人员匹配是众包系统中最为重要的两个方面，直接关系到众包任务的质量和执行效果。本文将从定价模型和人员匹配方法这两个方面阐述软件众包任务的重要性，并探讨现有的定价模型和人员匹配方法的不足，最后介绍一种基于机器学习的定价模型和深度学习的人员匹配方法，并给出工具实现。
一、软件众包任务的定价模型
软件众包任务的定价模型是指对不同类型的众包任务进行价格定价的模型。现有的定价模型主要包括按任务完成时间计费、按单词计费、按错误修正数计费、按任务难度系数计费、按任务问卷缺陷数计费等。这些定价模型在实践中存在一些问题：
1、按任务完成时间计费的方式没有考虑任务难度，易导致对时间需求不高的低质量项目被完成；
2、按单词计费的方式无法体现任务的实际价值，容易出现计费不公的情况；
3、按错误修正次数计费的方式同样没有考虑任务的难易程度，在任务较难的情况下，出现修正次数多但人员付出较小的情况；
4、按任务问卷缺陷数计费需要设计专门的问卷，成本较高，同时难以完全准确地判断问卷缺陷数。
针对以上问题，本文提出了一种基于机器学习的定价模型。该模型以任务难度、任务时间、任务关键字热度等因素为输入，输出任务的价格范围，以适应众包市场价格波动。在训练集中，我们选取三年内大众任务数据，使用GBDT模型进行训练，并将测试误差控制在10%以内。该模型遵循了“精准、公开、公正、实用”的原则，更加合理地对众包任务进行定价。
二、软件众包任务的人员匹配方法
软件众包任务的人员匹配方法是指将任务分配给合适的开发者的过程，影响任务的完成效率和任务的完成质量。现有的人员匹配方法主要包括按任务专业匹配、按评价匹配、按排名匹配等。这些方法存在以下问题：
1、按任务专业匹配无法体现开发者的实际水平，因此可能分配错误；
2、按评价匹配的缺陷是时间有限，不能够全面地了解每一个开发者的实际水平；
3、按排名匹配主要考虑分类结果而非人的特点，可能会存在误判。
针对以上问题，本文提出了一种基于深度学习的人员匹配方法。该方法首先选取了一批资深开发者为训练集，使用LSTM模型进行训练。模型将每一个开发者的代码风格、代码复杂度、代码书写速度等因素作为输入，输出开发者适合的任务类型。在测试集中，将新的开发者的代码输入模型，以得到该开发者适合的任务类型。该方法遵循了“公正、准确、实用”原则，更加具有针对性和精准性。
三、工具实现
本文基于Django开发了一个工具平台。用于实现上述基于机器学习的定价模型和基于深度学习的人员匹配方法。使用者可以通过登陆使用，根据自己的需求选择相应的功能，上传任务、查看任务状态、查看专家的任务完成情况、查看任务完成的内容和结果等。同时，该平台还提供项目讨论、文件传输、进度跟进、任务更新等功能，保证工作的有效沟通和任务管理。
四、总结
软件众包任务的定价和人员匹配是众包系统中最为重要的两个方面，直接关系到众包任务的质量和执行效果。本文介绍了现有的定价模型和人员匹配方法存在的问题，并提出了一种基于机器学习的定价模型和基于深度学习的人员匹配方法。通过工具实现，保证了众包任务定价和人员匹配的高效率和准确性，提高了众包任务的质量和执行效果。