知识密集型众包的任务分解是将众包中的复杂任务通过一定的分解方式和原则,分解成规模较小、独立性较强、适宜众包的子任务,并确定子任务之间关系的过程。根据Kittur等^[1]提出的未来众包模式框架,任务分解属于众包的任务准备阶段。能否科学地对知识密集型众包任务进行分解将直接影响任务完成的时间、质量、分配的合理性等^[2]。

自知识密集型众包概念提出以来,科研工作者尝试从不同角度对知识密集型众包展开研究。从任务分解角度,Beinstein等人从工作流视角出发提出了Soylent模型,将复杂的众包任务分解成粒度更小、由单个接包人可执行的子任务^[3];从任务匹配角度,Mavridis等人提出了一个针对任务和接包方的技能树模型来实现任务与接包人更精准的匹配^[4];从组织结构角度,Valentine等人提出了flash organizations的想法,主张把接包人群按照组织中角色、团队、层次的框架进行分类,使之协调合作共同完成知识密集型众包任务^[5];从接包人接包动机角度,Alsayasneh等人提出把简单任务通过聚类算法组成复杂的任务来提高接包人的参与体验^[6]。

虽然对知识密集型众包的研究得到越来越多学界和产业界的重视,但当前的知识密集型任务众包研究仍停留在初步探索阶段。绝大多数现实中的复杂目标至今仍然很难通过众包方式实现^[7]。极个别的知识密集型众包任务比如说发明^[8]、写作^[9]和产品开发^[10],只有在限定的场景和特殊的条件控制下才能成功,研究成果的可拓展性不强。其中,阻碍知识密集型众包发展的主要困难之一就是如何对知识密集型众包任务进行合理分解^[11]。

当前针对知识密集型众包任务的分解的研究主要是从工作流的角度出发。工作流是一系列微任务的线状排列结构,可以把较为复杂的任务分解成多个体量较小、复杂度较低、相对独立的子任务。针对知识密集型众包的任务分解,目前主要以下面三种工作流模式展开:(www.daowen.com)

一是Beinstein等人提出的Soylent模型^[12]。此研究是采用工作流思路解决知识密集型众包分解问题的首次尝试。该模型引入find-fix-verify工作流,通过辨识、聚合和确认三个阶段让接包人对复杂任务进行分解,可以用来解决文章的修订、文本的精缩和修订评论三种任务。二是Kittur等人提出的CrowdForge模型^[13]。该研究以文章写作为例,引入分布式计算中的MapReduce框架,分别完成文章写作中列出文章的提纲、根据提纲收集信息和信息整理、撰写文章三项内容。研究结果发现,用CrowdForge模型众包完成的文章比让一个人完成的质量高,且整体质量分布更稳定集中。三是Kulkarni等人提出的PDS(price-divide-solve)算法^[14]。该算法的核心思想是让接包人对任务进行迭代分解,直至所有的任务无法被分解。当所有任务完成后,要求接包人从所有解决方案中选出最佳方案进行合并。

之后的研究以这三种工作流模式为基础进行不断探索改进。针对上述研究任务分解过程中未考虑到任务分配和监督的问题,Xiao等人提出了基于工作流的面向服务的任务分解框架,可以找到最合适的接包人来完成相应子任务,并对他们的行为进行监督和评价^[15];针对当前工作流任务分解模型可拓展性不强的问题,Zheng等人提出了一个基于状态机工作流技术的众包流程模型来提高处理复杂任务的自动化程度,减少开发众包应用的代码量^[16];在分解方式多样性的探索中,Jiang等人基于Beinstein的find-fix-verify工作流,提出了横向和纵向两种分解方式,该实验通过定量计算发现了纵向分解在提高任务解决质量上的优越性^[17]。