近年来,随着众包模式的研究和发展,有越来越多的研究项目致力于如何优化众包的所有流程阶段,为众包用户提升任务体验,为任务提供商节约成本并高质量的完成任务。而众包任务分配作为受关注的研究热点之一,有着可观的研究前景。随着参与到众包任务中的用户数量不断增加,利用众包模式完成目标的任务提供商的数量也在不断增加,大量任务和用户之间的复杂交互不断涌现,因此一种用户喜欢且任务提供商满意的分配方案显得尤为重要。能在任务分配阶段高效的完成用户与任务的匹配,这将使得用户对众包系统的满意度增加,并有效减少任务提供商的赏金成本。现有的众包任务分配研究中,一种是通过平台直接对用户进行任务分配,按照已有的任务将其推送给合适的用户,但是用户对任务的兴趣可能影响任务完成的质量;有研究提出了利用下拉式方法,由用户主动进行搜索来展示对应的任务,从而实现任务分配,虽然这种模式解决了用户兴趣的问题,但是不能充分实现所有任务的分配,而且有的任务用户可能感兴趣但并不知道,所以没有搜索;随着人工神经网络的不断发展,研究学者借助用户画像来对用户进行任务分配,但是这种分配可能会导致分配不均,更受欢迎的任务会获得更多的曝光机会,从而任务提供商不得不提高赏金来促进其它任务被完成,导致分配成本升高。为此,本研究力图打破这一瓶颈限制,设计一个保证了用户兴趣的分配方案,并同时可以有效的节约任务分配的赏金成本。在设计过程中将会面临保证用户的满意度不受影响的问题,以及如何让大多数任务获得曝光机会,且低成本的完成没有用户选择的任务的分配。该研究通过前期分析与搜集志愿者问卷调查发现,用户在众包模式中选择任务非常看重某些特别的属性。任务中的不同属性对用户有不同的影响程度,用户在做决策的时候很少会仔细衡量所有属性的综合结果,某些特别喜欢或者特别不喜欢的属性对用户做出决定有很大影响。根据该分析结果,本文提出APLoc Assign众包任务分配方法。该方法同时考虑了用户画像和任务分配的覆盖率,可以有效的保证用户对分配任务的兴趣,确保用户对众包平台的满意度,还可以减少任务分配的赏金成本,为任务提供商反馈一个低成本且高质量的任务完成结果。经过实验验证,APLoc Assign任务分配方法对于真实实验场景能做到准确有效的分配,在大规模的数据集上也表现出了优秀的性能。