随着移动智能终端设备的快速发展,越来越多的空间众包任务平台开始出现,比如滴滴打车、美团外卖等等,空间众包已经开始慢慢融入到热门的日常生活中,并与人们的生活息息相关。随着空间众包的发展,空间众包任务已经不仅仅局限于打车、送外卖等统一标准化的众包任务,一些诸如理发等非统一标准化的空间众包任务平台开始出现。为了完成空间众包任务,众包工人需要移动到任务指定地点完成,这样就会产生旅行成本,较小的旅行成本就意味着更少的响应时间和更高的任务接受率。同时针对非统一标准化的空间众包任务,不同的任务请求者对同一众包工人完成任务效果的满意程度是不一样的,基于此给任务请求者分配令其满意的众包工人是很重要的,这样能增强任务请求者对空间众包任务平台的依赖性。因此本文提出了一种基于协同过滤的空间众包的任务分配方法,以期得到较小的旅行成本的同时,给任务请求者分配合适的众包工人。为此本文所做的工作如下:(1)本文中提出了基于预测的方法来预测不同任务地点的众包任务数来辅助任务分配以优化全局最小旅行成本。由于空间众包任务需要众包工人到达指定地点完成任务,所以本时间实例内的任务分配结果会影响下一个时间实例内的任务分配,但由于下个时间实例内的众包任务具体位置的无法预测性,本文提出了基于预测的方法,来预测不同众包任务地点的任务数,用局部最小旅行成本—最大化预期任务数的方法来优化全局最小旅行成本。(2)本文在对下一个时间实例中的众包任务数的预测中,提出基于贝叶斯分类、基于回归和基于Laplacian正则化优化的众包任务数预测方法。在基于网格的基础上,将所选区域划分为大小相同的网格,利用每个网格内的历史任务数来预测下一时间实例内众包任务数。(3)本文结合任务请求者的用户体验,用协同过滤算法和基于预测的方法相结合来进行任务分配。主要是通过基于内存和基于模型的协同过滤方法来预测任务请求者对众包工人的评分矩阵,再结合任务请求者和众包工人的距离矩阵,得到任务请求者和众包工人单位质量旅行成本矩阵。用局部最小单位质量旅行成本—最大化预期任务数的方法,优化全局最小单位质量旅行成本,以达到在旅行成本尽可能小的情况下给任务请求者分配合适的众包工人,以此来增强任务请求者对平台的依赖性。(4)本文分别采用gMission和Yelp数据集进行相关实验,实验证明该方法能有效的减小全局旅行成本和全局单位质量旅行成本。