达勒姆—— 在过去的几年里，世界见证了零工经济的兴起，这是一个严重依赖独立承包商和自由职业者临时工作的劳动力市场。
根据最近的一项调查，59 万美国人，即美国劳动力总数的三分之一以上， 从事自由职业 在过去的一年里。许多人通过 Upwork、TaskRabbit 或 Fiverr 等在线平台找到这些工作，这些平台有助于将客户与自由职业服务提供商联系起来。
这些平台面临的最大挑战之一是找到客户和自由职业者之间的最佳匹配。客户通常有特定的需求，并非所有员工都能正确满足。此类问题是许多研究方向之一 徐家明杜克大学决策科学副教授 富夸商学院.
徐的主要研究兴趣是开发从网络数据中推断有用信息的算法。 “我们在商业应用、工程甚至自然科学中遇到了许多不同类型的网络，”他说。 “关键问题是如何从这些网络中提取有用的信息来指导下游决策。”
徐家明（杜克大学照片），
正如现实世界中所发现的，这些网络往往非常庞大且复杂，有时涉及数百万个节点以及它们之间不同类型的链接。最重要的是，观察到的数据可能是有噪声的或部分的。 “我致力于开发可扩展的算法，这些算法可以运行得非常快，同时即使数据中只有非常微弱的信号也可以提取此类信息，”徐说。
应对不确定性
就自由职业平台而言，由于流程固有的不确定性，匹配客户和服务提供商可能特别困难。首先，平台在执行服务之前并不知道给定的自由职业者完成客户分配的特定任务的效率如何。换句话说，客户的回报是未知的。
另一个问题是客户群体非常活跃。他们通常是为了满足某种需求而到达平台，停留一段时间，获得服务后离开。顾客到达和离开的统计数据也是事先未知的。此外，每个自由职业者完成服务的能力有限，这也是需要考虑的限制。 “这是第二个不确定性——如何以一种不会导致系统拥堵的方式将客户与自由职业者进行匹配，”徐说。
与他的合著者一起——徐伟康，现任苹果公司机器学习算法工程师， 林晓君，普渡大学电气与计算机工程系教授， 马克·R·贝尔也是普渡大学电气与计算机工程教授的徐在论文中研究了这个问题 “具有不确定回报的排队系统中的集成在线学习和自适应控制” 该杂志发表 行动调查.
“我们将其作为在线匹配问题进行研究，”他说。 “我们的目标是找到这场比赛，同时了解未知的回报，并确保系统稳定且不拥堵。然后我们就可以最大化在线平台的总回报。”
在理想的情况下，平台会通过反复试验逐渐了解每个客户的偏好。然而，在现实世界中，系统无法承受太多错误。如果客户的需求没有得到满足，他们在尝试几次后就会离开平台，所以学习曲线必须很快。 “挑战在于，您希望根据反馈或任务结果以某种方式非常快速地了解客户的偏好，”徐说。
在机器学习中，这种困境被称为探索与利用权衡。如果你不断探索新的搭配，你可能会牺牲顾客的满意度。但如果您不探索，您也可能会错过找到最佳匹配的机会。 “这就是为什么你想要探索，但不要太多，因为你最终可能会失去很多回报或利益。”
乐观地思考
为了帮助解决这一困境，徐和他的同事使用了置信上限算法，该算法有助于将探索和利用结合起来，以尽快获得最佳结果。
在这种方法下，当潜在匹配的表现未知时，该算法乐观地假设有更高的机会成为良好匹配。换句话说，当不确定性很高时，结果就会被乐观地“夸大”。当您有机会一遍又一遍地观察一场比赛的表现后，您不需要过多夸大结果，因为您更有信心观察到接近该场比赛的实际平均表现的东西。
“你总是根据夸大的结果而不是实际观察到的结果来选择最佳匹配。这称为置信上限，这基本上就是我们在进行匹配时了解客户偏好的方式，”徐说。
公平匹配
在为每个客户找到最佳匹配的同时，算法还必须考虑每个服务提供商的有限容量以及客户到达的不确定性。简单地贪婪地匹配以最大化当前的估计收益被证明是非常次优的。 “我们将其表述为一个优化问题。每台服务器都有一些容量限制，您必须确保不违反这些限制。此外，每个客户都与所收到的服务费率的效用函数相关联，您需要最大化总效用和估计的匹配收益。”效用函数促进了匹配的公平性，这在两个方面都是可取的。首先，它着眼于未来，以便我们能够在当前和未来的回报之间取得适当的平衡。其次，它还以公平的方式控制所有客户的学习过程，这样即使是估计收益较低的客户仍然可以获得一些服务并提高他们的收益估计。
为了评估算法的性能，徐和他的同事计算了后悔率，将新算法的结果与预先了解所有客户动态和偏好的预言机的结果进行比较。 “我们证明，遗憾非常小，如果系统运行时间较长，遗憾就会减少，”徐说。如果某个特定客户分配了多项任务，遗憾也会减少。在这种情况下，系统会越来越擅长了解客户的偏好。
本文的主要贡献是提出一种解决方案来解决这些类型平台固有的不确定性。以前的文献中的工作假设了这样一个场景：不同类型的客户到达平台的到达率和匹配的回报是事先已知的。 “就我们而言，我们不需要知道这些信息。我们可以根据这些不同的到达率和匹配的回报动态分配我们的任务。这就是我们的算法和政策的有趣之处。”
徐说，他特别喜欢研究网络，因为许多具有业务应用程序的系统和平台都可以建模为网络。他的研究方向之一是 网络数据隐私 以及如何轻松地将信息追溯到个人用户。 “网络在视觉上非常有吸引力，因为你可以实际绘制节点、边缘，并轻松地向观众解释它们，”他说。 “同时，它们背后还有非常深奥的数学原理。”
(C) 杜克大学
