[论文解读] Team Formation: Striking a Balance between Coverage and Cost

Alina Ene, Sofia Maria Nikolakaki+1 more|arXiv (Cornell University)|Feb 18, 2020

Mobile Crowdsensing and Crowdsourcing参考文献 5被引用 4

一句话总结

本文提出了一种新颖的团队组建模型，通过优化子模目标函数减去线性成本，实现技能覆盖与团队成本之间的平衡。利用具有可证明近似保证的贪心算法，该方法在真实众包数据上实现了高效率和高效率，为团队选择中的成本-覆盖权衡提供了一个可推广的框架。

ABSTRACT

Motivated by online crowdsourcing platforms as well as applications that span human-resource management in industrial and research organizations researchers have studied extensively the team-formation problem. This problem has been primarily formalized as an optimization problem where the goal is to optimize some metric of the team performance, subject to the constraint that the team members should cover all the skills required by the task. In this paper, we generalize this problem formulation and set as our objective to optimize a function that maximizes the coverage of skills minus the cost of the corresponding team. This formulation appears as a more natural one, particularly in cases where one needs to strike a balance between the coverage achieved and the cost being paid. To the best of our knowledge we are the first to formalize the team-formation problem in this manner. From the algorithmic perspective, we demonstrate that by using simple variants of the standard greedy algorithm (used for submodular optimization) we can design algorithms that have provable approximation guarantees, are extremely efficient and work very well in practice. Our experiments with real data from online crowdsourcing platforms demonstrate the efficiency and the efficacy of our methods. Finally, we believe that our problem formulation and algorithms are of independent interest and can be used in many applications where there is a submodular objective and a linear cost.

研究动机与目标

• 阐明在人力资源管理和众包平台中，平衡团队覆盖与成本的必要性。
• 解决先前研究仅孤立优化覆盖或成本的局限性。
• 将团队组建形式化为覆盖减去成本的联合优化，反映现实世界中的权衡。
• 为该新公式设计具有理论保证的高效算法。
• 通过在线众包平台的真实数据验证实际有效性。

提出的方法

• 将团队组建问题形式化为最大化一个子模函数（覆盖度）减去一个线性成本函数。
• 将标准的子模优化贪心算法适配以处理组合目标。
• 证明在新目标函数下，所提出的贪心变体具有近似保证。
• 通过利用覆盖函数的子模性和单调性特性，确保算法的高效性。
• 在真实众包数据集上实现并评估算法，以验证性能。
• 将该框架用作任何具有子模目标和线性成本的应用的通用工具。

实验结果

研究问题

• RQ1 如何形式化团队组建，以原则化的方式平衡技能覆盖与团队成本？
• RQ2 能否将子模优化的贪心算法适配，以在组合覆盖-成本目标下获得理论保证？
• RQ3 所提出的算法在真实世界数据上的实际效率和有效性如何？
• RQ4 成本阈值的变化对团队构成和覆盖度有何影响？
• RQ5 该公式在团队组建之外的哪些更广泛的应用中具有实际用途？

主要发现

• 所提出的最大化覆盖减去成本的公式是首个明确建模团队质量与成本之间权衡的方法。
• 所适配的贪心算法在新目标函数下实现了可证明的近似保证。
• 这些算法高度高效，可扩展至大规模数据集，适用于实际部署。
• 在真实众包数据上的实验表明，其在覆盖度和成本效率方面均表现优异。
• 该框架具有可推广性，适用于任何具有子模目标和线性成本的问题。
• 该方法在性能上优于仅孤立优化覆盖或成本的基线方法。