随着竞争式众包平台中工人数量和发包方数量的不断增加,信息过载的问题日益严重,如何有效地为工人进行任务推荐成为亟欲解决的问题。传统任务推荐方法仅依据工人对任务的投标记录构建工人兴趣模型,并以此对工人进行任务推荐,但工人对任务的投标与否本质上是由工人的参与意愿决定。因此,本研究基于传统推荐方法的研究以及竞争式众包中工人参与意愿影响因素研究,提出一种考虑工人参与意愿影响因素的竞争式众包任务推荐方法,并补充相应方法来缓解任务推荐过程中的数据稀疏问题。首先,基于工人参与意愿影响因素研究,采用User-based协同过滤框架,从工人维度和发包方维度将工人的参与意愿影响因素表示为工人的收益偏好、素质能力以及对发包方的信任,并结合工人历史行为记录以及相关描述信息对各维度影响因素进行衡量,在此基础上构建工人模型。其次,根据工人模型,引入可调节系数?_i、?_i分别对工人在预期收益、素质能力以及对发包方信任进行相似度计算,同时引入融合系数?_i计算工人综合相似度,并在此基础上确定工人k近邻集合并根据加权平均法产生任务推荐列表。同时,针对上述任务推荐方法在推荐过程中存在的数据稀疏问题,本研究提出融合工人k近邻的神经网络任务推荐方法来进行缓解。该方法首先将工人特征与任务特征通过特征嵌入层进行处理,然后将工人k近邻中的工人向量、任务向量作为神经网络输入层的输入,并通过训练集中工人历史投标纪录进行模型训练。最终根据训练好的模型生成数据稀疏条件下的任务推荐列表。最后,根据一品威客众包平台中的真实数据进行实验,验证了本研究中综合考虑工人的预期收益、素质能力以及对发包方信任等工人参与意愿影响因素构建工人模型,并基于此对工人进行任务推荐是合理有效的;同时,融合工人k近邻的神经网络任务推荐方法可以有效缓解任务推荐过程中的数据稀疏问题,且在任务推荐模型搭建过程中,通过特征嵌入层对工人和任务特征进行处理是有必要的。本研究将工人参与意愿影响因素与任务推荐相结合,拓展了传统推荐方法在众包推荐领域的应用,丰富了众包任务推荐的研究视角,同时对于解决竞争式众包中的任务推荐问题、提高众包活动中知识和劳动的交易效率提供了有效的解决方法。