文章内容

文章主要有两部分，首先基于用户历史的任务轨迹和对应的时间节点，进行位置偏好建模和模型训练，得到用户空间偏好，期间通过联邦学习保证隐私；其次基于上一步预测的用户偏好，把当前任务集合推荐给在线的工人，同时实现推荐任务数量的最大化。

在任务分配期间，文章对与预测到的偏好位置任务目的地距离近的任务分配更大的权重，并基于权重对任务作优先级排序，将任务匹配问题转换为最大权值匹配问题，并构造无向二部图，通过location-aware KM算法实现任务匹配。

在训练本地模型时，文章随机采样了部分的本地数据，使得训练结果不能准确地表示用户的位置偏好；文章使用中央服务器完成各个本地模型的整合，同时中央服务器负责将训练好的模型分发到各个平台。负责整合、训练、通信的中央服务器有出现单点故障、受攻击的风险，会导致系统的可用性降低，存在安全隐患。同时，文章并没有明确训练本地模型的主体、时间，是自动周期性训练还是需要用户主动参与训练，如果是用户主动训练，是否加入相应的激励机制。