一、基本信息
论文题目：《Algorithms for Hiring and Outsourcing in the Online Labor Market》
发表时间：KDD 2018
论文作者及单位：Aris Anagnostopoulos(Sapienza University of Rome)、Carlos Castillo(Universitat Pompeu Fabra) 、Adriano Fazzone(Sapienza University of Rome)
论文地址：https://dl.acm.org/citation.cfm?id=3220056
二、论文主要内容与工作
这篇文章主要是解决了一个新问题，即“给定一个任务的情况下如何组合具有不同技能的自由职业者，使得他们组成的团队能够良好地完成这个任务”。
主要贡献有以下四点：
1、将这个问题形式化定义为TFO（Team Formation with Outsourcing）。
2、利用online primal–dual方案针对TFO问题设计了一种高效的近似算法，并对其性能提供了认可保证。
3、根据实际任务需求和工人技能，对三个大型在线劳动力市场的半合成数据进行了实验，测试许多状况下算法的表现。
4、为一个复杂的现实世界问题的在线原始-对偶（online primal–dual）算法的性能提供了实验证据。先前的研究主要是针对经典或实际激励的在线问题进行理论分析，经验验证只是针对AdWords匹配问题进行的。而本文提出的这种方法，即使是建立在重型理论机器的基础上，也可以很容易地实现，并且在实践中是有效的。
三、将来可以做的工作
1、对于大多数问题，可以引入更多的元素来使得算法具备更强的通用性。例如，本文描述的算法规则假定每个时间单位只有一个任务到达，可以简单地扩展到任务到达发生在任意时间的情况。
还可以将TFO问题扩展到雇佣工人数量有限的情况，此时则会面临集覆盖、加权缓存和滑雪板租赁于一身的挑战。本文作者已经开始研究这些问题，他们的初步结果表明，已可以实现O（log k logm）近似，其中k是工人池的最大大小。
此外，一个更自然的限制可能是，例如，每单位时间支付的总成本不能超过某个预算，这将代表个人每周或每月支出的上限。
我们可以加入的另一个元素是不处理任务的可能性，而是在任务太难处理时支付惩罚，而用新工人替换工作人员池的成本很高。
其他变体包括具有不同能力水平的工人。作者计划在未来的工作中研究其中的一些变体。
2、本文中提出的所有算法都是确定性的。正如在Primal–Dual框架[参考文献7]中可以定义分页的随机算法一样，引入其他原始变量的更新规则也很有趣，这些规则允许我们描述随机算法。