随着互联网技术与共享经济模式的快速发展,时空众包成为群智感知模式的一个新型范例,它刻画了物理世界与网络世界协同交互的关系,将具有时间限制和地域敏感特征的真实任务通过云平台外包给分散的潜在工人,旨在完成基于位置的传感任务。如何为众包工人推荐和分配与之偏好密切相关的任务,是时空众包研究中的一个关键问题。本文综合考虑到平台收益、任务发布者对任务反馈的满意度以及众包工人对任务的适应力三方需求,根据众包工人和任务的属性信息,以最大化任务完成质量和最大化平台利用率为目标,提出了时空众包任务推荐和分配解决方案,主要创新性研究成果如下:为解决动态时空众包环境中的任务推荐问题,提出了一种考虑众包工人时空行为偏好的top-k任务推荐模型。首先采用时空转移矩阵聚合工人与任务的历史映射信息,然后通过空间注意力机制增强序列信息的表征能力,再将其纳入到时空循环神经网络中挖掘工人局部和全局的移动偏好,进而预测工人的意图动向。最后,依据工人与任务属性信息的相关性、工人参与兴趣与参与频数,利用信息熵衡量不同推荐因素的影响程度,构建工人-任务（worker-tasks）亲和力相关度分数并生成概率个性化任务推荐池,评估工人与其即将到达区域内任务之间的关联关系。为同时解决最大化众包工人效用和平台效用的多目标优化问题,提出了一种基于Bandit的多目标在线任务分配算法。首先,综合考虑众包平台、任务发布者和众包工人多方需求下的重要属性信息,构建最大化平台效用和工人效用的优化目标函数。然后,为了保证任务分配的可靠性,进入候选工人选取阶段,以批处理模式评估工人的累计损失。最后,利用提出的基于无偏概率估计的在线自适应任务分配方法,为给定的任务指派合适的工人。通过在公开数据集上将所提方法与现有主流方法进行比较,结果表明本文所提出的方法具有高效性、合理性以及可行性。上述研究成果可应用到人机交互、信息检索、推荐系统以及智能信息处理等领域,可辅助改进各领域现有系统的服务质量。该论文有图24幅,表1个,参考文献77篇。