基于大众智慧的众包技术因其能有效地用于解决计算机难以单独处理的问题,成为了计算机应用中一个日益重要的领域。现有的众包平台如AMT等将这些问题以微任务的形式发布,通过互联网上的大众来解决。众包技术的关键挑战之一是答案决策,答案决策决定了如何将多个工人的答案聚合以产生高质量的任务答案。在众包答案决策的研究中,现有的方法未能综合地考虑工人质量、候选答案相似度、任务难度和任务领域等多种影响因素,缺乏一种普适的多影响因素的答案决策方法。此外,当工人完成任务的数量普遍少的情况下,难以很好地估计工人质量。通过研究现有答案决策方法,本文提出一种基于多影响因素的答案决策方法,并针对长尾现象问题优化工人质量模型,研究工作及主要贡献如下:(1)深入分析并提取任务提供的信息以量化任务难度。提出任务难度由任务涉及的领域以及候选答案的相似性来决定,使得任务难度的度量更加准确客观。其中,候选答案相似度的计算考虑了语义相似性,最后利用熵权法计算任务领域离散程度和候选答案相似度对于任务难度的权重来获得任务难度。(2)整合多影响因素建立工人质量及答案决策模型。首先,通过任务领域和任务难度对每个工人的质量进行合理估计,建立基于领域-难度的工人质量模型;其次,分析多种影响因素与真值推断之间的关系,设计答案决策MFICrowd方法,并在答案推断的同时动态地更新工人质量。综合实验结果表明,基于多影响因素的答案决策MFICrowd方法是有效的,由于考虑了多种影响因素,该方法在准确率和时间效率上都优于现有的方法。(3)优化工人质量模型以解决当工人回答任务的数量少时工人质量估计不准确的问题。通过对不同类型的众包任务以及长尾现象的研究,提出两种答案决策方法,分别适用于不同的任务场景。当工人回答任务数量较少时,基于小样本置信区间的答案决策SCTI方法用于任务信息量较少的单项选择任务和数值任务的答案决策;基于多影响因素的答案决策MFICrowd方法的优化方法SC-MFICrowd方法用于任务信息量较多的单项选择任务的答案决策。综合实验结果表明,上述两种答案决策方法在不同任务场景下能有效地解决长尾现象问题,而且SC-MFICrowd方法能同时考虑多种影响因素。