在线社交网络是一种可为人类提供信息资讯传播、网络资源分享和学习娱乐交流等相关服务的互联网平台，与我们日常的生活密不可分，引发了广泛的关注和应用。当今社交网络平台的安全隐私等问题凸显，亟需在线社交用户对平台功能、安全防范、隐私保护等功能进行评估以改善用户体验。为充分利用在线社交网络中的计算（人机）资源，将实时出现的群体评估任务快速高效精准地分发给最适合的社交用户，达到快速的回收高质量数据，已经成为当前群体计算研究的核心问题。如何找到适合某项评估任务的用户群体成为一个新的挑战。本文主要研究内容及创新之处如下：　　1. 本文提出一种面向在线社交网络的群体任务分发方法　　随着计算机技术的迅猛发展，在线社交网络平台的全球化和移动终端设备的普及，在线社交网络中聚集着大量的计算资源。由于用户在在线社交网络中的行为不尽相同且不断地随着周围环境和用户身份的改变而发生改变，为了及时获取用户在社交网络平台中的频繁的功能体验，本文利用情境分析理论发现并获取用户在线社交网络中的用户行为模式。通过分析用户的历史行为，可以得出用户在不同意图下的行为模式即用户的频繁功能体验。随后将总是与任务分配有关的因素分解成了目标、准则、方案这三个层次，通过对影响任务分配的各个因素进行考虑后定义了任务分配因子及其属性，基于此再进行定性和定量分析后，确定各属性所占的权重并计算用户任务适合度，建立了递阶层次任务分配方法，该方法能够将群体评估任务准确高效地分配给适合的用户群体。　　2. 提出了一种基于SocialSitu的用户适合度任务分发算法　　由于目前群体计算还处于发展阶段，相关理论还远远未达到成熟。目前最流行的任务分配算法是随机分配算法，随机分配算法虽然操作简单、易于理解且省时省力。但由于只是随机地从数据库中选择用户分配任务，并未考虑用户的历史信息等，这致使任务完成率、准确率和召回率均较低。因此在研究内容1的基础上，提出了一种基于 SocialSitu 群体任务分配算法，通过分析用户在社交网络中的每条完整会话的行为序列得到用户在不同意图下的行为模式即频繁的功能体验后，再根据用户任务适合度分配相关功能的评估任务。　　3. 在实验室自主研发的科技社交平台CyVOD上应用所提方法　　为说明本文算法的有效性，在真实的多媒体社交网络平台(www.cyvod.net)上进行了群体评估实验。通过群体评估实验显示本文算法的准确率和召回率分别比随机算法高0.491和0.538，与用户主题感知算法比较二者分别高0.336和0.366。说明本文所提方法在有效性方面优势明显。