随着互联网的迅猛发展,外包模式与互联网相结合,产生了一种颠覆性的劳动协作模式——众包模式。在众包市场的环境下,如何制定一个“合适”的价格来招募工人以合理的质量和成本来完成给定任务是制约该模式发展的一个关键性问题。对于当前众包市场中存在两种典型的定价模式,即以平台(求方)为中心(SAT)和以用户(供方)为中心(WST)的定价,现有的定价方法主要存在以下问题:未考虑当前定价与历史交易间的联系;缺少标准数据集而导致数据量少、纬度少、机制不完整和定价误差大等问题;模型简单、模型不统一、不符合实际众包情境的问题。为此,本文开展了以下研究工作。面向SAT模式,采用数据挖掘的一般步骤进行研究,通过Python爬虫获取实际众包平台的数据并处理为标准数据集。在此基础上,提出一种基于随机森林和文本聚类方法的众包正向定价机制。实验表明,随机森林比其他机器学习方法具有更好的基础定价效果,调参优化后能够达到其最优性能,且加入文本聚类可以提取任务间更细粒度的特征表达,从而进一步提高定价精度。面向WST模式,提出一种基于VCG拍卖和质量全支付的协作众包逆向定价机制,综合分析了线上众包场景,并结合经济学相关理论(逆向拍卖、全支付拍卖、激励相容性等)设计了一种通用模型及对应定价算法,通过仿真实验证明了该机制可以达到较高的算法效率、更高的任务完成质量、合理均衡雇主和工人的收益以及确保工人投标真实性的效果。