多Agent支持的一种动态协作模式研究

现在的各种协同工作系统在实际应用中往往灵活性不足.这里提出一种多Agent支持的动态协同工作模型,通过从协同Agent管理的用户Agent中选择一些作为任务Agent,与协同Agent一起参与任务的执行.重点分析了用来执行任务的任务Agent的选择算法.该模型的目的在于引入动态性机制,提高系统的内部性能和外部响应能力,从而使得系统能够满足实际需要.     

任务推荐中考虑任务关联度与时间因素的改进OCCF方法

随着众包系统的兴起,人们对众包系统的关注逐渐增多。基于众包系统中的任务推荐,研究者大多将用户对任务的行为数据转化为评分,但没有考虑任务关联关系以及用户兴趣变化对推荐结果的影响。为此,提出一种考虑任务关联度与时间因素的改进OCCF方法,以对任务进行推荐。一方面,在负例抽取阶段引入兴趣遗忘函数,并根据用户活跃度抽取一定数量的负例;另一方面,在概率矩阵分解阶段融合任务相似度信息以进行分解。将所提出的方法应用于众包系统的任务推荐中,利用威客任务中国的数据集进行了实验。实验结果表明,与主流方法相比,所提方法取得了更好的结果,能有效地提高推荐质量。     

基于Web使用挖掘的个性化学习推荐系统

针对当前E learning推荐系统存在的问题，引入多Agent（MAS）系统，提出一种基于Web使用挖掘的集成MAS与Web services的分布式智能推荐系统模型。该模型能动态生成基于用户使用信息的个性化链接页面，有效地帮助学员找到所需的资源信息。提出了一种基于最近最少使用策略的系统推荐算法，包括系统整体实现算法、系统聚类算法及推荐算法。实时性能分析显示该系统运行性能良好。     

移动应用众包测试人员评价模型

移动应用众包测试人员具有匿名、非契约的特性,这使得任务发布者难以准确评估众包测试人员的能力与测试质量。针对该问题,提出了一种移动应用众包测试人员层次分析法（AHP）评价模型。该模型从活跃度、测试能力、诚信度等多指标分层综合评估众包测试人员能力,通过构造判断矩阵、一致性检验计算各层次指标的组合权重向量,并引入需求列表与描述列表改进本模型,使测试人员与众包任务更加匹配。实验结果表明,所提模型能够实现对测试人员能力的准确评估,支持基于评估结果的众包测试人员选择与推荐,提高了移动应用众包测试效率与质量。     

基于用户满意效用的空间众包任务分配方法

针对生活中专车类空间众包用户存在偏好和延时等待的实际情况,提出一种基于用户满意效用的空间众包任务分配方法IGSO-SSCTA。首先,定义了由用户偏好效用、延时等待效用和任务完成期望组成的用户满意效用;其次,构建了基于用户满意效用的空间众包任务分配（SSCTA）模型;接着,通过离散编码、反向学习协同初始化、四种改进移动策略、自适应选择和不可行解处理,提出一种适用该模型的改进离散萤火虫群优化（IGSO）算法;最后,利用IGSO算法对前述模型进行求解。不同规模数据集上的实验结果表明,所提方法和考虑时间最小化分配、考虑路程最小化分配、随机分配三种策略相比,用户满意效用分别提高了提升了9.64%、11.77%、15.70%;所提算法与贪婪算法和其他改进萤火虫算法相比,也有更好的稳定性和收敛性。     

融合关联规则的MOOC资源众包平台任务分配算法

在高校大力发展MOOC平台背景下,为了提升学生的主动性、MOOC平台资源库的丰富性,出现了众包协同构建资源的方法,让学生和教师构成学习共同体,在完成新知识学习的同时进行资源库建设。高校MOOC众包平台的任务就属于知识密集型任务,挑选合适的参与者直接关系到MOOC资源库构建质量。为了更好地构建高校MOOC资源平台,提出一种针对知识密集型众包任务的分配方案,它包含学生的准入筛选、预期工作能力评估两个阶段。首先利用改进Apriori课程关联算法对学生进行准入筛选;其次利用知识关联算法对学生预期工作能力进行评估并将众包任务分配到工作能力最合适的学生;最后对方案进行测试验证,结果表明该方案能够能较好地提升学生挑选和任务分配的效果,促进构建更高质量的MOOC资源库。     

基于活跃度的众包工作者信誉模型

针对现有众包系统不能有效地控制众包交互过程中工作者的活跃积极性和任务完成质量的问题,提出了一种基于活跃度的工作者信誉模型来实现众包平台的质量控制。该模型改进了平均信誉模型,从工作者活跃度和历史信誉值的角度提出了活跃因子和历史因子的概念。首先根据众包工作者最近30 d内参与众包活动的天数计算工作者的活跃因子;然后根据历史因子计算众包工作者的历史信誉值;最后根据计算出来的活跃因子和历史信誉值计算基于活跃度的工作者信誉值,以衡量众包工作者的工作能力。理论分析和测试实验结果表明：与平均信誉模型相比,根据基于活跃度的工作者信誉模型选取的众包工作者在任务完成质量上提高了4.95%,在任务完成时间上减少了25.33%;与基于证据理论信任模型相比,在任务完成质量上提高了6.63%,在任务完成时间上减少了25.11%。实验结果表明,基于活跃度的工作者信誉模型在实际众包项目中能够有效提高众包任务的完成质量,减少众包任务的完成时间。     

一种基于多Agent的人群仿真多机并行平台研究

本文提出了一种针对多Agent人群仿真模型的多机并行平台,该平台利用MPI作为节点间的通讯软件,采用主从模式设计多机并行执行环境。在主控节点中设置结果回收模块与监控模块,通过K-means算法保证执行节点之间的负载均衡,同时以此作为任务分发与调度的依据;在执行节点(从节点)中,则根据主控节点的任务调度执行相关Agent模型,并执行仿真同步与状态信息汇报等任务。实验结果表明,该多机并行平台能够执行基于多Agent的人群仿真模型,能有效地提高仿真的性能,同时具有良好的可扩展性。     

基于改进狮群进化算法的面向空间众包平台的多工作者多任务路径规划方法

针对面向空间众包平台的多工作者多任务路径规划问题,以求解时间成本和路程成本最小的全局最优路径规划方案为目标,提出了基于改进狮群进化算法的路径规划方法.首先,结合现实问题场景,提出带有任务开始点和结束点的路径规划模型;其次,借鉴狮群进化算法的思想,改进狮群智能行为,引入驱逐行为,针对求解问题设计染色体编码方式、交叉、变异操作等,提出了面向空间众包平台的多工作者多任务路径规划的改进狮群进化算法;最后,运用改进狮群进化算法求解面向空间众包平台的多工作者多任务路径规划模型,并根据真实数据集制作问题算例进行测试.实验结果表明了算法的可用性和有效性.     

一种基于多Agent的分布式入侵检测系统设计

在分析现有基于Agent的入侵检测系统的基础上,提出了一种基于多Agent分布式入侵检测系统模型。该模型采用了分布检测、分布响应的模式,各Agent之间具有良好的相对独立性。通过多Agent技术的思想建立系统总体结构,给出了模型的各个组成部分,并对结构中各种Agent与中心控制台的功能设计进行了分析。同时对涉及到特征匹配算法、动态选举算法、协同算法进行了初步的设计与分析。系统可充分利用各Agent的协同完成入侵检测任务,实时响应,可有效地改进传统IDS。     

基于时间感知的地点推荐算法

基于位置社交网络的服务层出不穷,而地点推荐系统是其最主要的应用之一。目前地点推荐算法均致力于提高用户对地点的兴趣度预测,没有考虑时间因素对推荐结果的影响。事实上人们是否访问某一地点,与其所处的时间是紧密相关的。因此提出了一种概率模型,在统一的框架下将用户的兴趣度、用户所处时间和地点自身的流行度三个因素综合考虑,并在真实的数据集Foursquare上进行了测试。实验表明,与其他的方法相比,本方法能够获得更好的推荐效果,增强了用户体验。     

Task assignment for social-oriented crowdsourcing

Crowdsourcing has become an efficient measure to solve machine-hard problems by embracing group wisdom, in which tasks are disseminated and assigned to a group of workers in the way of open competition. The social relationships formed during this process may in turn contribute to the completion of future tasks. In this sense, it is necessary to take social factors into consideration in the research of crowdsourcing. However, there is little work on the interactions between social relationships and crowdsourcing currently. In this paper, we propose to study such interactions in those social-oriented crowdsourcing systems from the perspective of task assignment. A prototype system is built to help users publish, assign, accept, and accomplish location-based crowdsourcing tasks as well as promoting the development and utilization of social relationships during the crowdsourcing. Especially, in order to exploit the potential relationships between crowdsourcing workers and tasks, we propose a “worker-task” accuracy estimation algorithm based on a graph model that joints the factorized matrixes of both the user social networks and the history “worker-task” matrix. With the worker-task accuracy estimation matrix, a group of optimal worker candidates is efficiently chosen for a task, and a greedy task assignment algorithm is proposed to further the matching of worker-task pairs among multiple crowdsourcing tasks so as to maximize the overall accuracy. Compared with the similarity based task assignment algorithm, experimental results show that the average recommendation success rate increased by 3.67%; the average task completion rate increased by 6.17%; the number of new friends added per week increased from 7.4 to 10.5; and the average task acceptance time decreased by 8.5 seconds.     

基于WLAN移动定位的个性化商品信息推荐平台

随着WLAN在室内环境的日益普及,基于现代的移动设备可以方便实时地获取各种有价值的WLAN数据,这对我们识别个体日常生活中的多样化行为提供了前所未有的机会。近年来,用户的兴趣点与行为模式挖掘等领域日益引起各界的广泛关注,设计了一套基于室内定位的推荐系统,基于用户的历史访问记录,实现从过载的信息中识别出用户感兴趣的内容。现有的位置服务通常只针对用户的室外位置数据,缺乏对室内数据的挖掘分析,忽略了室内位置数据中蕴含的大量语义信息。利用室内定位技术获取用户在商场中的活动轨迹,根据用户去过的店铺和浏览过的商品等历史信息,估算用户的兴趣爱好并进而向用户个性化地推荐感兴趣的商品,基于以上思路设计实现了一套基于室内定位和微信平台的个性化商品推荐系统。     

基于复杂适应性系统的众包翻译平台的模型与仿真

众包系统是一个复杂适应性系统,这一性质是提出新的众包平台研究方法的重要基础.众包是社会计算中一门新兴的研究领域,基于网络是众包的主要特征,互不相识的人们通过互联网进行合作创新和利润分成.不同的众包平台采用了不同的机制设计,良好的机制设计是众包平台稳定发展的基础.基于复杂适应系统,为研究众包平台提供了新的思路.以众包翻译平台为例,使用复杂适应性系统中的"主体"来模拟众包中各个角色,初步构建了众包平台中的主体模型,定义了主体的状态转换以及主体间行为和交互规则,最后,建立了一个简单的仿真框架,通过对多主体合作博弈过程的动态模拟来演示一个众包平台的发展过程,从而验证各种众包机制的合理性,为众包系统的平台设计、机制设计提供可靠和可信的依据,为研究众包平台提供了方便的模拟环境.     

基于微博用户模型的个性化新闻推荐

新闻推荐是互联网推荐系统的研究热点之一,传统的新闻推荐方法是在新闻网站内,通过记录用户浏览的新闻来实现推荐应用。然而,许多新闻网站并不强制要求用户必须注册才能浏览新闻。微博作为目前最主流的自媒体形式,它由用户自己发起或传递,进而实现草根媒体的职能。对新闻进行高效组织并使用微博进行新闻推荐,这是之前研究欠缺的。该文通过提出基于微博分析的新闻推荐,提出了基于新闻和微博本身特点的解决方法,从而实现微博和新闻的关联。实验表明,该文设计的各模块具备较高的效率和实用效果。     

考虑工人路径的多智能体强化学习空间众包任务分配方法

针对工人和任务进行匹配是空间众包研究的核心问题之一,但已有的方法通常会忽略工人路径对任务分配结果产生的影响.传统的任务分配方法存在计算速度慢、适用范围小和协作效果不突出等问题.对此,从空间众包平台的角度出发研究面向路网的空间众包任务分配问题,以任务完成时间最短为目标,提出考虑工人路径规划的基于多智能体强化学习的QMIX-A*算法,缩短任务的平均完成时间,进而提高用户的满意度.大量的数值仿真研究验证了QMIX-A*的有效性和稳定性,为空间众包服务平台的任务分配与路径优化策略的选择提供决策支持.     

一种结合显式特征和隐式特征的开发者混合推荐算法

现有开发者推荐算法通过对任务和开发者的显式信息进行挖掘, 抽取任务和开发者的显式特征, 完成针对任务的开发者推荐. 然而, 由于显式信息中的描述信息是主观的, 往往是不精确的, 现有基于显式特征的开发者推荐算法性能不够理想. 众包软件开发平台除包含大量不精确的描述信息外, 还包含客观的、较准确的"任务—开发者"成绩信息...     

A blockchain-empowered crowdsourcing system for 5G-enabled smart cities

With the development of 5G(5th generation mobile networks) technology, smart cities are an inevitable trend in modern city development. Among them, smart city services are the foundation of 5G-enabled smart cities. As an emerging and informational city service model, crowdsourcing has been widely used in our daily life. However, in the existing crowdsourcing systems, the requesters and the workers are usually required to use the crowdsourcing platform as the trust center, and the payment depends on the third-party central payment institutions, which have a massive security risk. Once these centers are attacked or do evil, it will bring higher losses to the crowdsourcing parties. These problems will negatively affect the further development of 5G-enabled smart cities. To address these issues, we propose a blockchain-empowered and decentralized trusted service mechanism for the crowdsourcing system in 5G-enabled smart cities. In the proposed mechanism, the crowdsourcing service process is divided into nine stages: initialization, task submission, task publication, task reception, scheme submission, scheme arbitration, payment, task rollback, and service compensation. The smart contract controls the execution of each step in each stage, and the payment is completed by blockchain without the involvement of third-party central institutions. Finally, we develop smart contracts to conduct experiments based on Ethereum and compare it with the existing crowdsourcing system. The experimental results show the effectiveness and applicability of the crowdsourcing system service mechanism without the central institutions.     

突破智慧教育:基于图学习的课程推荐系统

近年来随着互联网技术迅猛发展，以慕课（MOOC）为代表的在线教育平台广泛普及.为助力”因材施教”的个性化智慧教育，以推荐算法为代表的人工智能技术受到了学术界与工业界的普遍关注.虽然在电子商务等领域获得成功应用，推荐算法与在线教育融合时仍面临严峻挑战：现有算法对隐式交互数据的挖掘不充足，推荐背后的知识指导作用不明显，面向实践的推荐系统软件有缺失.对此，设计了一套面向工业化场景的智慧课程推荐系统：（1）提出基于图卷积神经网络的推荐引擎，将”用户-课程”隐式交互数据建模为异构图；（2）将课程知识信息融入”用户-课程”异构图，深入挖掘了”用户-课程-知识”关联关系；（3）设计高效的在线推荐系统，实现了”预处理-召回-离线排序-在线推荐-结果融合”的多段流水线原型，不仅能够快速响应课程推荐请求，更能有效缓解推荐算法落地最大障碍——冷启动问题.最后，基于真实课程学习平台数据集，以对比实验证明了离线推荐引擎相比其他主流推荐算法的先进性，并基于两个典型用例分析验证了在线推荐系统面临工业场景需求的可用性.