众包质量控制策略及评估算法研究

随着Internet技术的快速发展,众包作为一种灵活有效的解决问题方式,开始受到人们越来越多的关注.由于众包的自由松散组织模式,使得如何有效地控制任务完成质量,并将欺骗类型工作者识别出来,成为目前众包研究中一个急需解决的问题.文中基于对众包工作者提交结果的评估与分析,提出了一种阶段式的动态质量控制策略,同时给出了一个组合式众包结果质量评估方法框架.经过实际数据的测试,文中提出的质量控制策略和众包结果质量评估方法具有较好的效果.     

移动众包环境下一种多阶段质量感知的在线激励机制

随着移动人群感知成为收集数据的一种新范式,越来越多的移动众包应用应运而生.如何有效地激励工人参与任务并提供高质量的传感数据一直是该领域的关键问题,然而在线场景下的移动众包平台往往缺乏真实数据和未来信息,导致工人提交的数据质量参差不齐.所以本文考虑了在线场景下工人选择问题,提出一种多阶段质量感知的在线激励机制(SQOI)...     

时空众包中基于质量感知的在线激励机制

在实时、复杂的网络环境中,如何激励工人参与任务并得到高质量的感知数据是时空众包研究的重点。基于此,提出一种基于质量感知的时空众包在线激励机制。首先,为了适应时空众包实时性的特点,提出一种阶段性在线选择工人算法（POA）,该算法在预算约束下将整个众包活动周期分为多个阶段,每个阶段在线选择工人;其次,为了提高质量预估的精度与效率,提出一种改进的最大期望（IEM）算法,该算法在算法迭代的过程中优先考虑可信度高的工人提交的任务结果;最后,通过真实数据集上的对比实验,验证了所提激励机制在提高平台效用方面的有效性。实验结果表明,POA相较于改进的两阶段拍卖（ITA）算法、多属性与两阶段相结合的拍卖（M-ITA）算法,以及L-VCG(Lyapunov-based Vickrey-Clarke-Groves)等拍卖算法,效率平均提高了11.11%,工人的额外奖励金额平均提升了12.12%,可以激励工人向冷门偏远地区移动;在质量预估方面,IEM算法相比其他质量预估算法,在精度和效率上分别平均提高了5.06%和14.2%。     

一种结合众包的排序学习算法

针对有监督排序学习所需带标记训练数据集不易获得的情况,引入众包这种新型大众网络聚集模式来完成标注工作,为解决排序学习所需大量训练数据集标注工作耗时耗力的难题提供了新的思路。首先介绍了众包标注方法,着重提出两种个人分类器模型来解决众包结果质量控制问题,同时考虑标注者能力和众包任务的难度这两个影响众包质量的因素。再基于得到的训练集使用RankingSVM进行排序学习并在微软OHSUMED数据集上衡量了该方法在NDCG@n评价准则下的性能。实验结果表明该众包标注方法能够达到95%以上的正确率,所得排序模型的性能基本和RankingSVM算法持平,从而验证了众包应用于排序学习的可行性和优越性。     

基于证据理论信任模型的众包质量监控

针对现有众包系统不能快速有效地检测众包交互过程中的恶意行为现状,从信誉角度提出基于证据理论的信任评估模型(DS_CQC)来实现众包平台的质量监控。首先,基于时间窗口获得持续可信证据序列和持续不可信证据序列;其次,从证据重要性、证据间关联和证人可信度三方面对原始D-S证据理论进行改进,获得改进的基本概率信度函数;最后,利用改进的D-S证据理论对证据序列进行融合,计算其直接信誉和间接信誉,最终获得接包方的综合信誉。模型中引入奖惩机制,用以激励接包方参与众包并提供高质量众包,同时遏制恶意的接包方。通过仿真实验和对真实众包数据的实验表明,与基于概率的信任模型相比,DS_CQC检测出持续恶意工作者、策略性恶意工作者的速度和效率至少分别提高了50%和3.1%,具有较强的抗攻击能力。     

众包系统中基于双向拍卖的诚实多任务分配机制

现有的众包任务分配模型大都假设仅存在一个任务请求者,难以满足存在多个任务请求者的应用场景.因此,该文假设众包系统中存在多个任务请求者,且每个任务请求者或工人在每轮任务分配中可以请求或完成多个任务,并在此基础上设计了适用于众包系统的双向拍卖机制,以激励众包任务被高效地完成.首先,将对多个任务感兴趣的工人抽象为多个虚拟工人,以低报价优先匹配原则,设计了一个高效任务分配机制;根据统一定价原则,为其设计了诚实的定价机制.然后,通过理论分析,证明了所设计的机制可以满足诚实性、个体理性以及收支平衡这3项经济学特性.最后,通过仿真实验结果验证了所设计机制的有效性.     

基于K近邻的众包数据分类算法

针对众包数据处理中的质量控制问题,提出了一种加权K近邻投票分类方法。该方法不单单只是考虑了某个样例的标记来返回一个答案,而是通过综合考虑样例的近邻来得到更加准确的答案。同时对样例的近邻加以适当的权重来进一步提高算法的性能,并保持了传统多数投票分类的简单性。K近邻投票分类算法可以有效地解决缺乏标记的情况,通过对近邻加以权重可以解决不平衡标记造成的影响,从而使算法的泛化性更强。通过各种场景下的实验,结果表明加权K近邻投票分类方法取得了很好的效果。     

软件众包开发者的能力价值率模型研究

为了更好地评价众包软件开发者的能力,分析了众包模式下软件众包开发的三个基本要素,即大众开发者、任务发布者、众包平台,提出了一种软件众包开发者能力价值率模型。该模型将软件众包任务从子任务、时间阶段、质量特性三个维度进行细分,首先评价众包原子单元,进而综合评估整个众包软件的质量。模型在评价过程中充分考虑了开发者的价值贡献因素,推演了开发者能力价值率的计算方法。验证实验表明软件众包开发者的综合能力价值率随着任务量的增加,其变化和能力大小关系趋于一致,所设计模型具有更好的稳定性,能够有效地评估软件众包开发者能力。     

一种基于元数据的众包图片效用最优选择算法

随着互联网的高速发展,移动终端设备产生的众包图片可以用在许多重要应用场景当中以获得有效的信息。例如地震后现场区域的修复、重大事故的处理。但是,这些应用场景往往都会有资源限制的问题,如带宽、终端的存储与处理能力等等,这就限制了形成众包图片的数量。因此,如何在资源有限的情况下,从众包图片中实现目标的最佳还原是一个巨大挑战。通过采集与处理图片的地理和几何数据,形成图片的元数组,在限制计算资源的条件下,提出了一种以元数据为输入的众包图片效用最优选择算法,以实现目标的最佳还原。算法的输入是元数据而非像素,所以在资源有限的应用场景中能够高效地分析众包。采用图片的效用来衡量目标区域被覆盖的程度,并提出了图片效用计算方法。最后设计了仿真实验,实验结果验证了算法的有效性与优越性。     

众包环境下基于用户兴趣的玩伴匹配模型

如今,外出旅行占据了人们解压方式的很大比重.拥有一个(些)志同道合的旅行玩伴成为了旅行能否舒心的一个重要因素.结合众包思想,用户发布结伴需求(用户可成为众包的任务发布者也可以成为任务的执行者),平台为用户匹配志同道合的玩伴,用户及其玩伴共同执行出去游玩任务,这样,在保证旅行质量的前提下,可以节省用户的金钱,实现资源共享,具有很好的现实意义.因此,本文提出了一个基于用户兴趣的玩伴匹配算法CGA(Car Group Allocation),根据仿真的用户历史访问数据为用户匹配具有相似兴趣的其他用户,且提出了用户根据意愿选择是否提供交通工具,也可以选择是否服从调剂,同时提供车辆的用户可以根据需求决定车辆剩余位置等现实因素.该算法采用真实的POIs(points of interest)点,仿真用户兴趣以及结伴需求,结合现实情况下的约束,运用蚁群算法迭代,为用户匹配相似度最高的群体.实验证明了本模型的有效性.     

基于众包的移动通信教改研究

根据以往的教学经验,从行业发展、人才培养、教学建设等出发,对移动通信课程的教学内容、教学方法和考核方式进行了改革和探索,尤其是在教学方法中引入了“众包式教学法”,充分调动了学生学习的积极性。而多种考核方式相结合,考核结果充分地反映了学生的真实水平。实践证明,众包教学方法在移动通信教学中取得了较好的效果。     

基于众筹预售和众包生产的两阶段最优定价机制

为实现农产品产销供应链中按需生产,供需平衡的同时,提高电商平台的期望收益。分析了电商平台整个产销供应链的问题模型,提出一种基于电子商务平台众筹预售和众包生产的产销模式。基于迈尔森最优拍卖理论设计了众筹预售和众包分配的两阶段最优拍卖定价机制,能够在保证参与用户诚实报价的基础上,同时最大化电商平台的期望收益。实验结果表明,对比传统的先到先服务算法（FCFS）,平均收益在需求数量区间为均匀分布时至少增加了5%,为指数分布时至少增加了18%,且至少能达到假设用户诚实报价下的最优利润（OP）收益的50%。     

基于众包的多楼层定位方法

无线基础设施的广泛部署使得基于WiFi的指纹定位方法成为了最具普适性的定位方法之一.然而,指纹库构建过程的耗时费力阻碍了基于接收信号强度(received signal strength indication, RSSI)指纹定位的发展.针对指纹库构建难问题,提出了一种基于众包的低成本、高效率的多楼层指纹库构建方法-MCSLoc.首先将室内平面地图转换为室内语义地图;然后采集众包用户智能手机内置惯性传感单元(inertial measurement unit, IMU)数据,采用卡尔曼滤波(Kalman filter, KF)融合算法划分传感数据到所属楼层.提出分段式轨迹获取方法,根据传感数据获取用户相对轨迹和RSSI值序列;最后利用隐马尔可夫模型(hidden Markov model, HMM)和轨迹匹配维特比(track matching Viterbi, TM-Viterbi)算法将相对轨迹与室内语义地图主路径相匹配,为RSSI值序列标注楼层标签和物理位置标签.MCSLoc方法的HMM地图匹配算法无需用户初始位置,实现众包用户弱意识参与.实验结果表明MCSLoc可以快速获取轨迹绝对初始位置,有效构建多楼层指纹库,提高多楼层定位效率.     

环境信息监控中基于压缩感知的移动众包成本控制研究

基于压缩感知的移动众包模式是解决环境信息监控中成本问题的有效途径.压缩感知能够通过部分采样点恢复出全部数据,而其恢复质量取决于采样点所包含信息与噪声的数量.本文针对这两方面对压缩感知进行了优化,从而进一步减少环境信息监控所需成本.首先,本文提出了一种基于经验的采样点选择算法EBCS(Experience Based C...     

基于Web的众包文本标注平台构建与应用

针对现有文本标注工具中缺乏复杂类型标注功能和众包质量检测方法等问题,构建了一个基于Web的众包文本标注平台。一方面,平台采用浏览器/服务器（B/S）的开发架构和前后端分离的开发方式,实现了复杂类型文本标注的需求,提供序列标注、单标签标注、量级标签标注、多层次标签标注和嵌套文本标注等场景的文本标注功能;另一方面,还提出了一种基于监督数据的多数投票一致性检测方法,在随机注入的监督数据上计算标注参与者的标注能力,作为多数投票的权重,进行真值推断得到最终的标注结果。最后,进行了系统功能测试、系统性能测试和浏览器兼容性测试,测试结果表明该系统能够满足复杂类型文本标注的需求,所提出的一致性检测方法能够筛选出高质量的标注内容反馈给用户。提供了一个高效便捷的众包文本标注平台,以构建高质量的文本语料库,助力自然语言处理（NLP）相关任务的研究,并已部署在服务器上,互联网用户可直接通过浏览器访问。     

基于改进蚁群算法的众包配送路径研究

针对现有O2O外卖众包配送的经验依赖性和随机性问题，建立以距离成本和时间惩罚成本之和最小化为目标的带有单侧软时间窗的需求可延迟的开放式车辆路径优化模型，并借助高德地图API接口获得各实际节点的经纬度信息和各节点间距离。改进蚁群算法在状态转移规则中添加下一步移动的潜在客户数量影响因子，同时将确定性搜索与随机性搜索结合，缩小蚂蚁搜索范围。仿真实验结果表明，相较于标准蚁群算法和标准粒子群算法，改进蚁群算法在求解质量和效率上均具有明显的优势。     

众包直播中精彩片段的自动化识别

近年来,基于众包的视频直播平台逐渐兴起,以其丰富的观众-主播交互机制吸引广大用户观看.针对直播平台的分析也随之成为流媒体服务领域的一个研究热点.直播过程中精彩片段的自动提取对于标签生成、视频分类和内容推荐等方面而言至关重要,然而现有的精彩片段检测大多围绕音频、视频数据本身展开,如视频语义分析、音频情感感知等,缺乏对用户交互属性的合理利用.本文以斗鱼直播平台为例,通过分析观众的发弹幕与送礼物行为,提出了基于直播间弹幕数量时间序列和礼物价值时间序列的精彩片段自动化检测方法.首先利用z-score方法检测序列高潮,然后对高潮做样本标注和特征构建,最后采用随机森林对序列高潮分类并识别内容高潮,即精彩片段.结果表明,模型能够以较高的准确率完成精彩片段的自动化识别任务.     

基于“众包”的软件开发模式

随着Internet技术的快速发展,“众包”成为一种灵活有效的解决问题方式. 虽已在很多领域中得到广泛的应用,但在软件开发领域的应用仍存在很多问题,如缺乏统一标准及开发方法,没有成熟的应用平台等. 针对此问题,本文提出一个基于“众包”的软件开发平台及“众包”软件开发方法,一定程度上为利用“众包”进行软件开发提供了一种思路和借鉴.