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%。     

一种移动众包系统在线激励机制优化算法

为提高移动众包系统的有效性和可靠性,设计了一套完整的在线激励机制优化算法,针对用户到达和参与任务的异步行为,提出一种改进的多阶段反向拍卖算法,通过在线学习自适应确定密度阈值,动态选择最优用户集,并在每次交易后对用户的信誉进行更新,以指导下次任务分配。仿真结果表明,该优化算法满足计算有效性、利益双方正收益性和真实性,能在一定预算和时间约束下获得更好的性能。     

基于声誉的移动众包系统的在线激励机制

在大数据环境下,对移动众包系统的研究已经成为移动社会网络（MSN）的研究热点。然而由于网络个体的自私性,容易导致移动众包系统的不可信问题,为了激励个体对可信策略的选取,提出一种基于声誉的移动众包系统的激励机制——RMI。首先,结合演化博弈理论和生物学中的Wright-Fisher模型研究移动众包系统的可信演化趋势;在此基础上,分别针对free-riding问题和false-reporting问题建立相应的声誉更新方法,从而形成一套完整的激励机制,激励感知用户和任务请求者对可信策略的选取;最后通过模拟实验对提出的激励机制的有效性和适应性进行了验证。结果显示,与传统的基于社会规范的声誉更新方法相比,RMI有效地提高了移动众包系统的可信性。     

移动众包中基于多约束工人择优的激励机制研究

随着移动众包的快速发展,市面上的众包平台如雨后春笋般出现,它们发布任务并利用人群的力量来执行任务、收集数据。此时,移动众包中有效的激励机制变得十分重要。然而现有的激励机制只片面地考虑工人的信誉度、所在位置和执行时间等,这使得众包平台在有限的预算或其他约束的情况下选定优质工人并分配多个任务变得困难。针对以上问题,文中提出了一种基于多约束工人择优的激励机制(Multi-constrained Worker Selection Incentive Mechanism, MSIM),该模型依赖于两个相关算法：一是基于改进逆向拍卖的工人择优算法,该算法综合考虑工人信誉度、地理位置、任务完成度、结果质量等多个重要约束来选择最优的工人执行任务;二是评估和奖惩算法,该算法对任务执行结果和工人信誉度进行评估,从而制定对工人的奖励与惩罚规则。实验结果表明,MSIM可以选出优秀的工人,并提高任务执行结果的可信度和工人信誉度,是一种良好的激励机制。     

空间众包环境下的3类对象在线任务分配

随着移动互联网技术与O2O（offline-to-online）商业模式的发展,各类空间众包平台变得日益流行,如滴滴出行、百度外卖等空间众包平台更与人们日常生活密不可分.在空间众包研究中,任务分配问题更是其核心问题之一,该问题旨在研究如何将实时出现的空间众包任务分配给适宜的众包工人.但大部分现有研究所基于的假设过强,存在两类不足:（1）现有工作通常假设基于静态场景,即全部众包任务和众包工人的时空信息在任务分配前已完整获知.但众包任务与众包工人在实际应用中动态出现,且需实时地对其进行任务分配,因此现存研究结果在实际应用中缺乏可行性;（2）现有研究均假设仅有两类众包参与对象,即众包任务与众包工人,而忽略了第三方众包工作地点对任务分配的影响.综上所述,为弥补上述不足,本文提出了一类新型动态任务分配问题,即空间众包环境下的三类对象在线任务分配.该问题不但囊括了任务分配中的三类研究对象,即众包任务、众包工人和众包工作地点,而且关注动态环境.本文进而设计了随机阈值算法,并给出了该算法在最差情况下的竞争比分析.特别的是,本文还采用在线学习方法进一步优化了随机阈值算法,提出自适应随机阈值算法,并证明该优化策略可逼近随机阈值算法使用不同阈值所能达到的最佳效果.最终,本文通过在真实数据集和具有不同分布人造数据集上进行的大量实验验证了算法的效果与性能.     

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...     

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。     

考虑信誉更新的移动群智感知在线激励机制研究

激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中,参与用户提供数据的质量以及其信誉值没有得到足够重视等问题,本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录,建立信誉更新算法模型,设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明,该算法能够帮助平台获得更好的效用,提高收集数据的质量从而提高雇佣效率。     

时空众包环境下时效均衡的在线任务分配算法

针对时空众包任务分配研究中单一考虑任务分配总效用或任务等待时间，导致总体分配效果不佳的问题，提出一种基于分配时间因子的动态阈值算法。首先，基于预估等待分配时间和已等待分配时间计算任务的分配时间因子；其次，综合考虑任务的回报值和分配时间因子进行任务分配排序；然后，在初始值的基础上增加动态调整项为每一项任务设置阈值；最后，根据阈值条件为每一项任务设置候选匹配集，并从候选匹配集中选择匹配系数最大的候选匹配对加入结果集，完成任务分配。通过实验证明，该算法在任务分配率达到95.8%的情况下，与贪心算法相比，在分配总效用方面提升20.4%；与随机阈值算法相比，在分配总效用方面提升17.8%，在任务平均等待时间方面缩短13.2%；与基于两阶段框架模型的在线微任务分配改进（TGOA-Greedy）算法相比，在分配总效用方面提升13.9%。实验结果表明，该算法能够在提升任务分配总效用的同时缩短任务的平均等待时间，实现分配总效用与任务等待时间两者间的均衡。     

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.     

移动情景和用户轨迹感知的众包服务推荐

随着移动互联网的快速发展和智能终端设备的迅速普及,服务类型与服务内容的日新月异,为移动用户带来严重的移动信息过载问题,如何为用户提供更好的服务推荐是亟待解决的难题。提出了一个移动情景和用户轨迹感知的众包服务推荐策略,首先对历史日志中的位置坐标通过聚类算法聚合成区域,然后挖掘出用户在不同移动情景下的轨迹模式,进而提取出移动规则并判断每条规则所属的情景;在进行众包服务推荐时,通过实时感知到的位置轨迹和移动情景信息,预测用户即将到达的位置区域,从而将区域内的众包服务推送给该用户。提出的预测方法避免了额外增加用户执行任务的时间、行程、费用等成本,给用户推荐更适合的任务,提高用户服务满意度。     

移动应用众包测试质量影响因素分析

针对移动应用众包测试质量影响因素复杂多样致使测试质量难以评估的问题,提出一种基于皮斯尔曼相关系数分析的质量影响因素分析方法。首先,通过对测试平台、任务、人员三方面的分析获取潜在质量影响因素;然后,利用斯皮尔曼相关系数分析法计算潜在因素与测试质量的关联程度并筛选出强关联因素;最后,通过多元逐步回归法建立强关联因素与测试质量间的线性评价关系。实验结果表明,与传统专家人工评价方式相比,所提方法在面向大量测试任务质量评价时,能够保持更小的评价误差波动,可以准确地筛选出移动应用众包测试质量关键影响因素。     

防恶意竞价的众包多任务分配激励机制

众包的飞速发展丰富了任务执行者的阅历和技能,使他们更加了解任务且倾向于同时完成多种任务,因此根据执行者对任务的主观偏好进行分配成为一种常见的任务分配方式;但是出于个人利益,执行者可能采取恶意竞价行为换取更高的收益,这对众包平台的发展是不利的。为此,提出一种防恶意竞价的众包多任务分配激励机制GIMSM(Greedy Incentive Mechanism for Single-Minded)。该机制定义了一个线性比值作为分配依据,再根据贪心策略从执行者比值递增的序列中依次选取并分配任务,最后按照支付函数对分配算法选中的任务执行者进行支付,得到最终的任务分配结果。在Taxi and Limousine Commission Trip Record Data数据集上进行实验。相较于TODA(Truthful Online Double Auction mechanism)、TCAM(Truthful Combinatorial Auction Mechanism)和FU方法,GIMSM在不同工人数下的任务结果平均质量水平分别提高了25.20、13.20和4.40个百分点,GIMSM在不同任务...     

众包环境下多谓词查询优化

近年来,众包查询优化得到了数据库领域的广泛关注。主要研究了众包多谓词选择查询问题--借助于人力找到满足多谓词查询条件的对象。一种简单的方法是枚举数据集中的对象,对于每个对象判断是否满足每条谓词。它产生的代价是[|R|?n],其中[|R|]为数据集中对象的数量,[n]为谓词的数量。很显然,当处理大数据集或者查询包含较多谓词的时候,简单方法的代价是非常昂贵的。由于不同的谓词具有不同的选择性,如果首先验证高选择性的谓词,那么在验证剩余谓词的时候,就可以避免验证不满足高选择性谓词的对象。因此,采用一个好的谓词顺序实现众包选择查询可以显著减少人工代价。然而,实际中很难获得最佳的谓词序列。针对该问题,提出了一种基于采样的框架来获得高质量的查询序列。为了控制查询序列生成的成本,设计了基于随机序列的最优选择方法,该方法通过随机选择序列获得最终的谓词顺序。由于基于随机序列的选择方法可能产生较大的代价,为了减少开销,提出了一种基于过滤的序列选择方法。通过在众包平台上使用真实数据集评测了提出的方法,实验结果表明,该方法能够显著减少查询序列生成的代价,同时获得高质量的查询序列。     

基于动态阈值的时空众包在线分配算法

为提升时空众包动态现实场景中任务分配总效用,提出一种基于在线随机森林的动态阈值算法（DTRF）。首先,根据众包平台中工人和任务的历史匹配数据初始化在线随机森林;然后,通过在线随机森林预测每位工人期望的任务回报率作为阈值,按阈值为每个工人选取候选匹配集;最后,从候选匹配集中选取当前效用总和最高的匹配,同时用分配结果更新在线随机森林。实验结果表明,所提算法在提升总效用的同时有效地提高了工人的平均收益。与贪心算法相比,所提算法的任务分配率提升了4.1%,总效用提升了18.2%,工人平均收益提升了11.2%。与随机阈值算法相比,所提算法在任务分配率、总效用、工人平均收益等方面都有较好的提升,且稳定性更好。     

基于众包感知的移动网络小区信息侦测方法

基站信息表是电信运营商进行移动网络运营和维护的核心数据资产,对于位置服务提供商具有重要的商业价值,但其存在基站信息更新不及时、不准确、第三方无法获取等问题,限制了基站信息表的应用范围和效果。针对该问题,提出一种基于移动众包感知数据的移动网络小区信息侦测方法。借助于众包感知的方式从海量普通用户智能终端上采集用户真实在网信息,利用数据挖掘算法对各基站小区关键参数进行估算,从而构建能够反映网络真实状态的基站信息表。基于现网真实数据的计算结果表明,与现有移动网络小区信息侦测方法相比,该方法具有更高的准确性和较强的信息侦测能力。     

新型时空众包平台中的在线三维稳定匹配问题

近年来,时空众包平台正逐步走入人们的生活,并受到研究者的广泛关注.在时空众包平台中,任务分配是一个核心问题,即在满足时间和空间的条件约束下,如何为不同用户分配合适的工人来进行服务.现有的工作往往将最大化任务匹配个数或效用值之和作为研究目标,这些方法关注全局的解决方案,但是没有考虑用户和工人的偏好来提高他们对于分配的满意程度.此外,现有工作大多只考虑用户和工人两种角色,即工人移动到用户当前位置进行服务.但是,新型时空众包平台的中往往包含用户、工人和工作点三种角色,即为用户和工人分配一个工作点来进行服务.基于以上不足,三维时空稳定分配问题被提出.但是,此问题只关注了静态场景,而时空众包平台往往是在线的,即工人和用户发出的任务都是实时出现的.因此,提出了面向新型时空众包平台的三维在线稳定匹配问题和一种基础算法.通过分析基础算法的不足,结合人工智能的方法提出一种改进算法来解决这个问题.采用大量的真实数据和合成数据集来验证算法的高效性和有效性.     

众包中基于CIDA和PI-Cosine的双向质量控制策略

随着移动智能终端的普及,众包采集大规模感知数据变得越来越容易。众包工人的自私性使得他们想通过最少的努力获得最多的报酬,甚至互相勾结、随意提交众包数据,导致众包任务完成质量不高。文中提出了一种基于陪审团的质量控制策略,该机制解决了数据验证问题。针对降低众包质量的行为,在判断是否存在垃圾邮件员工和共谋组织后,使用社区影响力检测算法(CIDA)来检测出共谋团伙领导者及其所在组织,最后使用改进的相似性检测算法(PI-Cosine)筛查垃圾邮件员工。从这两个方面来提高众包数据质量。实验结果表明,所提方法在accuracy和F1-score衡量指标上相比Cosine相似度检测算法提高了12.3%。     

时空众包环境下基于统计预测的自适应阈值算法

针对时空众包环境下任务分配随机性过高且效用值不理想的问题,提出一种基于统计预测的自适应阈值算法。首先,实时统计众包平台中空闲的任务、工人及工作地点的数量以设置阈值;其次,通过历史数据分析将任务与工人的分布分为均衡的两个部分,并用Min-max normalization方法为每个任务匹配一个确定的工人;最后,计算匹配到的工人出现的概率,以验证任务分配的有效性。使用相同真实数据的实验结果证实,与随机阈值算法相比,基于统计预测的自适应阈值算法的效用值提升了7%;与贪心算法相比,其效用值提升了10%。实验结果表明,基于统计预测的自适应阈值算法能够减少任务分配过程中的随机性并提高效用值。     

基于移动众包的地磁传感器阵列室内指纹定位技术

针对有源的室内定位技术应用场景局限,布置设备成本高昂的现状,提出了一种无源高效的基于移动众包方式的地磁指纹定位技术。创新地提出了基于传感器阵列的地磁指纹采集与匹配方法,通过移动众包的方式来解决指纹采集更新工作量大、专业性强的技术适用性难题。通过基于核模糊C均值地磁指纹聚类算法训练离线指纹库,在20次重复实验的情况下,地磁指纹定位平均定位误差为1. 87 m,90%的定位误差小于3 m,较地磁线图匹配算法定位精度及性能均有较大的提升。