CN108038622B - 一种群智感知系统推荐用户方法 - Google Patents
一种群智感知系统推荐用户方法 Download PDFInfo
- Publication number
- CN108038622B CN108038622B CN201711431463.3A CN201711431463A CN108038622B CN 108038622 B CN108038622 B CN 108038622B CN 201711431463 A CN201711431463 A CN 201711431463A CN 108038622 B CN108038622 B CN 108038622B
- Authority
- CN
- China
- Prior art keywords
- user
- task
- data quality
- users
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种群智感知系统推荐用户方法,属于群智感知系统优化技术领域。包括以下步骤:(1)获取用户历史数据;(2)量化用户、任务特征向量以及建立用户‑任务数据质量矩阵;(3)从原始用户群体中得到任务消息推送群体;(4)对上述推送群体进行最终参与用户的挑选;(5)获取最终参与用户数据,更新用户‑人物数据质量矩阵。对比现有技术,本发明方法充分考虑了用户的个人兴趣偏好,用户完成不同任务数据质量存在差异的问题,从而可以更有效的进行用户推荐;对有兴趣参与任务的用户根据其历史参与的数据质量情况以及当前已选取用户的规模来选取最终参与任务的用户,使得平台既可以保证任务的完成,又可以获得最大的利益。
Description
技术领域
本发明属于群智感知系统优化技术领域,具体涉及一种群智感知系统的推荐用户方法,用于减少任务的推送开销,以提高群智感知系统的平台收益。
背景技术
目前,群智感知系统拥有大量的注册用户,使得平台推送任务存在网络开销过大的问题。同时,由于群智网络系统中用户的兴趣偏好不同、用户质量参差不齐,使得任务推送信息利用率过低。解决上述问题的一种可行方法是对注册用户的数据质量进行评估,使用相关的推荐方法,以获得高质量用户群体。用户数据质量通常在一个任务执行过程中是固定的,可以衡量用户在任务中的表现能力,即当任务执行过程中,根据用户的数据质量值,来衡量其在任务中的价值,决定是否推送任务给该用户。用户数据质量的评估通常具有多维度评价、多系统打分、动态更新的特点。
在量化完用户的数据质量之后,需要解决的关键问题是如何选择推荐用户进行任务推送,即给定所有用户的历史数据质量信息,设计用户推荐方案使得最终的任务数据质量满足一定阈值条件下平台的利益可以最大化。
目前,群智感知系统中关于用户数据质量的研究日趋成熟,但这些解决方案只从用户兴趣度或用户数据质量单方面考虑招聘用户,并且仅支持单任务情况,并未充分利用不同种任务下的数据质量信息以及任务间的关联关系。
发明内容
本发明的目的是针对现有群智感知系统推荐用户存在的任务推送开销大、信息利用率低的问题,提出一种群智感知系统的推荐用户方法,使得多任务同时存在下系统平台的利益最大化。本方法尤其适用于多任务、海量用户以及用户数据质量可预测的群智感知系统。
本发明的目的是通过下述技术方案实现的。
一种在群智感知系统中推荐用户的有效方法,包括以下步骤:
步骤一、获取用户在群智感知系统中的数据质量信息,该质量信息由用户历史参与情况以及完成不同任务的历史数据质量信息衡量;
步骤二、量化每个用户与每个任务的特征向量,并根据步骤一中所获得的数据质量信息,建立用户-任务数据质量矩阵F,其第t行第i列值f(t,i)表示用户i完成任务t的数据质量,其中t∈{1,2,...,m},m表示任务数,i∈{1,2,...,n},n表示用户数;
作为优选,所述f(t,i)的取值根据用户种类的不同分别赋值,具体如下:首先将用户划分为如下四种:新用户,从未回复该任务报价信息的用户,提交报价但从未被选中的用户以及具有历史参与数据的用户;然后,对前三种没有参与过该任务的用户,数据质量分别赋值以区别于参与过该任务的数据质量值,对于第四种用户,其数据质量依据历史完成任务情况赋值。
步骤三、依据步骤二得到的用户-任务数据质量矩阵F对当前任务t的参与用户进行筛选处理,获得推荐用户群体Xt进行任务消息推送;
具体的但不限于此:所述筛选处理,即对任务消息推送的用户群体的推荐的过程(UFBC)如下:
1)首先,令全体用户U为任务t的推荐用户Xt;
2)统计所有用户的所有特征空间取值ft(U);
3)依次取值v∈ft(U),统计其在当前任务t的合法用户数量Spf(v)以及非法用户数量Siv(v);
4)如果Siv(v)/(Spf(v)+Siv(v))的值大于预设的用户属性判定阈值μ,转步骤5),否则转步骤6);
5)剔除掉Xt中维度取值为v的所有用户,并将剩余用户群体赋给Xt;
6)从ft(U)中剔除特征v,如果ft(U)不为空,转到步骤3),否则转步骤7);
7)将所有与当前任务t相似度大于λ的任务添加到集合T中;
8)依次取任务a∈T,查看所有的用户i∈Xt,如果其对应的数据质量F(a,i)值小于预设的数据质量阈值γ,将其从Xt中剔除掉;
9)从任务集合T中剔除任务a,如果T不为空转到步骤8),否则转步骤10);
10)返回推荐用户群体Xt。
作为优选,所述非法用户为满足以下条件的用户:用户i在任务t中的历史数据质量低于预设数据质量γ,即f(t,i)<γ,或用户i在任务t中未针对任务消息推送进行回复;所述合法用户为满足以下条件的用户:用户i在任务t中的历史数据质量高于预设数据质量γ,即f(t,i)≥γ。
作为优选,所述任务间的相似度采用海明距离计算,即两个任务在同一维度上取值不同时,海明距离加1,相似度ρ=(任务特征总维度-海明距离)/任务特征总维度。
步骤四、根据步骤三推荐群体Xt的用户报价情况,依据步骤二所得的用户-任务数据质量矩阵F,获得临时用户-任务数据质量矩阵L,再依据用户在L中的当前任务中的临时数据质量值,以及当前已选取参与用户群体Pt的规模计算用户参与任务给平台创造的价值,减去其报价,获取用户给平台创造的净利润,并依据该净利润选取最终的参与用户群体Pt执行该任务,使得群智感知系统的平台利益最高;即对提交报价的用户群体以及用户的数据质量所创造的价值进行评估,依据给平台创造的净利润进行参与用户的最终挑选;
具体的但不限于此:所述Pt的构建,即对用户的最终招聘过程如下:
1)首先令招聘选择用户集合Pt为空集φ;
2)根据Xt中用户在当前任务的临时数据质量值l(t,i)(矩阵L中第t行第i列的元素值)以及当前Pt的规模计算用户给平台创造的价值;
3)计算Xt中每个用户给平台创造的净利润值et,按照降序排列;
4)选取净利润值最大的用户i,如果其净利润et(i)>0,转步骤5),否则转步骤6);
5)从Xt中剔除用户i,并将用户i添加到Pt中,如果Xt不为空,转步骤2),否则转步骤6);
6)返回招聘用户集合Pt。
作为优选,所述临时用户-任务数据质量矩阵L根据用户-任务数据质量矩阵F获得,若f(t,i)表示用户i在任务t的真实数据质量情况,则l(t,i)=f(t,i),若f(t,i)表示用户i在任务t的参与情况,即用户i为任务t的新用户,从未被选择的用户或者从未做出回复的用户,则l(t,i)=β,β为预设的期望数据质量值。
作为优选,用户给平台创造的价值可根据其数据质量值以及当前已选用户集合Pt的规模得到。
步骤五、当Pt中的用户执行完任务,向平台反馈任务数据,平台评估任务数据的质量情况,并依据该质量以及用户历史参与该任务的数据质量情况,对f(t,i)值进行更新。
具体但不局限于此:所述f(t,i)的更新过程如下:当用户i向平台返回执行当前任务t的数据后,平台依据用户的数据评估其此次任务执行过程的真实的数据质量信息f'(t,i),并依据f'(t,i)对f(t,i)进行更新,如果用户i是新参与用户则f(t,i)=f'(t,i),如果用户i是曾经参与过任务t具有历史数据质量的用户,按照一定的比例对历史数据质量和执行此次任务的数据质量进行权重划分得到最新的用户在该任务中的数据质量,即f(t,i)=(1-w)f(t,i)+wf'(t,i),w代表用户执行本次任务反馈数据质量的权重。
有益效果
本发明通过提出一种群智感知系统有效推荐用户的方法,即使得群智感知系统当前任务发布时将任务推送消息推送至高质量感兴趣的用户群体,以达到系统平台的收益最大;目前现有群智感知系统只从用户兴趣度或用户数据质量单方面考虑招聘用户,并且仅支持单任务情况,因此,对比现有技术,本发明具有以下特点:
1、推荐用户时综合考量了用户的个人兴趣偏好,用户完成不同任务数据质量存在差异的问题,从而可以更有效的进行用户推荐;
2、对有兴趣参与任务的用户根据其历史参与的数据质量情况以及当前已选取用户的规模来选取最终参与任务的用户,使得平台既可以保证任务的完成,又可以获得最大的利益。
附图说明
图1为1个群智感知系统发布任务时的不同用户的反馈状态示意图;
图2为本发明具体实施任务消息推送过程中推荐用户的示意图;
图3为本发明中平台最终招聘用户的示意图;
图4为UFBC方法在群智感知系统中平台的收益体现示意图;
图5为UFBC方法在群智感知系统中最终任务的数据质量信息示意图。
具体实施方式
下面结合附图和具体实施方式对本发明方法做进一步详细说明。
如图1所示为群智感知系统(平台)发布任务时的不同用户的反馈状态示意,当平台Platform发布一个任务时,用户Mobile Users存在三种不同类型的用户群体,分别为正常用户Preferred User、不感兴趣用户Non-interested User、以及恶意用户MaliciousUser,针对平台推送的信息Information Push,这三类用户的行为分别为提出反馈报价Reply Budget、不参与和反馈报价Reply Budget。
下面以图1所示模型以某地区环境温度检测任务为例说明本发明的实施过程。
在某地区环境温度检测的群智感知任务中,任务的推送消息如果推送给不感兴趣的用户,用户不会参与此次群智感知活动,也因此得不到用户的反馈报价,所以平台并不希望将任务的推送消息发送给这类群体;当任务推送给恶意用户群体时,这部分用户虽说会对当前活动进行报价竞选工作,但由于这部分群体感知数据的可靠性较低或者为纯噪声数据,因此平台也不希望将任务推送消息下发给这类群体。而对于正常用户,他们会针对平台的任务推送消息提交自己的报价信息,而当平台根据他们的报价以及历史提交的数据质量情况,挑选出最终参与感知任务的用户群体进行任务感知活动时,最终被选择的用户群体会将采集的环境温度信息提交给平台,也会从平台处获取一定的酬金作为回报。下面以此任务场景为例说明本发明的实施过程。
一种在群智感知系统中推荐用户的有效方法,包括以下步骤:
步骤一、获取用户在群智感知系统中的数据质量信息;
步骤二、量化每个用户与每个任务的特征向量,并根据步骤一中所获得的数据质量信息,建立用户-任务数据质量矩阵;
令At表示第t个任务的特征向量,向量具有M个维度,每个维度表示任务某一方面的特征,特征的取值限定在某个范围内,同理,将第i个用户的特征使用特征向量Ui表示,其维度大小为C。建立用户任务数据质量矩阵F,其元素值f(t,i)表示用户i完成任务t的数据质量。
本实施例中对于f(t,i)值的设定根据用户历史参与情况以及完成任务的历史数据质量信息进行,具体如下:首先将用户划分为四种:新用户,从未回复该任务报价信息的用户,提交报价但从未被选中的用户以及具有历史参与数据的用户;然后根据用户种类的不同对f(t,i)进行赋值:前三种用户没有参与过任务,对其历史数据质量情况不做赋值,使用其他方式对用户标注以便区分,第四种用户的数据质量依据历史实际参与情况赋值。
本领域技术人员知道,不限于上述实施例所述,对f(t,i)的赋值可以根据实际应用场景进行相应的变化,只要能够使其充分反映历史上参与该任务的完成质量情况即可。
步骤三、依据步骤二得到的用户-任务数据质量矩阵对当前任务t的参与用户进行筛选处理,获得合法的用户群体进行任务消息推送。
本实施例中所述筛选处理,即对任务消息推送的用户群体的推荐的过程(UFBC)如下:
1)首先,令全体用户U为任务t的推荐用户Xt;
2)统计所有用户的所有特征空间取值ft(U);
3)依次取值v∈ft(U),统计其在当前任务t的合法用户数量Spf(v)以及非法用户数量Siv(v);
4)如果Siv(v)/(Spf(v)+Siv(v))的值大于预设用户属性判定阈值μ,转步骤5),否则转步骤6);
5)剔除掉Xt中维度取值为v的所有用户,并将剩余用户群体赋给Xt;
6)从ft(U)中剔除特征v,如果ft(U)不为空,转到步骤3),否则转步骤7);
7)将所有与当前任务t相似度大于λ的任务添加到集合T中;
8)依次取任务a∈T,查看所有的用户i∈Xt,如果其对应的数据质量F(a,i)值小于预设阈值γ,将其从Xt中剔除掉;
9)从任务集合T中剔除任务a,如果T不为空转到步骤8),否则转步骤10);
10)返回推荐用户群体Xt。
本领域技术人员知道,不限于上述UFBC用户筛选过程,只要选取用户时能够充分考虑用户在参与与本任务相似任务的完成质量情况以及历史上参与此任务的完成质量情况即可。
所述合法用户在本实施例中设置为用户i在任务t中的历史数据质量高于预设数据质量γ,即f(t,i)≥γ的用户,非法用户在本实施例中设置为用户i在任务t中的历史数据质量低于预设数据质量γ,即f(t,i)<γ,或用户i在任务t中未针对任务消息推送进行回复的用户。当然,本领域技术人员知道,不限于此,可以根据实际应用场景对其进行符合实际情况的定义。
所述任务间的相似度在本实施例中采用海明距离度量,如果两个任务在同一维度上取值不同,海明距离加1,相似度ρ=(任务特征总维度-海明距离)/任务特征总维度。当然,本领域技术人员知道,不限于此,可以采用现有适合于确定两个向量相似度的任务方法来衡量任务间的相似度。步骤四、根据步骤三推荐群体Xt中用户的报价情况,依据步骤二所得的用户-任务数据质量矩阵F,获得临时用户-任务数据质量矩阵L,再依据用户在L中的当前任务中的临时数据质量值,以及当前已选取参与用户群体Pt的规模计算用户参与任务给平台创造的价值,减去其报价,获取用户给平台创造的净利润,并依据该净利润选取最终的参与用户群体Pt执行该任务,使得群智感知系统的平台利益最高;即对提交报价的用户群体以及用户的数据质量所创造的价值进行评估,依据给平台创造的净利润进行参与用户的最终挑选。
本实施例中Pt的构建,即对用户的最终招聘过程如下:
1)首先令招聘选择用户集合Pt为空集φ;
2)根据Xt中用户在当前任务的临时数据质量值l(t,i)(矩阵L中第t行第i列的元素值)以及当前Pt的规模计算用户创造的价值;
3)计算Xt中每个用户给平台创造的净利润值et,按照降序排列;
4)选取净利润值最大的用户i,如果其净利润et(i)>0,转步骤5),否则转步骤6);
5)从Xt中剔除用户i,并将用户i添加到Pt中,如果Xt不为空,转步骤2),否则转步骤6);
6)返回招聘用户集合Pt。
本实施例中,所述临时用户-任务数据质量矩阵L根据用户-任务数据质量矩阵F获得,若f(t,i)表示用户i在任务t的真实数据质量情况,则l(t,i)=f(t,i),若f(t,i)表示用户i在任务t的参与情况,即用户i为任务t的新用户,从未被选择的用户或者从未做出回复的用户,则l(t,i)=β,β为预设的期望数据质量值。当然,本领域技术人员知道,不限于此,对于历史上未参与过该任务的用户的赋值根据实际应用场景可以进行相应的变化,如对于不同类别的用户赋予表征该类用户参与任务可能的数据质量。
本实施例中用户给平台创造的价值可根据其数据质量值以及当前已选用户集合Pt的规模得到,此处具体为用户i创造的价值v(i)=S(X)×g(i),其中S(X)为子模型函数,X为被选择用户群体,随着X规模的增大而减小,值域为[0,1],g(i)为用户i数据质量对应的原始价值,g(i)=ζ×1/(1+e(q(i)-σ)/σ×5),其中ζ为用户所能创造的最大价值,q(i)为用户的数据质量信息,即在任务t中q(i)=l(t,i),σ为数据质量取值空间的中值。当然,本领域技术人员知道,不限于此,此价值亦可以根据用户的参与任务时间长度或者用户所在区域进行计算。
步骤五、当Pt中的用户执行完任务,向平台反馈任务数据,平台评估任务数据的质量情况,并依据该质量以及用户历史参与该任务的数据质量情况,对f(t,i)值进行更新。更新后的矩阵F作为下一次执行任务时步骤三和步骤四用户筛选以及用户招聘的依据。
本实施例中当用户i向平台返回执行当前任务t的数据后,平台依据用户的数据评估其此次任务执行过程的真实的数据质量信息f'(t,i),并依据f'(t,i)对f(t,i)进行更新,如果用户i是新参与用户则f(t,i)=f'(t,i),如果用户i是曾经参与过任务t具有历史数据质量的用户,按照一定的比例对历史数据质量和执行此次任务的数据质量进行权重划分得到最新的用户在该任务中的数据质量,即f(t,i)=(1-w)f(t,i)+wf'(t,i),w代表用户执行本次任务反馈数据质量的权重。
当然,本领域技术人员知道,不限于此,对f(t,i)的更新可以结合具体任务设定,只要其能够反映历史参与任务后完成质量情况即可。本发明通过提出基于用户兴趣度以及数据质量的联合推荐方法,对拥有大量注册用户以及多任务的群智感知系统有效的推荐高数据质量用户使得群智感知系统平台在发布任务时的平台利益最大化。通过特定的用户推荐算法选取任务推送用户,根据反馈得到的用户报价信息及预测的数据质量来选取最终参与任务的用户,使得群智感知系统的平台在任务执行过程中平台收益最大。
实验结果
为了验证本发明的有益效果,对本实施例进行仿真验证。
随机生成群智感知系统中的任务集A与用户集B,其中任务集A包含243个任务,每个任务用5维特征向量表示,每个特征有3个取值,任务特征向量可由任务的规模,重要程度,任务类型等进行划分,任务规模可细分为大中小,重要程度可分为一般重要、重要以及非常重要,任务类型可分为室内、室外以及混合等。用户特征向量可由用户的年龄区间,性别,职位以及地区等特征进行描述,因此用户特征用户空间取值ft(B)=[0~10,11~20,21~30,男,女,学生,教师,…],但不局限于次。在本实例中,用户集B的用户用6维特征向量表示,每个维度有6个取值。用户集B的群体数量取值空间为0~3000,每隔100取一个数值。任务相似度λ的取值为0.8,非法无兴趣用户属性判定的阈值μ为0.7。测试用户分为4种不同的类型,新用户,无兴趣用户,有兴趣但从未被选中用户,具有历史参与数据的用户的比例为5:25:2:68,为了更符合现实情况,其中68%具有历史参与数据的用户中包含恶意用户和正常用户两种,比例为8:60。恶意用户的数据质量为取值位于(0,10)区间,符合均值为3.5,方差为1的正态分布,正常用户的数据质量为取值位于(0,10)区间,符合均值为6方差为1的正态分布。用户报价符合均值为60,方差为100的正态分布,预设的用户数据质量阈值γ为5,本方案中,我们认为上传数据的数据质量低于预设数据质量阈值γ的用户为恶意用户。每个任务信息推送开销为1,用户任务创造的最大价值为200,在任务t中,对于新用户、无兴趣用户以及从未被选中用户,令f(t,i)取值分别为-3,-2,-1进行区分,当对这类用户进行最终选择时,令l(t,i)=5。实验随机生成并构建了200个不同的群智感知系统平台,在每个平台上运行,实验所得结果为本发明在这200个系统平台上运行结果的平均值。
本实施中对于用户的反馈数据仅关心其数据质量信息,对于用户i的数据质量q(i)到其创造价值的映射为S(X)×200×1/(1+eq(i)-5),其中S(X)为子模型函数,X为被选择用户群体,随着X的增大而减小,在此次实施中S(X)=(1-|X|/2000)20,其中|X|表示集合X中元素的个数。实验设置群智感知系统用户集和任务集为本发明的输入,最终的推荐用户集和招聘用户集为本发明两个阶段的输出。
图4与图5分别为在群智感知系统中,UFBC处理不同规模的用户群体时,平台的收益以及平均收集数据质量的变化曲线。图中横坐标为注册用户的规模,纵坐标分别为平台的收益以及任务的平均数据质量。并使用CBR和PG算法进行比较。其中CBR算法为使用基于内容的推荐用户方法,仅考虑用户的兴趣度以及单任务下的用户数据质量信息。PG算法为仅考虑用户报价,不关心用户兴趣度以及数据质量的算法。由图4可知,利用UFBC算法,当用户规模为1100时,使用CBR与UFBC算法,平台的收益都大约为4500,但随着用户规模的不断增加,UFBC算法的平台收益仍在不断增加,而CBR算法的平台收益却在减少,当用户规模达到3000时,UFBC算法对应的平台收益比CBR算法对应的平台收益高1000左右。图5显示平台收集到的平均任务数据质量在任何用户规模情况下UFBC算法均比CBR算法要高。
综上所述,本发明提出的基于推荐系统思想的有效用户推荐方法,能够有效提高群智感知系统的平台收益。
以上所述的具体实例是对本发明的进一步解释说明,并不用于限定本发明的保护范围,凡在本发明原则和精神之内,所做的更改和等同替换都应是本发明的保护范围之内。
Claims (8)
1.一种在群智感知系统中推荐用户的有效方法,其特征在于:包括以下步骤:
步骤一:获取用户在群智感知系统中的数据质量信息,该质量信息由用户历史参与情况以及完成不同任务的历史数据质量信息衡量;
步骤二:量化每个用户与每个任务的特征向量,并根据步骤一中所获得的数据质量信息,建立用户-任务数据质量矩阵F,其第t行第i列值f(t,i)表示用户i完成任务t的数据质量,其中t∈{1,2,...,m},m表示任务数,i∈{1,2,...,n},n表示用户数;
步骤三:依据步骤二得到的F对当前任务t的参与用户进行筛选处理,获得推荐用户群体Xt进行任务消息推送;
所述筛选处理,即对任务消息推送的用户群体的推荐的过程(UFBC)如下:
1)首先,令全体用户U为任务t的推荐用户Xt;
2)统计所有用户的所有特征空间取值ft(U);
3)依次取值v∈ft(U),统计其在当前任务t的合法用户数量Spf(v)以及非法用户数量Siv(v);
4)如果Siv(v)/(Spf(v)+Siv(v))的值大于预设的用户属性判定阈值μ,转步骤5),否则转步骤6);
5)剔除掉Xt中维度取值为v的所有用户,并将剩余用户群体赋给Xt;
6)从ft(U)中剔除特征v,如果ft(U)不为空,转到步骤3),否则转步骤7);
7)将所有与当前任务t相似度大于λ的任务添加到集合T中;
8)依次取任务a∈T,查看所有的用户i∈Xt,如果其对应的数据质量F(a,i)值小于预设的数据质量阈值γ,将其从Xt中剔除掉;
9)从任务集合T中剔除任务a,如果T不为空转到步骤8),否则转步骤10);
10)返回推荐用户群体Xt;
步骤四:根据步骤三推荐群体Xt的用户报价情况,依据步骤二所得的用户-任务数据质量矩阵F,获得临时用户-任务数据质量矩阵L,再依据用户在L中的当前任务中的临时数据质量值,以及当前已选取参与用户群体Pt的规模计算用户参与任务给平台创造的价值,减去其报价,获取用户给平台创造的净利润,并依据该净利润选取最终的参与用户群体Pt执行该任务,使得群智感知系统的平台利益最高;即对提交报价的用户群体以及用户的数据质量所创造的价值进行评估,依据给平台创造的净利润进行参与用户的最终挑选;
步骤五:当Pt中的用户执行完任务,向平台反馈任务数据,平台评估任务数据的质量情况,并依据该质量以及用户历史参与该任务的数据质量情况,对f(t,i)值进行更新。
2.根据权利要求1所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述f(t,i)的取值根据用户种类的不同分别赋值,具体如下:首先将用户划分为如下四种:新用户,从未回复该任务报价信息的用户,提交报价但从未被选中的用户以及具有历史参与数据的用户;然后,对前三种没有参与过该任务的用户,数据质量分别赋值以区别于参与过该任务的数据质量值,对于第四种用户,其数据质量依据历史完成任务情况赋值。
3.根据权利要求1所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述非法用户为满足以下条件的用户:用户i在任务t中的历史数据质量低于预设数据质量γ,即f(t,i)<γ,或用户i在任务t中未针对任务消息推送进行回复;所述合法用户为满足以下条件的用户:用户i在任务t中的历史数据质量高于预设数据质量γ,即f(t,i)≥γ。
4.根据权利要求1所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述任务间的相似度采用海明距离计算,即两个任务在同一维度上取值不同时,海明距离加1,相似度ρ=(任务特征总维度-海明距离)/任务特征总维度。
5.根据权利要求1所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述Pt的构建,即对用户的最终招聘过程如下:
1)首先令招聘选择用户集合Pt为空集φ;
2)根据Xt中用户在当前任务的临时数据质量值l(t,i)以及当前Pt的规模计算用户给平台创造的价值;
3)计算Xt中每个用户给平台创造的净利润值et,按照降序排列;
4)选取净利润值最大的用户i,如果其净利润et(i)>0,转步骤5),否则转步骤6);
5)从Xt中剔除用户i,并将用户i添加到Pt中,如果Xt不为空,转步骤2),否则转步骤6);
6)返回招聘用户集合Pt。
6.根据权利要求1或5所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述临时用户-任务数据质量矩阵L根据用户-任务数据质量矩阵F获得,若f(t,i)表示用户i在任务t的真实数据质量情况,则l(t,i)=f(t,i),若f(t,i)表示用户i在任务t的参与情况,即用户i为任务t的新用户,从未被选择的用户或者从未做出回复的用户,则l(t,i)=β,β为预设的期望数据质量值。
7.根据权利要求1或5所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述用户给平台创造的价值可根据其数据质量值以及当前已选用户集合Pt的规模得到。
8.根据权利要求1-7任一所述的一种在群智感知系统中推荐用户的有效方法,其特征在于:所述f(t,i)的更新过程如下:当用户i向平台返回执行当前任务t的数据后,平台依据用户的数据评估其此次任务执行过程的真实的数据质量信息f'(t,i),并依据f'(t,i)对f(t,i)进行更新,如果用户i是新参与用户则f(t,i)=f'(t,i),如果用户i是曾经参与过任务t具有历史数据质量的用户,按照一定的比例对历史数据质量和执行此次任务的数据质量进行权重划分得到最新的用户在该任务中的数据质量,即f(t,i)=(1-w)f(t,i)+wf'(t,i),w代表用户执行本次任务反馈数据质量的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711431463.3A CN108038622B (zh) | 2017-12-26 | 2017-12-26 | 一种群智感知系统推荐用户方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711431463.3A CN108038622B (zh) | 2017-12-26 | 2017-12-26 | 一种群智感知系统推荐用户方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038622A CN108038622A (zh) | 2018-05-15 |
CN108038622B true CN108038622B (zh) | 2022-01-28 |
Family
ID=62101402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711431463.3A Active CN108038622B (zh) | 2017-12-26 | 2017-12-26 | 一种群智感知系统推荐用户方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038622B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920953A (zh) * | 2018-06-16 | 2018-11-30 | 温州职业技术学院 | 一种恶意软件检测方法及系统 |
CN109347924A (zh) * | 2018-09-20 | 2019-02-15 | 西北大学 | 一种基于群智感知的推荐方法 |
CN109831531B (zh) * | 2019-03-15 | 2020-05-05 | 河北冀联人力资源服务集团有限公司 | 求职简历推送方法与装置以及任务推送方法与装置 |
CN110232148B (zh) * | 2019-04-16 | 2023-01-10 | 创新先进技术有限公司 | 项目推荐系统、方法以及装置 |
CN110837604B (zh) * | 2019-10-16 | 2020-12-25 | 贝壳找房(北京)科技有限公司 | 基于住房监控平台的数据分析方法及装置 |
CN113344464A (zh) * | 2021-07-12 | 2021-09-03 | 哈尔滨理工大学 | 面向移动群智感知系统的任务与用户潜在关系挖掘方法 |
CN114185651A (zh) * | 2021-12-16 | 2022-03-15 | 哈尔滨理工大学 | 一种融合多模态信息的移动群智感知任务推荐方法 |
CN114978550B (zh) * | 2022-05-25 | 2023-05-16 | 湖南第一师范学院 | 一种基于历史数据回溯的可信数据感知方法 |
CN115358781B (zh) * | 2022-08-22 | 2023-04-07 | 陕西师范大学 | 基于有限理性决策模型的群智感知噪声监测任务推荐方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN107066322A (zh) * | 2017-02-28 | 2017-08-18 | 吉林大学 | 一种面向自组织群智感知系统的在线任务分派方法 |
-
2017
- 2017-12-26 CN CN201711431463.3A patent/CN108038622B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
CN107066322A (zh) * | 2017-02-28 | 2017-08-18 | 吉林大学 | 一种面向自组织群智感知系统的在线任务分派方法 |
Non-Patent Citations (1)
Title |
---|
When User Interest Meets Data Quality: A Novel User Filter Scheme for Mobile Crowd Sensing;Wensheng Li 等;《2017 IEEE 23rd International Conference on Parallel and Distributed Systems》;20171217;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038622A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038622B (zh) | 一种群智感知系统推荐用户方法 | |
CN110457589B (zh) | 一种车辆推荐方法、装置、设备及存储介质 | |
Guan et al. | Matrix factorization with rating completion: An enhanced SVD model for collaborative filtering recommender systems | |
Kim et al. | Agent-based diffusion model for an automobile market with fuzzy TOPSIS-based product adoption process | |
CN110309923B (zh) | 横向联邦学习方法、装置、设备及计算机存储介质 | |
Anderson | The dynamics of risk-sensitive allocations | |
Tran | Agent-behaviour and network influence on energy innovation diffusion | |
WO2018126953A1 (zh) | 种子人群扩散方法、装置、信息投放系统以及存储介质 | |
CN110503531A (zh) | 时序感知的动态社交场景推荐方法 | |
CN111967971B (zh) | 银行客户数据处理方法及装置 | |
Wang et al. | Using ordinal data to estimate cardinal values | |
CN111581516A (zh) | 投资产品的推荐方法及相关装置 | |
CN109559033B (zh) | 一种面向云设计制造模式的社交化团队成员优选方法 | |
CN108734499B (zh) | 推广信息效果分析方法及装置、计算机可读介质 | |
Hu et al. | Incentive-aware autonomous client participation in federated learning | |
CN103198432A (zh) | 在线社会网络中网络群体的检测方法及系统 | |
CN112669084B (zh) | 策略确定方法、设备及计算机可读存储介质 | |
Karabulut et al. | The value of adaptive menu sizes in peer-to-peer platforms | |
Wobcke et al. | A deployed people-to-people recommender system in online dating | |
Alekseev et al. | Deciphering the noise: The welfare costs of noisy behavior | |
CN113688306A (zh) | 一种基于强化学习的推荐策略生成方法及装置 | |
CN111625287B (zh) | 基于诱饵效应的雾节点任务卸载方法、系统、介质及设备 | |
Peng et al. | Monoculture in matching markets | |
CN104540171A (zh) | 一种无线传感器网络及其节点任务分配方法 | |
Li et al. | When user interest meets data quality: A novel user filter scheme for mobile crowd sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |