CN109544261A - 一种基于扩散和数据质量的群智感知激励方法 - Google Patents
一种基于扩散和数据质量的群智感知激励方法 Download PDFInfo
- Publication number
- CN109544261A CN109544261A CN201811153121.4A CN201811153121A CN109544261A CN 109544261 A CN109544261 A CN 109544261A CN 201811153121 A CN201811153121 A CN 201811153121A CN 109544261 A CN109544261 A CN 109544261A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- affected
- social
- tasks
- 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.)
- Pending
Links
- 230000008447 perception Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009792 diffusion process Methods 0.000 title claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 abstract description 2
- 208000015181 infectious disease Diseases 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008566 social perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于扩散和数据质量的群智感知激励方法。该方法具体包括:平台根据社交网络中兴趣社区的社会关系选择一组初始的扩散者;平台发布一组任务集合给这些初始的扩散者;扩散者根据任务扩散模型进行影响力传播,感染用户参与感知任务;所有受感染用户向众包平台提交一个含有报价的标书,众包平台为每个受感染用户的历史数据进行质量评估,然后根据单位质量成本选择获胜者,并计算获胜的用户报酬。本发明所提方法满足个体理性,防欺骗性,计算有效性和单位质量成本最优性,可用于参与用户数较少的移动群智感知系统。
Description
技术领域
本发明涉及一种群智感知激励方法,尤其涉及一种基于扩散和数据质量的群智感知激励方法。
背景技术
移动群智感知是利用普通用户的移动感知设备,通过移动互联网,进行协作完成复杂的大型社会感知任务的有效方法。但是大多数的群智感知的模型都假设已经有大量的用户存在于移动群智感知的系统中。但现有的大多数群智感知系统的注册用户数并不多,尤其是活跃用户数仅占总用户数的很少比例。
移动群智感知应用的成功与否很大程度上取决于是否有一群合格的用户可以被招募来执行感知任务。因此,用户的数据质量就至关重要。用户可能受到感知任务的困难度、移动传感器的不同特征、任务指令的清晰性以及个体参与者的专业知识和意愿的影响,很可能提交不同质量的传感数据。此外,理性的参与者在做感知任务时,往往会策略性地减少他们的努力,从而降低感知数据的质量。但是,低质量的数据对于平台是没意义的。
发明内容
发明目的:针对现有技术中的缺陷,本发明提供一种基于扩散和数据质量的群智感知激励方法,以解决活跃用户较少和用户数据质量较低的移动群智感知系统问题,并且满足个体理性,防欺骗性,计算有效性和单位质量成本最优性。
技术方案:本发明的基于扩散和数据质量的群智感知激励方法包括以下步骤:
步骤1:众包平台根据社交网络选择特定的兴趣社区,根据兴趣社区中的社会关系从兴趣社区的所有用户集合I中选择初始扩散用户集合D,设定初始扩散用户的最大数目γmax,根据初始扩散用户集合D确定受影响用户集合U(D);
步骤2:众包平台发布一个任务集合T={t1,...,tm},m为任务总数,并设定任一任务tj∈T的任务门限wj,其中任务门限表示完成相应任务至少需要的人数;
步骤3:受影响用户集合U(D)中的每个受影响用户提交一个标书Bi=(Ti,bi),其中为受影响用户i愿意完成的任务集合;bi为受影响用户i执行任务集合Ti中任务想要获得的最少报酬;
步骤4:众包平台根据所有受影响用户的历史感知数据预测每个受影响用户的数据质量,其中任一受影响用户i的数据质量记为qi;
步骤5:众包平台基于预测结果从受影响用户集合U(D)中计算获胜者集合S,并通知每个获胜者;
步骤6:在获胜者完成自己愿意完成的任务后,众包平台计算并支付每个获胜者的报酬。
进一步地,步骤1具体包括如下步骤:
步骤11:计算兴趣社区I中每一用户对其各个社交邻居的影响力:
piv=Jac(i,v),
其中,piv和ωiv分别为在级联模型中和在线型模型中兴趣社区中用户i对其在兴趣社区中社交邻居v的影响力,N(i)和N(v)分别表示所述用户i和所述社交邻居v的社交邻居集合;Jac(i,v)为杰卡德相似度;
步骤12:对初始扩散用户集合D和受影响用户集合U(D)初始化: 令γ=γmax;
步骤13:计算集合I\D中每个用户的边际影响力:σh(D)=σ(D∪{h})-σ(D),其中σh(D)表示当前集合I\D中用户h的边际影响力,σ(D)表示当前集合D中所有用户的受影响用户数;将集合I\D中边际影响力最大的用户记为u,令D=D∪{u}以更新初始扩散用户集合D,并令γ=γ-1;
其中,通过以下方式确定任一社交邻居v是否为受影响用户:如果是线性模型,社交邻居v受到的总影响力Σi∈N(v)ωiv大于社交邻居v的影响力门限δv时,社交邻居v为受影响用户;如果是级联模型,兴趣社区中用户i对社交邻居v的影响力piv表示社交邻居v被影响的概率,社交邻居v以概率piv成为受影响用户;如果社交邻居v确定为受影响用户,则令U(D)=U(D)∪{v};
步骤14:当γ不为0时,重复步骤13。
进一步地,步骤4具体包括如下步骤:
步骤41:根据所有受影响用户的历史感知数据,计算任务集合T中每个任务对应的受影响用户历史感知数据的平均值、中位数和截尾均值,其中任一任务tj的所有受影响用户历史感知数据的平均值、中位数和结尾均值分别记为avgj、midj和trimj;
步骤42:分别计算所有受影响用户对任务tj的平均值指标向量中位数指标向量和截尾均值指标向量
其中表示的是受影响用户i对任务tj的当前感知数据,n为受影响用户的总数;
步骤43:按照非递增的顺序,将采用质量评估指标k对受影响用户i执行任务tj进行评估所得的排名记为k=1,2,3分别对应步骤301中定义的平均值avgj,中位数midj和截尾均值trimj;
步骤44:计算所有受影响用户的数据质量;其中任一受影响用户i的数据质量qi通过下式计算:
进一步地,在步骤5中,众包平台计算获胜者集合S的步骤如下:
步骤51:初始化获胜者集合:初始化剩余任务集合:T′=T;对T′中任一任务tj,令实时所需人数w'j=wj;
步骤52:检查剩余任务集合T′是否为空;如果为空,则执行步骤53至步骤55;反之则返回集合S,不再执行后续步骤;
步骤53:通过下式计算集合U(D)\S中任一受影响用户d的成本:
其中Td表示用户d的愿意完成任务集合;
步骤54:将集合U(D)\S中成本值最小的受影响用户记为c,将c并入获胜者集合S:S=S∪{c};
步骤55:对T′∩Tc中的每个任务tj,更新任务门限w'j=w'j-1,如果w'j=0,则将任务tj从剩余任务集合T′中删除,执行步骤52至步骤55。
进一步地,在步骤6中,众包平台计算获胜者集合S中任一获胜者r的报酬pr包括如下步骤:
步骤61:对集合U(D)中任一受影响用户r,令其报酬pr=0;
步骤62:对于集合S中获胜者r,令U'(D)=U(D)\{r},初始化剩余任务集合T”=T,对T”中的任一任务tj,令实时所需人数w”j=wj;
步骤63:检查剩余任务集合T″是否为空;如果为空,则返回获胜者r的报酬pr,不再执行后续步骤;反之则执行后续步骤;
步骤64:对集合U′(D)\S'中的任一用户x计算成本值找到成本值最小的用户rx;
步骤65:令S'=S'∪{rx};令Tr为集合U(D)中所述受影响用户r愿意完成的任务集合,Trx为集合U(D)中所述受影响用户rx愿意完成的任务集合;brx为所述用户rx执行任务集合Trx中任务想要获得的最少报酬;qr为所述用户r的数据质量,qrx为所述用户rx的数据质量;
步骤66:对所有T”∩Trx中的任一任务tj,更新任务门限w”j=w”j-1,如果w”j=0,则将tj从剩余任务集合T”中删除,并执行步骤63至步骤66。
有益效果:本发明与现有技术相比,其优点为:
1、在群智感知架构设计层面提出综合性的方法,同时解决只有少量活跃用户参与群智感知任务和参与者数据质量低下的问题;
2、提供了一种初始扩散者选择的算法,能够适应两个很流行的扩散模型。
3、提出了一种基于秩和比(RSR)的轻量级、多指标、无参数的质量评估方法。
4、基于扩散和数据质量的群智感知激励方法是个人理性的,即平台支付给每个获胜者的报酬数额一定大于等于该受影响用户所需耗费的真实代价,因此对于吸引大量用户参与群智感知任务具有积极作用;
5、基于扩散和数据质量的群智感知激励方法是防欺骗的,当其他受影响用户都提交自身的真实报价时,即使某个用户采取某种策略虚报报价,也不会使得该用户的效用变高,因此所有受影响用户倾向于提交自身的真实的报价。
附图说明
图1是本发明中众包平台和所有受影响用户之间体现为一个反向拍卖执行流程;
图2是本发明中众包平台选择初始扩散者的流程;
图3是本发明中众包平台评估每个受影响用户数据质量的流程;
图4是本发明中众包平台计算获胜者集合S的执行流程;
图5是本发明中众包平台计算每个用户i∈S的报酬pi的执行流程。
具体实施方式
本发明中移动群智感知方法涉及众包平台和社交网络中的各个兴趣社区。众包平台根据社交网络中兴趣社区的社会关系选择一组初始的扩散者;平台发布一组任务集合给这些初始的扩散者;扩散者根据任务扩散模型进行影响力传播,从而影响用户来参与感知任务;所有受影响用户向众包平台提交一个含有报价的标书,众包平台为每个受感染用户的历史数据进行质量评估,然后根据单位质量成本选择获胜者,并计算获胜的用户报酬。
名词说明:
众包平台:用于将任务发布在互联网上,并从互联网上选择参与者完成任务的平台。本发明中众包平台隶属于某个社交网络网站,众包平台的初始扩散者是社交网络用户的子集。众包平台可以获得一定的社交网络信息,如社交网络的拓扑结构等。
获胜者:由本发明所提出的激励机制方法选择出来的获胜者集合,是众包任务的最终完成者。
用户的效用:用户获得的报酬与付出的成本的差值。在防欺骗的激励方法中,用户的成本等于用户的报价。
下面结合附图对本发明的技术方案作进一步详细的说明:
如图1,在本发明的基于扩散和数据质量的群智感知激励方法中,众包平台和受影响用户之间体现为一个反向拍卖过程,步骤如下:
步骤1:众包平台根据社交网络选择特定的兴趣社区,根据兴趣社区中的社会关系从兴趣社区的所有用户集合I中选择初始扩散用户集合D,设定初始扩散用户的最大数目γmax,根据初始扩散用户集合D确定受影响用户集合U(D);
步骤2:众包平台发布一个任务集合T={t1,...,tm},m为任务总数,并设定任一任务tj∈T的任务门限wj,其中任务门限表示完成相应任务至少需要的人数;
步骤3:受影响用户集合U(D)中的每个受影响用户提交一个标书Bi=(Ti,bi),其中为受影响用户i愿意完成的任务集合;bi为受影响用户i执行任务集合Ti中任务想要获得的最少报酬;
步骤4:众包平台根据所有受影响用户的历史感知数据预测每个受影响用户的数据质量,其中任一受影响用户i的数据质量记为qi;
步骤5:众包平台基于预测结果从受影响用户集合U(D)中计算获胜者集合S,并通知每个获胜者;
步骤6:在获胜者完成自己愿意完成的任务后,众包平台计算并支付每个获胜者的报酬。
如图2,步骤1的具体步骤如下:
步骤11:计算兴趣社区I中每一用户对其各个社交邻居的影响力:
piv=Jac(i,v),
其中,piv和ωiv分别为在级联模型中和在线型模型中兴趣社区中用户i对其在兴趣社区中社交邻居v的影响力,N(i)和N(v)分别表示所述用户i和所述社交邻居v的社交邻居集合;Jac(i,v)为杰卡德相似度;
步骤12:对初始扩散用户集合D和受影响用户集合U(D)初始化: 令γ=γmax;
步骤13:计算集合I\D中每个用户的边际影响力:σh(D)=σ(D∪{h})-σ(D),其中σh(D)表示当前集合I\D中用户h的边际影响力,σ(D)表示当前集合D中所有用户的受影响用户数;将集合I\D中边际影响力最大的用户记为u,令D=D∪{u}以更新初始扩散用户集合D,并令γ=γ-1;
其中,通过以下方式确定任一社交邻居v是否为受影响用户:如果是线性模型,社交邻居v受到的总影响力∑i∈N(v)ωiv大于社交邻居v的影响力门限δv时,社交邻居v为受影响用户;如果是级联模型,兴趣社区中用户i对社交邻居v的影响力piv表示社交邻居v被影响的概率,社交邻居v以概率piv成为受影响用户;如果社交邻居v确定为受影响用户,则令U(D)=U(D)∪{v};
步骤14:当γ不为0时,重复步骤13。
如图3,步骤4具体包括如下步骤:
步骤41:根据所有受影响用户的历史感知数据,计算任务集合T中每个任务对应的受影响用户历史感知数据的平均值、中位数和截尾均值,其中任务tj的所有受影响用户历史感知数据的平均值、中位数和结尾均值分别记为avgj、midj和trimj;
步骤42:分别计算所有受影响用户对任务tj的平均值指标向量中位数指标向量和截尾均值指标向量
其中表示的是受影响用户i对任务tj的当前感知数据,n为受影响用户的总数;
步骤43:按照非递增的顺序,将采用质量评估指标k对受影响用户i执行任务tj进行评估所得的排名记为k=1,2,3分别对应步骤301中定义的平均值avgj,中位数midj和截尾均值trimj;
步骤44:计算所有受影响用户的数据质量;其中任一受影响用户i的数据质量qi通过下式计算:
如图4,在步骤5中,众包平台计算获胜者集合S的步骤如下:
步骤51:初始化获胜者集合:初始化剩余任务集合:T′=T;对T′中任一任务tj,令实时所需人数w'j=wj;
步骤52:检查剩余任务集合T′是否为空;如果为空,则执行步骤53至步骤55;反之则返回集合S,不再执行后续步骤;
步骤53:通过下式计算集合U(D)\S中任一受影响用户d的成本:
其中Td表示用户d的愿意完成任务集合;
步骤54:将集合U(D)\S中成本值最小的受影响用户记为c,将c并入获胜者集合S:S=S∪{c};
步骤55:对T′∩Tc中的每个任务tj,更新任务门限w'j=w'j-1,如果w'j=0,则将任务tj从剩余任务集合T′中删除,执行步骤52至步骤55。
如图5,在步骤6中,众包平台计算获胜者集合S中任一获胜者r的报酬pr的步骤如下:
步骤61:对集合U(D)中任一受影响用户r,令其报酬pr=0;
步骤62:对于集合S中获胜者r,令U'(D)=U(D)\{r},初始化剩余任务集合T”=T,对T”中的任一任务tj,令实时所需人数w”j=wj;
步骤63:检查剩余任务集合T″是否为空;如果为空,则返回获胜者r的报酬pr,不再执行后续步骤;反之则执行后续步骤;
步骤64:对集合U′(D)\S'中的任一用户x计算成本值找到成本值最小的用户rx;
步骤65:令S'=S'∪{rx};令Tr为集合U(D)中所述受影响用户r愿意完成的任务集合,Trx为集合U(D)中所述受影响用户rx愿意完成的任务集合;brx为所述用户rx执行任务集合Trx中任务想要获得的最少报酬;qr为所述用户r的数据质量,qrx为所述用户rx的数据质量;
步骤66:对所有T”∩Trx中的任一任务tj,更新任务门限w”j=w”j-1,如果w”j=0,则将tj从剩余任务集合T”中删除,并执行步骤63至步骤66。
关于本发明方法的个人理性和真实性:
1、本发明方法是个人理性的。在步骤65中,令rx为受影响用户r的替换,它出现在U(D)\{r}排序的第r个地方。由于如果r被考虑,rx不会在第r个地方,我们有:
于是等式的成立基于对于每个k≤i,s=s′,因此有T′=T″。这足以保证:
所以方法是个人理性的。
2、本发明的方法是真实的。首先可以证明步骤5所述的选择规则是单调的。选择规则的单调性很明显,因为出价较小的值不能将受影响的用户r在排序中的位置推后。
接下来证明每个受影响的用户r的支付pr是临界值。对于受到影响的用户r而言,pr是可以阻止r赢得拍卖的临界值。注意其中L是受到影响的用户r的最后一个替代者。如果受影响的用户i出价bi>pi,他将排在L之后,因为此时有即因此,受影响的用户r不会赢得该次拍卖,因为前L个受影响的用户已完成所有移动群智感知任务。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于扩散和数据质量的群智感知激励方法,其特征在于,包括如下步骤:
步骤1:众包平台根据社交网络选择特定的兴趣社区,根据兴趣社区中的社会关系从兴趣社区的所有用户集合I中选择初始扩散用户集合D,设定初始扩散用户的最大数目γmax,根据初始扩散用户集合D确定受影响用户集合U(D);
步骤2:众包平台发布一个任务集合T={t1,...,tm},m为任务总数,并设定任一任务tj∈T的任务门限wj,其中任务门限表示完成相应任务至少需要的人数;
步骤3:受影响用户集合U(D)中的每个受影响用户提交一个标书Bi=(Ti,bi),其中为受影响用户i愿意完成的任务集合;bi为受影响用户i执行任务集合Ti中任务想要获得的最少报酬;
步骤4:众包平台根据所有受影响用户的历史感知数据预测每个受影响用户的数据质量,其中任一受影响用户i的数据质量记为qi;
步骤5:众包平台基于预测结果从受影响用户集合U(D)中计算获胜者集合S,并通知每个获胜者;
步骤6:在获胜者完成自己愿意完成的任务后,众包平台计算并支付每个获胜者的报酬。
2.如权利要求1所述的群智感知激励方法,其特征在于,步骤1具体包括如下步骤:
步骤11:计算兴趣社区I中每一用户对其各个社交邻居的影响力:
piv=Jac(i,v),
其中,piv和ωiv分别为在级联模型中和在线型模型中兴趣社区中用户i对其在兴趣社区中社交邻居v的影响力,N(i)和N(v)分别表示所述用户i和所述社交邻居v的社交邻居集合;Jac(i,v)为杰卡德相似度;
步骤12:对初始扩散用户集合D和受影响用户集合U(D)初始化: 令γ=γmax;
步骤13:计算集合I\D中每个用户的边际影响力:σh(D)=σ(D∪{h})-σ(D),其中σh(D)表示当前集合I\D中用户h的边际影响力,σ(D)表示当前集合D中所有用户的受影响用户数;将集合I\D中边际影响力最大的用户记为u,令D=D∪{u}以更新初始扩散用户集合D,并令γ=γ-1;
其中,通过以下方式确定任一社交邻居v是否为受影响用户:
如果是线性模型,社交邻居v受到的总影响力∑i∈N(v)ωiv大于社交邻居v的影响力门限δv时,社交邻居v为受影响用户;
如果是级联模型,兴趣社区中用户i对社交邻居v的影响力piv表示社交邻居v被影响的概率,社交邻居v以概率piv成为受影响用户;
如果社交邻居v确定为受影响用户,则令U(D)=U(D)∪{v};
步骤14:当γ不为0时,重复步骤13。
3.如权利要求1所述的群智感知激励方法,其特征在于,步骤4具体包括如下步骤:
步骤41:根据所有受影响用户的历史感知数据,计算任务集合T中每个任务对应的受影响用户历史感知数据的平均值、中位数和截尾均值,其中任一任务tj的所有受影响用户历史感知数据的平均值、中位数和结尾均值分别记为avgj、midj和trimj;
步骤42:分别计算所有受影响用户对任务tj的平均值指标向量中位数指标向量和截尾均值指标向量
其中表示的是受影响用户i对任务tj的当前感知数据,n为受影响用户的总数;
步骤43:按照非递增的顺序,将采用质量评估指标k对受影响用户i执行任务tj进行评估所得的排名记为k=1,2,3分别对应步骤301中定义的平均值avgj,中位数midj和截尾均值trimj;
步骤44:计算所有受影响用户的数据质量;其中任一受影响用户i的数据质量qi通过下式计算:
4.如权利要求1所述的群智感知激励方法,其特征在于,在步骤5中,众包平台计算获胜者集合S的步骤如下:
步骤51:初始化获胜者集合:初始化剩余任务集合:T′=T;对T′中任一任务tj,令实时所需人数w'j=wj;
步骤52:检查剩余任务集合T′是否为空;如果为空,则执行步骤53至步骤55;反之则返回集合S,不再执行后续步骤;
步骤53:通过下式计算集合U(D)\S中任一受影响用户d的成本:
其中Td表示用户d的愿意完成任务集合;
步骤54:将集合U(D)\S中成本值最小的受影响用户记为c,将c并入获胜者集合S:S=S∪{c};
步骤55:对T′∩Tc中的每个任务tj,更新任务门限w'j=w'j-1,如果w'j=0,则将任务tj从剩余任务集合T′中删除,并执行步骤52至步骤55。
5.如权利要求1所述的群智感知激励方法,其特征在于,在步骤6中,众包平台计算获胜者集合S中任一获胜者r的报酬pr包括如下步骤:
步骤61:对集合U(D)中任一受影响用户r,令其报酬pr=0;
步骤62:对于集合S中获胜者r,令U'(D)=U(D)\{r},初始化剩余任务集合T”=T,对T”中的任一任务tj,令实时所需人数w”j=wj;
步骤63:检查剩余任务集合T″是否为空;如果为空,则返回获胜者r的报酬pr,不再执行后续步骤;反之则执行后续步骤;
步骤64:对集合U′(D)\S'中的任一用户x计算成本值找到成本值最小的用户rx;
步骤65:令S'=S'∪{rx};令Tr为集合U(D)中所述受影响用户r愿意完成的任务集合,Trx为集合U(D)中所述受影响用户rx愿意完成的任务集合;brx为所述用户rx执行任务集合Trx中任务想要获得的最少报酬;qr为所述用户r的数据质量,qrx为所述用户rx的数据质量;
步骤66:对所有T”∩Trx中的任一任务tj,更新任务门限w”j=w”j-1,如果w”j=0,则将tj从剩余任务集合T”中删除,并执行步骤63至步骤66。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811153121.4A CN109544261A (zh) | 2018-09-29 | 2018-09-29 | 一种基于扩散和数据质量的群智感知激励方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811153121.4A CN109544261A (zh) | 2018-09-29 | 2018-09-29 | 一种基于扩散和数据质量的群智感知激励方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544261A true CN109544261A (zh) | 2019-03-29 |
Family
ID=65841248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811153121.4A Pending CN109544261A (zh) | 2018-09-29 | 2018-09-29 | 一种基于扩散和数据质量的群智感知激励方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544261A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232517A (zh) * | 2019-06-06 | 2019-09-13 | 哈尔滨工程大学 | 一种移动群智感知用户收益选取方法 |
CN110366125A (zh) * | 2019-06-19 | 2019-10-22 | 武汉科技大学 | 时空覆盖及预算条件下的移动群智感知激励方法 |
CN112990728A (zh) * | 2021-03-26 | 2021-06-18 | 山东大学 | 一种基于特征信息的大规模群智感知任务分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310349A (zh) * | 2013-06-14 | 2013-09-18 | 清华大学 | 一种基于在线激励机制的感知数据获取方法 |
CN104850935A (zh) * | 2015-04-15 | 2015-08-19 | 南京邮电大学 | 一种以最小化支付为目标的移动群智感知激励方法 |
CN107688964A (zh) * | 2017-08-07 | 2018-02-13 | 南京邮电大学 | 一种用于大规模众包任务扩散的激励方法 |
-
2018
- 2018-09-29 CN CN201811153121.4A patent/CN109544261A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310349A (zh) * | 2013-06-14 | 2013-09-18 | 清华大学 | 一种基于在线激励机制的感知数据获取方法 |
CN104850935A (zh) * | 2015-04-15 | 2015-08-19 | 南京邮电大学 | 一种以最小化支付为目标的移动群智感知激励方法 |
CN107688964A (zh) * | 2017-08-07 | 2018-02-13 | 南京邮电大学 | 一种用于大规模众包任务扩散的激励方法 |
Non-Patent Citations (1)
Title |
---|
JIA XU: "Improving Both Quantity and Quality: Incentive Mechanism for Social Mobile Crowdsensing Architecture", 《IEEE ACCESS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232517A (zh) * | 2019-06-06 | 2019-09-13 | 哈尔滨工程大学 | 一种移动群智感知用户收益选取方法 |
CN110232517B (zh) * | 2019-06-06 | 2023-08-01 | 哈尔滨工程大学 | 一种移动群智感知用户收益选取方法 |
CN110366125A (zh) * | 2019-06-19 | 2019-10-22 | 武汉科技大学 | 时空覆盖及预算条件下的移动群智感知激励方法 |
CN112990728A (zh) * | 2021-03-26 | 2021-06-18 | 山东大学 | 一种基于特征信息的大规模群智感知任务分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
Wang et al. | Quality-aware and fine-grained incentive mechanisms for mobile crowdsensing | |
CN103533502B (zh) | 一种群智感知系统中的防欺骗拍卖方法及系统 | |
CN110189174A (zh) | 一种基于数据质量感知的移动群智感知激励方法 | |
CN105468598B (zh) | 好友推荐方法及装置 | |
US20140344013A1 (en) | Method and apparatus for interactive evolutionary optimization of concepts | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
CN109544261A (zh) | 一种基于扩散和数据质量的群智感知激励方法 | |
CN108681921B (zh) | 一种基于随机博弈获取群智感知激励策略的方法及装置 | |
Yu et al. | Participant selection for offline event marketing leveraging location-based social networks | |
CN107944947A (zh) | 一种利用社交网络的移动群智感知激励方法 | |
CN107766996A (zh) | 云家政平台的服务分配系统 | |
CN110175299A (zh) | 一种推荐信息确定的方法及服务器 | |
CN108364198A (zh) | 一种基于社交网络的移动众包在线激励方法 | |
CN109242533A (zh) | 基于拍卖理论的车联网群智感知用户的在线激励方法 | |
CN110390560A (zh) | 一种基于Stackelberg博弈的移动群智感知多任务定价方法 | |
Peng et al. | When data contributors meet multiple crowdsourcers: Bilateral competition in mobile crowdsourcing | |
Xu et al. | Incentive mechanisms for large-scale crowdsourcing task diffusion based on social influence | |
CN103198432B (zh) | 在线社会网络中网络群体的检测方法及系统 | |
CN112148986A (zh) | 一种基于众包的top-N服务再推荐方法及系统 | |
Jia et al. | An incentive mechanism in expert-decision-based crowdsensing networks | |
CN107688964A (zh) | 一种用于大规模众包任务扩散的激励方法 | |
CN108337263A (zh) | 一种基于移动群智感知系统的防女巫攻击激励方法 | |
Lim et al. | Estimating domain-specific user expertise for answer retrieval in community question-answering platforms | |
CN113761784A (zh) | 数据处理方法、数据处理模型的训练方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |