CN109767060A - 一种基于用户相关性和精确性的众包激励方法 - Google Patents

Abstract

本发明公开了一种基于用户相关性和精确性的众包激励方法，众包系统包括任务发放平台和用户，该方法具体包括：(1)任务发放平台通过网络向用户发放任务集合以及每个任务的精确性需求；(2)用户向任务发放平台提交标书，标书中包括用户能完成的任务集合、用户的报价以及用户的数据；(3)任务发放平台根据用户上传的数据计算出用户间的相关性，从而得到每个用户的精确性和每个任务的真值；(4)任务发放平台根据每个用户的精确性和报价选择出获胜者；(5)任务发放平台计算报酬，并向用户支付相应的报酬。该方法满足计算有效性和真实性，可用于当用户上传的数据之间存在拷贝现象时，激励更多的用户独立做任务的众包系统。

Description

一种基于用户相关性和精确性的众包激励方法

技术领域

本发明涉及一种众包激励方法，具体涉及一种基于用户相关性和精确性的众包激励方法。

背景技术

众包是利用普通用户，通过移动互联网，进行有意识和无意识的协作，完成复杂的大型任务的有效方法。但是大多数的众包模型都假设用户是独立完成任务并上传数据的，最终得到的真值是根据大多数用户上传的结果决定的。但实际中，用户之间拷贝数据却是一件很常见的事情，尤其是遇到一些棘手的或者是可以方便拷贝的任务，比如说问卷形式的任务。因此，我们应该将用户间的相关性和精确性考虑到众包激励机制中，根据用户提交数据的精确性选择用户，并支付一定的报酬。这种方式能激励用户提交更加精确的数据，从而鼓励用户为众包系统的真值发现做出贡献。

发明内容

为了克服现有技术的不足，本发明提供一种基于用户相关性和精确性的众包激励方法，该方法解决了用户之间存在相关性时如何计算真值并激励用户提交更加精确的数据的问题。本发明所述一种基于用户相关性和精确性的众包激励方法满足计算有效。

本发明所述的基于用户相关性和精确性的众包激励方法，众包系统包括任务发放平台和用户，所述方法过程如下：

(1)所述任务发放平台通过网络向所述用户发放任务集合以及每个任务的精确性需求；

(2)所述用户向所述任务发放平台提交标书，标书中包括所述用户能完成的任务集合，所述用户的报价以及所述用户的数据；

(3)所述任务发放平台根据所述用户上传的数据计算出用户间的相关性、每个用户的精确性和每个任务的真值；

(4)所述任务发放平台根据每个用户的精确性和报价选择出获胜者；

(5)所述任务发放平台计算报酬，并向所述用户支付相应的报酬。

优选的，步骤(1)中，所述任务表示为：

T＝{t₁，t₂，...，t_m}，其中，m为任务总数。

所述任务的精确性需求表示为：

Q＝{Q₁，Q₂，...，Q_m}，，其中Q_j∈Q表示任一任务t_j的精确性需求j∈{1，2，...，m}。

所述用户表示为：

W＝{W₁，W₂，...，W_n}，其中n为用户数量。

优选的，步骤(2)中，任一所述用户W_i，i∈{1，2，...，n}的标书表示为：

其中，为所述用户W_i声明的可执行任务集合，表示所述用户W_i的报价，表示所述用户W_i上传的值。不失一般性，设经过投标后，任一任务t_j∈T收集到种不同的值，其中只有一个值是任务t_j∈T的真值。

优选的，步骤(3)中，所述用户间的相关性、每个用户的精确性和每个任务的真值计算方法为：

(31)对用户集合W中任一用户W_i，初始化W_i的精确性其中ε为一个常数；初始化已知事件Φ发生时，用户W_i对于用户W_i′相关性P(W_i→W_i′|Φ)＝α，α为一个常数，满足0＜α＜1；初始化任意任务t_j∈T，令x_j为所有用户提交的值中出现次数最多的那个值；

(32)重复执行步骤(33)到步骤(39)，直到任一任务t_j∈T的真实x_j都不发生变化；

(33)初始化用户的有序集合

(34)对用户集合W中任意一对用户W_i，W_i′∈W，i≠i′，计算其中p(W_i→W_i′|Φ)表示已知事件Φ发生时，用户W_i对用户W_i′的相关性，p(W_i′→W_i|Φ)表示表示已知事件Φ发生时，用户W_i′对用户W_i的相关性，本发明中事件Φ指用户提交的所有数据；并把加入到Pre(W)中；

(35)对任一用户W_i∈W-pre(W)和任一用户W_i′∈pre(W)，计算并把加入到pre(W)中，重复本步骤，直到pre(W)＝W；

(36)对每个用户W_i∈W，计算用户W_i独立上传数据的概率其中r为常量，表示任一用户复制其他用户数据的概率，pre(W_i)表示pre(W)中排在W_i之前的所有用户的集合；

(37)对每个任务t_j∈T的每个计算z为真值的概率其中为所有用户上传的任务t_j的值的集合，z是其中的一个值，是对任务t_j上传值为z的用户集合；

(38)对每个W_i∈W，计算每个用户的精确性其中为用户W_i所提交的值的集合；

(39)对每个任务t_j∈T，计算其中表示投标任务t_j的用户的集合。

优选的，在步骤(34)中，对任意两个不同的用户W_i和W_i′，p(W_i→W_i′|Φ)的具体计算方法为：

(341)计算用户W_i独立于W_i′时，任务t_j属于T^S的概率，记作P_s，其中t_j∈Γ_i∩Γ_i′，符号⊥表示独立于，T^S表示用户W_i与W_i′提供相同值且该值为该任务的真值时的任务的集合；

(342)计算用户W_i独立于用户W_i′时，任务t_j属于T^f的概率，记作P_f，其中t_j∈Γ_i∩Γ_i′，T_f表示用户W_i与用户W_i′提供相同值且该值为该任务的错误值时的任务的集合；

(343)计算用户W_i独立于用户W_i′时，任务t_j属于T^d的概率，记作P_d，P_d＝P(t_j∈T^d|W_i⊥W_i′)＝1-P_s-P_f，其中t_j∈Γ_i∩Γ_i′，T^d表示用户W_i与用户W_i′提供不同值的任务的集合；

(344)计算用户W_i独立于用户W_i′时，事件Φ发生的概率

(345)计算用户W_i与用户W_i′相关时，任务t_j属于T^s的概率其中r为一个常数，表示任一用户的复制概率；

(346)计算用户W_i与用户W_i′相关时，任务t_j属于T^f的概率

(347)计算用户W_i与用户W_i′相关时，任务t_j属于T^d的概率为P(t_j∈T^d|W_i→W_i′)＝P_d·(1-r)；

(348)计算用户W_i与用户W_i′相关时，事件Φ发生的概率

(349)计算已知事件Φ发生，用户W_i对于用户W_i′相关性

优选的，步骤(4)中，获胜者的选取过程为：

(41)初始化其中表示未被选为获胜者的用户集合，S为获胜者的集合；

(42)对每个用户W_i∈W，如果W_i的贡献则令S＝S∪{W_i}，同时令其中α是一个常数；

(43)对每个任务t_j∈T，计算其中Q′_j表示任务t_j尚未被满足的精确性；

(44)当满足条件时，重复执行步骤(45)到步骤(46)；

(45)令S＝S∪{l}，

(46)对每个任务令

(47)返回获胜者集合S。

优选的，步骤(5)中，计算用户报酬的过程为：

(501)初始化用户集合p＝0，其中W⁺为报酬计算阶段选入获胜者的用户集合，p为支付给用户的报酬向量；

(502)对所有满足贡献的用户W_i，令W⁺＝W⁺∪{W_i}；

(503)检查每个获胜者W_i∈S是否都计算出了报酬如果是，则执行步骤(510)；

(504)令W′＝W-{W_i}，对用户集合W′执行步骤(41)到(47)，得到获胜者集合S′；

(505)如果|S′|＜|W⁺|，则令用户W_i的报酬为返回步骤(503)；

(506)检查每个用户W_k∈S′\W⁺是否都被计算过，如果是，则返回步骤(503)；

(507)检查对中的每个任务t_j是否都被计算过，如果是，则执行步骤(509)；

(508)对任务t_j，更新尚未被满足的精确性

(509)确定支付给用户W_i的报酬为

(510)返回给用户的报酬P。

本发明与现有技术相比，其显著优点是：1、本发明所述的方法可用于用户之间存在相关性时，对众包数据进行真值估计；2、本发明所述的方法，首先根据用户对真值的贡献选择获胜者，再根据用户的提交数据的精确性选择获胜者，对获胜者的报酬根据其贡献和进度计算，从而能鼓励用户提交高精度的数据；3、本发明的方法是计算有效的，选择获胜者的过程的时间复杂度为O(NM)，支付报酬过程的时间复杂度为O(N²M)，所以整个算法的时间复杂度为O(MN²logN)，是可以在多项式时间内计算出来的。

附图说明

图1为本发明所述基于用户相关性和精确性的众包激励方法流程图；

图2为本发明中计算用户相关性、准确性和任务的真值的方法流程图；

图3为本发明中计算任意一对用户之间的相关性的方法流程图；

图4为本发明中获胜者选择的方法流程图；

图5为本发明中计算所有用户的报酬方法流程图。

具体实施方式

该方法中的系统模型由两部分组成：任务发放平台和用户。我们将任务分配过程建模为密封的逆向拍卖，对任务有兴趣的用户可以竞标参与。然后，任务发放平台将从用户那收集来的数据执行真值估计。根据用户的报价以及准确性需求，平台决定是否支付该用户报酬。

首先，定义计算有效和真实性的概念：

计算有效：如果一个激励机制满足获胜者选择以及支付的过程能够在多项式时间内解决，就称该激励机制是有计算有效的；

真实性：如果某个用户不能通过改变自身的报价而获得更高的效用，则称该激励方法是真实的。

首先，平台向用户发放包含m个任务的任务集T＝{t₁，t₂，...，t_m}和相应的精确性需求Q＝{Q₁，Q₂，...，Q_m}，，每个Q_j∈Q意味着任务t_j的精确性阈值。有n个用户W＝{W₁，W₂，...，W_n}对众包任务感兴趣，每一个用户W_i∈W提交标书其中表示用户选择的任务子集，表示用户的报价，用户的报价不一定等于其真实成本不失一般性，假设每个任务t_j从所有用户收集到个值，其中只有一个是真值。

收集到来自所有用户的标书之后，平台计算得到所有任务真值的集合为x＝{x₁，x₂...，x_m}，计算所有用户的精确性的集合最后根据用户的报价和精确性，计算出获胜者集合S，并向获胜者支付报酬

假设用户是自私且理性的，目标是最大化自己的效用。

定义任意用户W_i∈W的效用为：

每个获胜者W_i∈S给平台带来的价值是与用户提供的精确性有关的，定义平台的价值函数V_q(S)为

α是一个常数，是将精确性转为报酬的转换因子。

定义每个用户的贡献为

定义平台的效用为

定义社会福利为

目标是设计一个满足准确性需求的最大化社会福利的激励机制。

本发明所述的基于用户相关性和精确性的众包激励方法，众包系统包括任务发放平台和用户，所述方法执行流程如图1，过程如下：

(1)所述任务发放平台通过网络向所述用户发放任务集合以及每个任务的精确性需求；

(2)所述用户向所述任务发放平台提交标书，标书中包括所述用户能完成的任务集合，所述用户的报价以及所述用户的数据；

(3)所述任务发放平台根据所述用户上传的数据计算出所述用户间的相关性、每个用户的精确性和每个任务的真值；

(4)所述任务发放平台根据每个用户的精确性和报价选择出获胜者；

(5)所述任务发放平台计算报酬，并向所述用户支付相应的报酬。

优选的，步骤(1)中，所述任务表示为：

T＝{t₁，t₂，...，t_m}，其中，m为所述任务的总数。

所述任务的精确性需求表示为：

Q＝{Q₁，Q₂，...，Q_m}，其中Q_j∈Q表示任一任务t_j的精确性需求j∈{1，2，...，m}。

所述用户表示为：

W＝{W₁，W₂，...，W_n}，其中n为用户数量。

优选的，步骤(2)中，任一所述用户W_i，i∈{1，2，...，n}的标书表示为：

其中，为所述用户W_i声明的可执行任务集合，表示所述用户W_i的报价，表示所述用户W_i上传的值。不失一般性，设经过投标后，任一任务t_j∈T收集到种不同的值，其中只有一个值是任务t_j∈T的真值。

优选的，步骤(3)中，所述用户间的相关性、每个用户的精确性和每个任务的真值计算方法的流程如图2所示，具体过程为：

(31)对用户集合W中任一用户W_i，初始化W_i的精确性其中ε为一个常数；初始化已知事件Φ发生时，用户W_i对于用户W_i′相关性P(W_i→W_i′|Φ)＝α，α为一个常数，满足(0＜α＜1)；初始化任意任务t_j∈T，令x_j为所有用户提交的值中出现次数最多的那个值；

(32)重复执行步骤(33)到步骤(39)，直到任一任务t_j∈T的真实x_j都不发生变化；

(33)初始化用户的有序集合

(34)对用户集合W中任意一对用户W_i，W_i′∈W，i≠j′，计算其中p(W_i→W_i′|Φ)表示已知事件Φ发生时，用户W_i对用户W_i′的相关性，p(W_i′→W_i|Φ)表示表示已知事件Φ发生时，用户W_i′对用户W_i的相关性，本发明中事件Φ指用户提交的所有数据；并把加入到Pre(W)中；

(35)对任一用户W_i∈W-pre(W)和任一用户W_i′∈pre(W)，计算并把加入到pre(W)中，重复本步骤，直到pre(W)＝W；

(36)对每个用户W_i∈W，计算用户W_i独立上传数据的概率其中r为常量，表示任一用户复制其他用户数据的概率，pre(W_i)表示pre(W)中排在W_i之前的所有用户的集合；

(37)对每个任务t_j∈T的每个计算z为真值的概率其中为所有用户上传的任务t_j的值的集合，z是其中的一个值，是对任务t_j上传值为z的用户集合；

(38)对每个W_i∈W，计算每个用户的精确性其中为用户W_i所提交的值的集合；

(39)对每个任务t_j∈T，计算其中表示投标任务t_j的用户的集合。

优选的，在步骤(34)中，对所述任意两个不同的用户W_i和W_i′，p(W_i→W_i′|Φ)的流程如图3所示，具体计算方法为：

(341)计算用户W_i独立于W_i′时，任务t_j属于T^s的概率，记作P_s，其中t_j∈Γ_i∩Γ_i′，符号⊥表示独立于，T^s表示用户W_i与W_i′提供相同值且该值为该任务的真值时的任务的集合；

(342)计算用户W_i独立于用户W_i′时，任务t_j属于T^f的概率，记作P_f，其中t_j∈Γ_i∩Γ_i′，T^f表示用户W_i与用户W_i′提供相同值且该值为该任务的错误值时的任务的集合；

(343)计算用户W_i独立于用户W_i′时，任务t_j属于T^d的概率，记作P_d，P_d＝P(t_j∈T^d|W_i⊥W_i′)＝1-P_s-P_f，其中t_j∈Γ_i∩Γ_i′，T^d表示用户W_i与用户W_i′提供不同值的任务的集合；

(344)计算用户W_i独立于用户W_i′时，事件Φ发生的概率

(345)计算用户W_i与用户W_i′相关时，任务t_j属于T^s的概率其中r为一个常数，表示任一用户的复制概率；

(346)计算用户W_i与用户W_i′相关时，任务t_j属于T^f的概率

(347)计算用户Wⁱ与用户W_i′相关时，任务t_j属于T^d的概率为P(t_j∈T^d|W_i→W_i′)＝P_d·(1-r)；

(348)计算用户W_i与用户W_i′相关时，事件Φ发生的概率

(349)计算已知事件Φ发生，得到用户W_i对于用户W_i′相关性

优选的，步骤(4)中，获胜者的选取流程如图4所示，过程为：

(41)初始化其中表示未被选为获胜者的用户集合，S为获胜者的集合；

(42)对每个用户W_i∈W，如果W_i的贡献则令S＝S∪{W_i}，同时令其中α是一个常数；

(43)对每个任务t_j∈T，计算其中Q′_j表示任务t_j尚未被满足的精确性；

(44)当满足条件时，重复执行步骤(45)到步骤(46)；

(45)令S＝S∪{l}，

(46)对每个任务令

(47)返回获胜者集合S。

优选的，步骤(5)中，计算用户报酬的执行流程如图5所示，过程为：

(501)初始化用户集合p＝0，其中W⁺为报酬计算阶段选入获胜者的用户集合，p为支付给用户的报酬向量；

(502)对所有满足贡献的用户W_i，令W⁺＝W⁺∪{W_i}；

(503)检查每个获胜者W_i∈S是否都计算出了报酬如果是，则执行步骤(510)；

(504)令W′＝W-{W_i}，对用户集合W′执行步骤(41)到(47)，得到获胜者集合S′；

(505)如果|S′|＜|W⁺|，则令用户W_i的报酬为返回步骤(503)；

(506)检查每个用户W_k∈S′\W⁺是否都被计算过，如果是，则返回步骤(503)；

(507)检查对中的每个任务t_j是否都被计算过，如果是，则执行步骤(509)；

(508)对任务t_j，更新尚未被满足的精确性

(509)确定支付给用户W_i的报酬为

(510)返回给用户的报酬P。

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (7)

1.一种基于用户相关性和精确性的众包激励方法，其特征在于，众包系统包括任务发放平台和用户，该方法包括：

(1)所述任务发放平台通过网络向所述用户发放任务集合以及每个任务的精确性需求；

(2)所述用户向所述任务发放平台提交标书，标书中包括所述用户能完成的任务集合、所述用户的报价以及所述用户的数据；

(3)所述任务发放平台根据所述用户上传的数据计算出用户间的相关性、每个用户的精确性和每个任务的真值；

(4)所述任务发放平台根据每个用户的精确性和报价选择出获胜者；

(5)所述任务发放平台计算报酬，并向获胜者支付相应的报酬。

2.根据权利要求1所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，步骤(1)中，所述任务表示为：

T＝{t₁，t₂，...，t_m}，其中，m为任务总数；

所述任务的精确性需求表示为：

Q＝{Q₁，Q₂，...，Q_m}，，其中Q_j∈Q表示任一任务t_j的精确性需求j∈{1，2，...，m}；

所述用户表示为：

W＝{W₁，W₂，...，W_n}，其中n为用户数量。

3.根据权利要求1所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，在步骤(2)中，任一用户W_i，j∈{1，2，...，n}的标书表示为：

其中，为用户W_i声明的可执行任务集合，表示用户W_i的报价，表示用户W_i上传的值；不失一般性，设经过投标后，任一任务t_j∈T收集到种不同的值，其中只有一个值是任务t_j∈T的真值。

4.根据权利要求1所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，步骤(3)中，所述用户间的相关性、每个用户的精确性和每个任务的真值计算方法为：

(31)对用户集合W中任一用户W_i，初始化W_i的精确性其中ε为一个常数；初始化已知事件Φ发生时，用户W_i对于用户W_i′相关性P(W_i→W_i′|Φ)＝α，α为一个常数，满足0＜α＜1；初始化任意任务t_j∈T，令x_j为所有用户提交的值中出现次数最多的那个值；

(32)重复执行步骤(33)到步骤(39)，直到任一任务t_j∈T的真值x_j都不发生变化；

(33)初始化用户的有序集合

(34)对用户集合W中任意一对用户W_i，W_i′∈W，i≠i′，计算其中p(W_i→W_i′|Φ)表示已知事件Φ发生时，用户W_i对用户W_i′的相关性，p(W_i′→W_i|Φ)表示表示已知事件Φ发生时，用户W_i′对用户W_i的相关性，事件Φ指用户提交的所有数据；并把加入到Pre(W)中；

(35)对任一用户W_i∈W-pre(W)和任一用户W_i′∈pre(W)，计算并把加入到pre(W)中，重复本步骤，直到pre(W)＝W；

(36)对每个用户W_i∈W，计算用户W_i独立上传数据的概率其中r为常量，表示任一用户复制其他用户数据的概率，pre(W_i)表示pre(W)中排在W_i之前的所有用户的集合；

(37)对每个任务t_j∈T的每个计算z为真值的概率其中为所有用户上传的任务t_j的值的集合，z是其中的一个值，是对任务t_j上传值为z的用户集合；

(38)对每个W_i∈W，计算每个用户的精确性其中为用户W_j所提交的值的集合；

(39)对每个任务t_j∈T，计算其中表示投标任务t_j的用户的集合。

5.根据权利要求4所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，所述步骤(34)中，对任意两个不同的用户W_i和W_i′，p(W_i→W_i′|Φ)的具体计算方法为：

(341)计算用户W_i独立于W_i′时，任务t_j属于T^S的概率，记作P_s，其中t_j∈Γ_i∩Γ_i′，符号⊥表示独立于，T^s表示用户W_i与W_i′提供相同值且该值为该任务的真值时的任务的集合；

(342)计算用户W_i独立于用户W_i′时，任务t_j属于T^f的概率，记作P_f，其中t_j∈Γ_i∩Γ_i′，T^f表示用户W_i与用户W_i′提供相同值且该值为该任务的错误值时的任务的集合；

(343)计算用户W_i独立于用户W_i′时，任务t_j属于T^d的概率，记作P_d，P_d＝P(t_j∈T^d|W_i⊥W_i′)＝1-P_s-P_f，其中t_j∈Γ_i∩Γ_i′，T^d表示用户W_i与用户W_i′提供不同值的任务的集合；

(344)计算用户W_i独立于用户W_i′时，事件Φ发生的概率

(345)计算用户W_i与用户W_i′相关时，任务t_j属于T^s的概率其中r为一个常数，表示任一用户的复制概率；

(346)计算用户W_i与用户W_i′相关时，任务t_j属于T^f的概率

(347)计算用户W_i与用户W_i′相关时，任务t_j属于T^d的概率为P(t_j∈T^d|W_i→W_i′)＝P_d·(1-r)；

(348)计算用户W_i与用户W_i′相关时，事件Φ发生的概率

(349)计算已知事件Φ发生，用户W_i对于用户W_i′相关性

6.根据权利要求1所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，步骤(4)中，获胜者的选取过程为：

(41)初始化其中表示未被选为获胜者的用户集合，S为获胜者的集合；

(42)对每个用户W_i∈W，如果W_i的贡献则令S＝S∪{W_i}，同时令其中α是一个常数；

(43)对每个任务t_j∈T，计算其中Q′_j表示任务t_j尚未被满足的精确性；

(44)当满足条件时，重复执行步骤(45)到步骤(46)；

(45)令S＝S∪{l}，

(46)对每个任务令

(47)返回获胜者集合S。

7.根据权利要求1所述的一种基于用户相关性和精确性的众包激励方法，其特征在于，步骤(5)中，计算获胜者报酬的过程为：

(501)初始化用户集合p＝0，其中W⁺为报酬计算阶段选入获胜者的用户集合，p为支付给用户的报酬向量；

(502)对所有满足贡献的用户W_i，令W⁺＝W⁺∪{W_i}；

(503)检查每个获胜者W_i∈S是否都计算出了报酬如果是，则执行步骤(510)；

(504)令W′＝W-{W_i}，对用户集合W′执行步骤(41)到(47)，得到获胜者集合S′；

(505)如果|S′|＜|W⁺|，则令用户W_i的报酬为返回步骤(503)；

(506)检查每个用户W_k∈S′\W⁺是否都被计算过，如果是，则返回步骤(503)；

(507)检查对中的每个任务t_j是否都被计算过，如果是，则执行步骤(509)；

(508)对任务t_j，更新尚未被满足的精确性

(509)确定支付给用户W_i的报酬为

(510)返回给用户的报酬P。