CN116821522B - 一种基于群组的合作性群智感知任务推荐方法及系统 - Google Patents

Abstract

本发明公开了一种基于群组的合作性群智感知任务推荐方法及系统，包括以下步骤：确定角色类型，其中，角色类型包括：合作性群智感知平台、参与者和参与者群组；通过合作性群智感知平台，根据参与者和任务的信息构建参与者群组；根据参与者群组，设计双重注意力机制，聚合组成员偏好，得到群组和任务的嵌入表示；根据群组和任务的嵌入表示，利用基于神经网络的协同过滤算法，设计协同神经网络结构，为参与者群组生成个性化的top‑K任务推荐列表。本发明解决合作性群智感知中个人推荐方法无法应用在群组中的问题，综合考虑参与者能力和偏好差异，使用双重注意力机制提高了任务和群组嵌入表示的准确度，进而增强了任务推荐算法的性能。

Description

一种基于群组的合作性群智感知任务推荐方法及系统

技术领域

本发明属于计算机网络技术领域，具体涉及一种基于群组的合作性群智感知任务推荐方法及系统。

背景技术

移动群智感知是一种将众包思想与智能设备感知能力结合的新型数据采集范式。它通过参与者的移动和设备内嵌的传感器来完成各种大规模的、复杂的数据感知任务。相较于传统的无线传感器网络，群智感知在部署与维护、感知范围与粒度、可复用性等多个方面优势明显，受到学术界和工业界的广泛关注。目前，它已应用在多个领域，如交通监控、环境监测和移动社交推荐等。随着新群智感知应用不断涌现，越来越多的复杂任务需要多个参与者合作完成，因为参与者由于其购买设备的不同，在感知能力上存在差异，单个参与者不足以达到任务的要求，所以需要参与者相互协作以完成感知任务。因此，一种以协作方式为基础的数据感知范式应运而生，即合作性移动群智感知。

在合作性群智感知中，任务推荐是完成任务的主要方式之一。任务推荐主要考虑参与者对任务的偏好，通过挖掘参与者的历史执行记录，给参与者推荐其较喜欢的任务，这对感知任务的完成率和质量有重大影响。然而，当前考虑参与者偏好的任务推荐研究都是针对个人，而非群体，但是个人推荐方法在合作性群智感知场景下会因个人无法满足复杂任务的要求而导致任务完成率低，因此个人推荐无法应用在合作性群智感知中。另外，在合作性群智感知中，如果让组成员自主选择任务，由于组内成员偏好不一，很可能会发生选择冲突且有的成员选择的任务另一些成员不喜欢，从而导致参与者积极性低或者中途退出。综上，需要一种综合考虑参与者能力和偏好差异的面向群组的任务推荐方法来保障群智感知平台的平稳运行。

发明内容

针对现有技术的合作性群智感知中个人推荐方法无法应用在群组中的问题，本发明提出了一种基于群组的合作性群智感知任务推荐方法及系统，综合考虑参与者能力和偏好差异，使用双重注意力机制提高了任务和群组嵌入表示的准确度，进而增强了任务推荐算法的性能，帮助合作性群智感知平台最大化任务完成率。

为实现上述目的，本发明提供了如下方案：

一种基于群组的合作性群智感知任务推荐方法，包括以下步骤：

确定角色类型，其中，所述角色类型包括：合作性群智感知平台、参与者和参与者群组；

通过所述合作性群智感知平台，根据所述参与者和任务的信息构建所述参与者群组；

根据所述参与者群组，设计双重注意力机制，聚合组成员偏好，得到群组和任务的嵌入表示；

根据所述群组和任务的嵌入表示，利用基于神经网络的协同过滤算法，设计协同神经网络结构，为所述参与者群组生成个性化的top-K任务推荐列表。

优选的，根据所述参与者和任务的信息构建所述参与者群组的方法包括：

利用自底向上的思想对所述参与者进行分组，所述合作性群智感知平台将具有不同传感器类型且位置满足预设要求的所述参与者分在一个组，使得每个参与者群组都满足任务的传感器要求。

优选的，聚合组成员偏好，得到群组和任务的嵌入表示的方法包括：

利用表征学习将所述参与者和任务的输入信息编码为低纬度的嵌入向量，

基于所述低纬度的嵌入向量，使用第一个注意力机制，在注意力网络中学习不同传感器对任务的影响权重，加权求和得到任务关于传感器的嵌入向量，结合任务的通用嵌入向量得到任务最终的嵌入表示；

基于所述任务最终的嵌入表示，叠加第二个注意力机制，通过参与者执行任务的历史记录，利用注意力网络学习每个组成员对任务的偏好程度，使用注意力来衡量每个小组成员在小组最后决策中的影响权重，采用加权和的形式得到群组的嵌入表示。

优选的，设计的协同神经网络结构包括：特征输入层、特征交互层、多层感知机层和分数输出层。

优选的，为所述参与者群组生成个性化的top-K任务推荐列表的方法包括：

在所述特征输入层输入群组和任务的特征向量；

在所述特征交互层中学习群组与任务的交互特征，将所述群组和任务的特征向量做逐元素乘积，得到第一新特征向量，将所述第一新特征向量与所述群组和任务的特征向量拼接在一起，得到第二新特征向量；

将所述第二新特征向量送入到所述多层感知机层中学习和提取数据的高级特征表示；

基于所述高级特征表示，所述分数输出层输出群组对每个任务的预测推荐分数，对预测推荐分数进行降序排序，为参与者群组生成top-K任务推荐列表。

本发明还提供了一种基于群组的合作性群智感知任务推荐系统，包括：角色划分模块、创建模块、聚合模块和推荐模块；

所述角色划分模块用于确定角色类型，其中，所述角色类型包括：合作性群智感知平台、参与者和参与者群组；

所述创建模块用于通过所述合作性群智感知平台，根据所述参与者和任务的信息构建所述参与者群组；

所述聚合模块用于根据所述参与者群组，设计双重注意力机制，聚合组成员偏好，得到群组和任务的嵌入表示；

所述推荐模块用于根据所述群组和任务的嵌入表示，利用基于神经网络的协同过滤算法，设计协同神经网络结构，为所述参与者群组生成个性化的top-K任务推荐列表。

优选的，所述创建模块中，根据所述参与者和任务的信息构建所述参与者群组的过程包括：

利用自底向上的思想对所述参与者进行分组，所述合作性群智感知平台将具有不同传感器类型且位置满足预设要求的所述参与者分在一个组，使得每个参与者群组都满足任务的传感器要求。

优选的，所述聚合模块包括：编码单元、任务嵌入单元和群组嵌入单元；

所述编码单元用于利用表征学习将所述参与者和任务的输入信息编码为低纬度的嵌入向量，

所述任务嵌入单元用于基于所述低纬度的嵌入向量，使用第一个注意力机制，在注意力网络中学习不同传感器对任务的影响权重，加权求和得到任务关于传感器的嵌入向量，结合任务的通用嵌入向量得到任务最终的嵌入表示；

所述群组嵌入单元用于基于所述任务最终的嵌入表示，叠加第二个注意力机制，通过参与者执行任务的历史记录，利用注意力网络学习每个组成员对任务的偏好程度，使用注意力来衡量每个小组成员在小组最后决策中的影响权重，采用加权和的形式得到群组的嵌入表示。

优选的，所述推荐模块中，设计的协同神经网络结构包括：特征输入层、特征交互层、多层感知机层和分数输出层。

优选的，所述推荐模块包括：输入单元、获得单元、提取单元和推荐单元；

所述输入单元用于在所述特征输入层输入群组和任务的特征向量；

所述获得单元用于在所述特征交互层中学习群组与任务的交互特征，将所述群组和任务的特征向量做逐元素乘积，得到第一新特征向量，将所述第一新特征向量与所述群组和任务的特征向量拼接在一起，得到第二新特征向量；

所述提取单元用于将所述第二新特征向量送入到所述多层感知机层中学习和提取数据的高级特征表示；

所述推荐单元用于基于所述高级特征表示，所述分数输出层输出群组对每个任务的预测推荐分数，对预测推荐分数进行降序排序，为参与者群组生成top-K任务推荐列表。

与现有技术相比，本发明的有益效果为：

现有研究的个人推荐方法不适用于合作性移动群智感知场景，而合作性移动群智感知场景中又鲜有充分考虑参与者偏好差异进行任务推荐的研究。所以，本发明解决合作性移动群智感知中综合考虑参与者能力和参与者偏好的基于群组的任务推荐问题。本发明采用先构建参与者群组再进行群组推荐的方式，能够在保证任务完成率的基础上再为参与者推荐其感兴趣的任务，提高了参与者的积极性和参与度，保障了感知数据质量，从而最大化任务完成率。并且，本发明采用双重注意力机制，提高了任务和群组嵌入表示的准确度，增强了群组推荐算法的性能，进而提高了任务推荐的准确度，从而实现任务推荐的目标，最大化任务完成率。

附图说明

为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的合作性群智感知平台各方交互示意图；

图2为本发明的群组推荐模型结构示意图；

图3为本发明的一种基于群组的合作性群智感知任务推荐系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

本实施例中，如图1所示，首先确定角色类型：合作性群智感知平台、参与者和参与者群组。合作性群智感知平台负责接受感知任务，并根据参与者的属性对参与者进行分组，创建参与者群组。感知任务的属性要求包括：(1)感知任务具有位置信息，包括所在经度和维度；(2)感知任务具有多种传感器要求；(3)感知任务需要多个参与者合作完成。参与者在注册到合作性群智感知平台时会显示自己的一些信息，参与者的属性要求为：（1)每个参与者有一组经纬坐标表示参与者当前所在的位置；(2)每个参与者由于携带设备的不同，感知能力存在差异，具有不同的传感器类型集合；（3）每个参与者有其对任务的偏好。由于任务需要多个参与者合作完成，且单个参与者无法满足任务的要求，所以合作性群智感知平台根据参与者和任务的信息对参与者进行分组，创建参与者群组。每个参与者群组具有以下属性：(1)每个群组由两个以上的参与者组成；(2）每个群组拥有的传感器类型等于其组成员拥有的传感器类型之和；(3)每个群组都能满足所有任务的要求。合作性群智感知平台创建群组以后，面向群组进行推荐，构建群组推荐模型，为每个群组生成个性化任务推荐列表，提高群组选择任务的概率，因此提高平台的任务完成率。合作性群智感知平台与参与者、参与者群组的交互过程如图1所示。

S1.构建参与者群组：具有不同感知能力的参与者注册到合作性群智感知平台，感知平台根据参与者的信息，采用自底向上的思想，将具有不同传感器类型且位置相近的参与者分为一个组，使得每个群组都能满足感知任务的要求，保证任务的覆盖率，同时减少参与者群组的总体移动距离。具体步骤如下：

S1.1创建一个群组，初始化为空，在参与者集中随机选择一个参与者加入该群组，获取其拥有的传感器类型信息；

S1.2计算参与者集中其他参与者与该群组的传感器相似度，挑选传感器相似度最小的参与者加入到该群组中；如果存在多个相似度一样的参与者，选择位置最近的参与者加入到该群组中；

S1.3判断该群组中所有参与者所拥有的传感器类型总数是否等于全部传感器类型，若不等于，则继续从参与者集中挑选传感器相似度最低且位置最近的参与者加入该群组；若等于，则说明此群组已经构建成功，不再继续加入参与者，将此群组从参与者者集中剔除；

S1.4重复步骤S1.1-S1.3，直到参与者集为空；

S1.5输出所有群组集合。

图2 展示了本发明设计的群组推荐模型。

S2.组成员偏好聚合部分：使用双重注意力机制，首先获得任务的嵌入向量，在此基础上对组成员的偏好进行有效聚合，得到群组的嵌入向量。

S2.1首先将参与者和任务的输入信息编码为32维的嵌入向量。考虑到传感器在合作性移动群智感知场景中的重要性，传感器是任务的重要特征，也是判断参与者是否喜爱任务的一个重要影响因素，传感器会影响参与者对任务的偏好，而每个任务又都有不同的传感器需求，所以本发明使用一个注意力机制挖掘不同传感器对任务的影响权重，形成任务的特征向量，如图２所示。该机制通过注意力网络计算出每个传感器对于不同任务的影响权重，即注意力值，计算公式如下，其中代表传感器/>对任务/>的影响力值，/>和/>分别是将任务嵌入和传感器嵌入转化为隐藏层的权重矩阵，K是权重向量，b是偏置向量。我们使用ReLU作为隐藏层的激活函数。

本发明使用softmax函数对注意力值进行归一化处理：

然后通过计算出的注意力值与传感器嵌入表示相乘求和来共同表示任务/>，继而得到任务/>的新的向量表示，计算公式如下，其中，/>代表传感器/>对任务/>的影响力权重值，S代表任务/>要求的传感器类型集合。

然后使用表征学习得到任务的通用嵌入向量，将/>结合任务的通用嵌入向量/>共同表示任务/>：

S2.2注意力机制是一种有效的聚合策略，它可以根据不同的权重对成员进行加权求和，从而获得群组的偏好表示。相比于传统的均值、最小痛苦和最大满意度等策略，注意力机制可以更加灵活地处理成员之间的权重分配。在群组推荐中，注意力机制可以帮助模型学习到每个成员的重要程度，从而更加准确地预测群组的偏好。如图2所示，本发明在得到S2.1中任务的嵌入向量表示以后，再叠加一个注意力机制来获得组成员对任务的偏好程度，即注意力值，以形成群组的向量表示，计算公式如下，其中，代表组成员/>对任务的影响力值，/>、/>和H是参数权重矩阵，b2是偏置向量。本发明使用ReLU作为隐藏层的激活函数。

使用softmax函数对注意力值进行归一化处理：

然后将计算出的注意力值与组成员相乘求和，另外，本发明还使用表征学习得到群组的通用嵌入向量/>，这两部分相加得到群组/>的新的向量表示，计算公式如下，其中，/>代表组成员/>对任务/>的影响力权重值，G代表群组/>的组成员集合。

S3.组任务推荐部分：目的是预测群组对于每个任务的推荐分数，生成推荐列表。利用基于神经网络的协同过滤算法，设计协同神经网络，协同神经网络由特征输入层、特征交互层、多层感知机（MLP）层和分数输出层组成。

S3.1 如图2所示，得到S2.1任务和S2.2群组的嵌入表示以后，将其输入到协同神经网络中，然后在特征交互层中学习群组和任务的交互，将群组和任务这两个嵌入向量做逐元素乘积，得到一个新的特征向量，再将这个新特征向量与原始特征向量拼接在一起，得到一个新的特征向量，具体计算如下，其中，/>代表逐元素乘积,[]表示向量拼接。

S3.2然后将新的特征向量输入到多层感知机层中学习和提取数据的高级特征表示，本申请设置3个隐藏层，采用塔式结构，每一层的计算如下，其中，Wh、bh、rh分别表示第h个隐藏层的权值矩阵、偏置向量和输出神经元。本发明使用ReLU函数作为非线性激活函数，经验证明它工作得很好。

S3.3最后在分数输出层输出预测推荐分数，其中，W表示预测层的权重矩阵，表示ReLU函数得到的向量：

并对预测推荐分数使用sigmoid函数将推荐分数/>映射为[0,1]之间；

S3.4然后对预测的推荐分数进行降序排序，对于每一个群组，输出前k个任务作为其推荐列表。

本发明通过公式计算得到模型的损失函数Loss，其中，/>表示训练集，每个训练样本都是一个三元组/>，表示群组/>与任务/>有过交互，与任务/>没有过交互，即任务/>是正样本，任务/>是负样本；且/>,，/>为群组/>对正样本/>的预测分数，/>为群组/>对负样本/>的预测分数；/>为群组/>对正样本/>的真实分数，/>群组/>对负样本/>的真实分数，因为存在交互的真实得分为1，不存在交互的真实得分为0，所以/>，则损失函数转化为：

通过最大化正样本和负样本之间的预测差值来优化参数，利用损失函数Loss对模型进行训练，训练过程中使用Adam优化器并采用小批量法对损失函数Loss进行优化。

综上所述，本发明提出的一种基于群组的合作性群智感知任务推荐方法及系统，解决了个人推荐方法不适用于合作性群智感知场景的问题。本发明通过这种先创建参与者群组再面向群组进行推荐的任务推荐模型，在保证参与者群组能够满足复杂任务条件的前提下为参与者群组生成个性化的任务推荐列表，增加参与者完成感知任务的兴趣，提高参与者的积极性，进而为提升感知任务的完成率和质量都提供了保障。实验表明，本发明能够在复杂任务需要多个参与者合作完成的场景下提高任务完成率。

以综合合作性群智感知平台为例，来自不同机构的任务请求者向感知平台提交了他们的任务要求。如提交环境监测任务，该任务需要用到湿度传感器、温度传感器、噪音检测传感器和GPS；提交了交通监测任务，该任务需要用到陀螺仪、速度传感器和GPS。同时，多个具有不同设备的参与者注册到合作性群智感知平台上。如参与者A具有温度传感器、湿度传感器和GPS，参与者B具有噪音检测传感器和GPS。感知平台在接收到任务请求者的任务和参与者的信息之后，基于所提出的参与者分组算法创建参与者群组，使得具有不同传感器类型且位置相近的参与者成为一个群组。然后，感知平台挖掘参与者的历史执行任务记录，根据所提出的双重注意力机制模型对群组中组成员的偏好进行挖掘和聚合，得到任务和群组的嵌入表示。紧接着，感知平台根据所提出的基于神经网络的协同过滤算法，将任务和群组的嵌入表示输入到协同神经网络中，得到群组－任务的预测推荐分数。最后，感知平台对推荐分数进行降序排序，为每个参与者群组生成top－Ｋ任务推荐列表。群组中的参与者会在任务推荐列表中选择其感兴趣的任务，并整个群组一起去执行其所选择的任务，然后将感知数据传送给合作性群智感知平台。

实施例二

如图3所示，为本实施例的系统结构示意图。首先利用角色划分模块确定角色类型：合作性群智感知平台、参与者和参与者群组。来自不同公司和机构的任务请求者对于感知任务具有不同的要求，且感知任务复杂，无法由参与者单独完成。感知任务的属性要求包括：(1)感知任务具有位置信息，包括所在经度和维度；(2)感知任务具有多种传感器要求；(3)感知任务需要多个参与者合作完成。同时，许多携带不同感知设备的参与者在注册到感知平台中，具有不同的传感器类型，参与者的属性要求为：（1)每个参与者有一组经纬坐标表示参与者 当前所在的位置；(2)每个参与者由于携带设备的不同，感知能力存在差异，具有不同的传感器类型集合；（3）每个参与者有其对任务的偏好。由于任务需要多个参与者合作完成，且单个参与者无法满足任务的要求，所以合作性群智感知平台根据参与者和任务的信息对参与者进行分组，创建参与者群组。每个参与者群组具有以下属性：(1)每个群组由两个以上的参与者组成；(2）每个群组拥有的传感器类型等于其组成员拥有的传感器类型之和；(3)每个群组都能满足所有任务的要求。合作性群智感知平台创建群组以后，面向群组进行推荐，构建群组推荐模型，为每个群组生成个性化任务推荐列表，提高群组选择任务的概率，因此提高平台的任务完成率。合作性群智感知平台与参与者、参与者群组的交互过程如图1所示。

首先，创建模块用于合作性群智感知平台创建参与者群组。

具有不同感知能力的参与者注册到合作性群智感知平台，感知平台根据参与者的信息，采用自底向上的思想，将具有不同传感器类型且位置相近的参与者分为一个组，使得每个群组都能满足感知任务的要求，保证任务的覆盖率。具体步骤如下：

S1.1创建一个群组，初始化为空，在参与者集中随机选择一个参与者加入该群组，获取其拥有的传感器类型信息；

S1.2计算参与者集中其他参与者与该群组的传感器相似度，挑选传感器相似度最小的参与者加入到该群组中；如果存在多个相似度一样的参与者，选择位置最近的参与者加入到该群组中；

S1.3判断该群组中所有参与者所拥有的传感器类型总数是否等于全部传感器类型，若不等于，则继续从参与者集中挑选传感器相似度最低且位置最近的参与者加入该群组；若等于，则说明此群组已经构建成功，不再继续加入参与者，将此群组从参与者者集中剔除；

S1.4重复步骤S1.1-S1.3，直到参与者集为空；

S1.5输出所有群组集合。

然后，聚合模块用于聚合组成员偏好，获得任务和群组的嵌入表示。包括：编码单元、任务嵌入单元和群组嵌入单元。

本发明在聚合模块中设计双重注意力机制模型，如图2所示。首先将参与者和任务的输入信息编码为32维的嵌入向量。考虑传感器是任务的重要特征，也是判断参与者是否喜爱任务的一个重要影响因素，传感器会影响参与者对任务的偏好，而每个任务又都有不同的传感器需求，所以本申请使用一个注意力机制挖掘不同传感器对任务的影响权重，形成任务的特征向量，如图２所示。该机制通过注意力网络计算出每个传感器对于不同任务的影响权重，即注意力值，计算公式如下，其中代表传感器/>对任务/>的影响力值，/>和分别是将任务嵌入和传感器嵌入转化为隐藏层的权重矩阵，K是权重向量，b是偏置向量。我们使用ReLU作为隐藏层的激活函数。

本发明使用softmax函数对注意力值进行归一化处理：

然后通过计算出的注意力值与传感器嵌入表示相乘求和来共同表示任务/>，继而得到任务/>的新的向量表示，计算公式如下，其中，/>代表传感器/>对任务/>的影响力权重值，S代表任务/>要求的传感器类型集合。

然后将结合任务的通用嵌入向量/>共同表示任务/>：

注意力机制是一种有效的聚合策略，它可以在数据中动态地学习组成员的权重，从而获得群组的偏好表示。相比于传统的均值、最小痛苦和最大满意度等策略，注意力机制可以更加灵活地处理成员之间的权重分配。在群组推荐中，注意力机制可以帮助模型学习到每个成员的重要程度，从而更加准确地预测群组的偏好。如图2所示，本发明在得到步骤1中任务的嵌入向量表示以后，再叠加一个注意力机制来获得组成员对任务的偏好程度，即注意力值，以形成群组的向量表示，计算公式如下，其中，代表组成员/>对任务/>的影响力值，/>、/>和H是参数权重矩阵，b2是偏置向量。本发明使用ReLU作为隐藏层的激活函数。

使用softmax函数对注意力值进行归一化处理：

然后将计算出的注意力值与组成员相乘求和，另外，本发明还使用表征学习得到群组的通用嵌入向量/>，这两部分相加得到群组/>的新的向量表示，计算公式如下，其中，/>代表组成员/>对任务/>的影响力权重值，G代表群组/>的组成员集合。

最后，推荐模块用于输出群组-任务的预测推荐分数，生成任务推荐列表。包括：输入单元、获得单元、提取单元和推荐单元。

推荐模块所使用的协同神经网络结构包括特征输入层、特征交互层、多层感知机（MLP）层和分数输出层。

得到聚合模块中的任务和群组的嵌入表示以后，本发明将其输入到协同神经网络中，然后在特征交互层中学习群组和任务的交互，将群组和任务这两个嵌入向量做逐元素乘积，得到一个新的特征向量，再将这个新特征向量与原始特征向量拼接在一起，得到一个新的特征向量，具体计算如下，其中，/>代表逐元素乘积,[]表示向量拼接。

然后将新的特征向量输入到多层感知机层中学习和提取数据的高级特征表示，本申请设置3个隐藏层，采用塔式结构，每一层的计算如下，其中，Wh、bh、rh分别表示第h个隐藏层的权值矩阵、偏置向量和输出神经元。我们使用ReLU函数作为非线性激活函数，经验证明它工作得很好。

最后一个神经元输出预测推荐分数，其中，W表示预测层的权重矩阵，表示 ReLU函数得到的向量：

并对预测推荐分数使用sigmoid函数将推荐分数/>映射为[0,1]之间；

然后对预测的推荐分数进行降序排序，对于每一个群组，输出前k个任务作为其推荐列表。

本发明通过公式计算得到模型的损失函数Loss，其中，/>表示训练集，每个训练样本都是一个三元组/>，表示群组/>与任务/>有过交互，与任务/>没有过交互，即任务/>是正样本，任务/>是负样本；且/>,，/>为群组/>对正样本/>的预测分数，/>为群组/>对负样本/>的预测分数；/>为群组/>对正样本/>的真实分数，/>群组/>对负样本/>的真实分数，因为存在交互的真实得分为1，不存在交互的真实得分为0，所以/>，则损失函数转化为：

通过最大化正样本和负样本之间的预测差值来优化参数，利用损失函数Loss对模型进行训练，训练过程中使用Adam优化器并采用小批量法对损失函数Loss进行优化。

综上所述，本发明公开了一种基于群组的合作性群智感知任务推荐系统，包括：确定角色类型；角色类型包括：合作性群智感知平台、参与者和参与者群组；合作性群智感知平台根据参与者的感知能力和感知任务的要求，构建参与者群组，使得每个群组都能满足复杂任务的要求；基于参与者群组，构建任务推荐模型，由两部分组成，第一部分设计使用双重注意力机制以有效挖掘和聚合组成员偏好，得到任务和群组的整体嵌入表示；第二部分设计协同神经网络结构，在神经网络中学习群组-任务交互，输出其预测推荐分数；最后对推荐分数降序排序，为每个群组生成top-K任务推荐列表，以实现最大化任务完成率。解决合作性群智感知中个人推荐方法无法应用在群组中的问题，综合考虑参与者能力和偏好差异，使用双重注意力机制提高了任务和群组嵌入表示的准确度，进而增强了任务推荐算法的性能。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于群组的合作性群智感知任务推荐方法，其特征在于，包括以下步骤：

确定角色类型，其中，所述角色类型包括：合作性群智感知平台、参与者和参与者群组；

通过所述合作性群智感知平台，根据所述参与者和任务的信息构建所述参与者群组；

根据所述参与者群组，设计双重注意力机制，聚合组成员偏好，得到群组和任务的嵌入表示；

根据所述群组和任务的嵌入表示，利用基于神经网络的协同过滤算法，设计协同神经网络结构，为所述参与者群组生成个性化的top-K任务推荐列表；

合作性群智感知平台负责接受感知任务，并根据参与者的属性对参与者进行分组，创建参与者群组；

感知任务的属性要求包括：感知任务具有位置信息，包括所在经度和维度；感知任务具有多种传感器要求；感知任务需要多个参与者合作完成；

参与者在注册到合作性群智感知平台时会显示自身的一些信息，参与者的属性要求为：每个参与者有一组经纬坐标表示参与者当前所在的位置；每个参与者由于携带设备的不同，感知能力存在差异，具有不同的传感器类型集合；每个参与者有其对任务的偏好；

合作性群智感知平台根据参与者和任务的信息对参与者进行分组，创建参与者群组；每个参与者群组具有以下属性：每个群组由两个以上的参与者组成；每个群组拥有的传感器类型等于其组成员拥有的传感器类型之和；每个群组都能满足所有任务的要求；合作性群智感知平台创建群组以后，面向群组进行推荐，构建群组推荐模型，为每个群组生成个性化任务推荐列表；

根据所述参与者和任务的信息构建所述参与者群组的方法包括：

具有不同感知能力的参与者注册到合作性群智感知平台，感知平台根据参与者的信息，采用自底向上的思想，将具有不同传感器类型且位置相近的参与者分为一个组，使得每个群组都能满足感知任务的要求；具体步骤如下：

S1.1创建一个群组，初始化为空，在参与者集中随机选择一个参与者加入该群组，获取其拥有的传感器类型信息；

S1.2计算参与者集中其他参与者与该群组的传感器相似度，挑选传感器相似度最小的参与者加入到该群组中；如果存在多个相似度一样的参与者，选择位置最近的参与者加入到该群组中；

S1.3判断该群组中所有参与者所拥有的传感器类型总数是否等于全部传感器类型，若不等于，则继续从参与者集中挑选传感器相似度最低且位置最近的参与者加入该群组；若等于，则说明此群组已经构建成功，不再继续加入参与者，将此群组从参与者集中剔除；

S1.4重复步骤S1.1-S1.3，直到参与者集为空；

S1.5输出所有群组集合；

聚合组成员偏好，得到群组和任务的嵌入表示的方法包括：

利用表征学习将所述参与者和任务的输入信息编码为低纬度的嵌入向量，

基于所述低纬度的嵌入向量，使用第一个注意力机制，在注意力网络中学习不同传感器对任务的影响权重，加权求和得到任务关于传感器的嵌入向量，结合任务的通用嵌入向量得到任务最终的嵌入表示；

基于所述任务最终的嵌入表示，叠加第二个注意力机制，通过参与者执行任务的历史记录，利用注意力网络学习每个组成员对任务的偏好程度，使用注意力来衡量每个小组成员在小组最后决策中的影响权重，采用加权和的形式得到群组的嵌入表示；具体步骤如下：

S2.1首先将参与者和任务的输入信息编码为32维的嵌入向量；使用一个注意力机制挖掘不同传感器对任务的影响权重，形成任务的特征向量；该机制通过注意力网络计算出每个传感器对于不同任务的影响权重，即注意力值，计算公式如下，其中代表传感器对任务/>的影响力值，/>和/>分别是将任务嵌入和传感器嵌入转化为隐藏层的权重矩阵，K是权重向量，b是偏置向量；使用ReLU作为隐藏层的激活函数；；使用softmax函数对注意力值进行归一化处理：/>；然后通过计算出的注意力值与传感器嵌入表示/>相乘求和来共同表示任务/>，继而得到任务/>的新的向量表示，计算公式如下，其中，/>代表传感器/>对任务/>的影响力权重值，S代表任务/>要求的传感器类型集合；/>；然后使用表征学习得到任务的通用嵌入向量/>，将/>结合任务的通用嵌入向量/>共同表示任务/>；/>；

S2.2在得到S2.1中任务的嵌入向量表示以后，再叠加一个注意力机制来获得组成员对任务的偏好程度，即注意力值，以形成群组的向量表示，计算公式如下，其中，代表组成员/>对任务/>的影响力值，/>、/>和H是参数权重矩阵，b2是偏置向量；使用ReLU作为隐藏层的激活函数；/>；使用softmax函数对注意力值进行归一化处理：；然后将计算出的注意力值与组成员/>相乘求和，还使用表征学习得到群组的通用嵌入向量/>，这两部分相加得到群组的新的向量表示，计算公式如下，其中，/>代表组成员/>对任务/>的影响力权重值，G代表群组/>的组成员集合；/>。

2.根据权利要求1所述的基于群组的合作性群智感知任务推荐方法，其特征在于，设计的协同神经网络结构包括：特征输入层、特征交互层、多层感知机层和分数输出层。

3.根据权利要求2所述的基于群组的合作性群智感知任务推荐方法，其特征在于，为所述参与者群组生成个性化的top-K任务推荐列表的方法包括：

在所述特征输入层输入群组和任务的特征向量；

在所述特征交互层中学习群组与任务的交互特征，将所述群组和任务的特征向量做逐元素乘积，得到第一新特征向量，将所述第一新特征向量与所述群组和任务的特征向量拼接在一起，得到第二新特征向量；

将所述第二新特征向量送入到所述多层感知机层中学习和提取数据的高级特征表示；

基于所述高级特征表示，所述分数输出层输出群组对每个任务的预测推荐分数，对预测推荐分数进行降序排序，为参与者群组生成top-K任务推荐列表。

4.一种基于群组的合作性群智感知任务推荐系统，所述系统用于实现权利要求1-3任一项所述的一种基于群组的合作性群智感知任务推荐方法，其特征在于，包括：角色划分模块、创建模块、聚合模块和推荐模块；

所述角色划分模块用于确定角色类型，其中，所述角色类型包括：合作性群智感知平台、参与者和参与者群组；

所述创建模块用于通过所述合作性群智感知平台，根据所述参与者和任务的信息构建所述参与者群组；

所述聚合模块用于根据所述参与者群组，设计双重注意力机制，聚合组成员偏好，得到群组和任务的嵌入表示；

所述推荐模块用于根据所述群组和任务的嵌入表示，利用基于神经网络的协同过滤算法，设计协同神经网络结构，为所述参与者群组生成个性化的top-K任务推荐列表。

5.根据权利要求4所述的基于群组的合作性群智感知任务推荐系统，其特征在于，所述创建模块中，根据所述参与者和任务的信息构建所述参与者群组的过程包括：

利用自底向上的方式对所述参与者进行分组，所述合作性群智感知平台将具有不同传感器类型且位置满足预设要求的所述参与者分在一个组，使得每个参与者群组都满足任务的传感器要求。

6.根据权利要求4所述的基于群组的合作性群智感知任务推荐系统，其特征在于，所述聚合模块包括：编码单元、任务嵌入单元和群组嵌入单元；

所述编码单元用于利用表征学习将所述参与者和任务的输入信息编码为低纬度的嵌入向量，

所述任务嵌入单元用于基于所述低纬度的嵌入向量，使用第一个注意力机制，在注意力网络中学习不同传感器对任务的影响权重，加权求和得到任务关于传感器的嵌入向量，结合任务的通用嵌入向量得到任务最终的嵌入表示；

所述群组嵌入单元用于基于所述任务最终的嵌入表示，叠加第二个注意力机制，通过参与者执行任务的历史记录，利用注意力网络学习每个组成员对任务的偏好程度，使用注意力来衡量每个小组成员在小组最后决策中的影响权重，采用加权和的形式得到群组的嵌入表示。

7.根据权利要求4所述的基于群组的合作性群智感知任务推荐系统，其特征在于，所述推荐模块中，设计的协同神经网络结构包括：特征输入层、特征交互层、多层感知机层和分数输出层。

8.根据权利要求7所述的基于群组的合作性群智感知任务推荐系统，其特征在于，所述推荐模块包括：输入单元、获得单元、提取单元和推荐单元；

所述输入单元用于在所述特征输入层输入群组和任务的特征向量；

所述获得单元用于在所述特征交互层中学习群组与任务的交互特征，将所述群组和任务的特征向量做逐元素乘积，得到第一新特征向量，将所述第一新特征向量与所述群组和任务的特征向量拼接在一起，得到第二新特征向量；

所述提取单元用于将所述第二新特征向量送入到所述多层感知机层中学习和提取数据的高级特征表示；

所述推荐单元用于基于所述高级特征表示，所述分数输出层输出群组对每个任务的预测推荐分数，对预测推荐分数进行降序排序，为参与者群组生成top-K任务推荐列表。