面向任务扩散和用户兼容性的移动群智感知激励机制设计

发布时间：2020-07-17 20:05

【摘要】：以人为中心的感知和计算,已成为了互联网的一种新型应用模式和发展趋势,并可以用于解决许多大规模的感知和计算问题。群智感知在大数据的时代被越来越多的人所熟知,并且也得到了较为广泛的应用。群智感知任务由平台发布后,需要许多手机用户参与进来去执行任务,此时也将消耗许多的手机资源,如流量、电量和内存等等,所以设计有效的激励机制是非常有必要的。本文的研究工作体现在以下两个方面:在大多数现有机制中,均假设有足够的参与者来执行众包任务。这种假设在大规模任务众包场景中可能不成立。为了解决用户参与不足的问题,我们提出利用社会网络中扩散众包任务。我们研究了两个任务扩散模型,并将最小化社会成本问题形式化为社会最优化任务扩散问题,使得所有大型任务都能在期望上满足扩散需求。我们根据社交网络的结构和历史的扩散数据设计了两种用户影响力计算方法。我们设计了两种基于密封反向拍卖的真实激励机制:任务线性扩散的激励机和任务独立级联扩散的激励机。通过严格的理论分析和充分的仿真实验,我们证明了所提出的机制能够实现计算有效性、个人理性、真实性和近似度。针对要求多人合作完成的群智感知任务,已有的工作没有考虑手机用户的兼容性。本文设计了一种真实的激励机制来最小化社会成本,并使得每个合作性任务能够由一群互相兼容的用户来完成。我们为上述情景设计了两种模型,并且针对每个模型分别解决社会最优化兼容用户选择问题。进一步地,我们定义了三种兼容模型,并且使用从社交网络中获取的真实用户关系去构造这种兼容关系。我们设计了两种基于反向拍卖的激励机制:多合作任务的多报价激励机制和多合作任务的单报价激励机制。它们均由两部组成:兼容用户分组和反向拍卖。我们进行了各种理论性质分析以及实验,证明了所设计的激励机制满足之前扩散激励机制大致相同的性质。另外多合作任务的多报价激励机制可以获得全局最优解。我们进一步使用了神经网络和聚类的方法进行用户的分组,使用这种方法进行分组的激励机制能在降低分组时间的情况下获得更小的社会成本和过付率。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP212.9;TN929.5
【图文】：

模型图,感知系统,通用模型,智能终端

虑用户的私心。动群智感知系统模型图 2.1 所示，是一个常见的激励机制模型。该系统由一个包括多种感应服感知平台及许多通过云和平台相连的智能终端用户组成。这些智能终端用户供者执行感知任务，而平台的用途就是招募智能终端用户提供感知服务。我们来讨论两种比较经典的激励机制，一个是以云端应用为中心的，另一个用户为中心的，在以云端应用为中心的激励机制系统下，应用所给予用户的的并且对于每个用户的报酬分配也是固定的，每个手机用户只能根据应用所变自己之后的行为，而在以用户为中心的激励机制中，平台和用户的角色确为了确保底线利益，每个用户都公布一个底价，这是其愿意出售服务的最低台选择一个用户子集，并为每个用户支付不低于用户底价的金额。

社交,扩散过程,获胜者,社会

都会为他们能够扩散的任务进行报价。该平台选择注册用户的子集，并通知选定的获胜者。获胜者将任务分散到他们的社会邻居身上。然后受影响的社会邻居执行任务。最后，每个获奖者获得付款，这是由平台决定的。图3.1说明了整个过程。本文提出了用户(受社交邻居影响)在众包中执行多项合作任务的激励机制。在这项工作

完成率,比率,获胜者,多付

用修改后的数据集，将 30％的推特转换为扩散的历史记录。我们定义过付率和完成率的概念，分别测试过付情况和任务扩散的效果。过付比率：过付比率定义为( ) 。完成率：设R(S)为所有众包任务中所有获胜者所转发推文的总数。完成率定义(S) 。请注意，完成率值越大，扩散性能越好，因此影响力估计效果越好。我们首先通过影响力估计方法来检测影响力评估的效果。然后通过统计获奖者人数，成本，多付比例和完成率，来展示关键参数包括注册用户数量（n），任务数量（m）和需求（r）。所有的实验的运行环境为配备了 Intel Xeon CPU E5-2420 和16 GB内存的 Ubu4.04.4 LTS 机器上。每次得出的结果为测量 100 次的平均值。3.7.2 影响力评估

【相似文献】