吳佳瑩，張振宇，韓俊櫻

(新疆大學(xué)信息科學(xué)與工程學(xué)院，新疆 烏魯木齊 830046)

0 引言

移動群智感知是一種隨著物聯(lián)網(wǎng)發(fā)展而誕生的新興感知范式，它將用戶移動設(shè)備(智能手機、平板電腦、可穿戴式智能設(shè)備等)作為基本感知單元，通過不同拓撲結(jié)構(gòu)的移動網(wǎng)絡(luò)進行連接構(gòu)成大規(guī)模的感知系統(tǒng)，從而實現(xiàn)感知數(shù)據(jù)的收集，應(yīng)用于環(huán)境監(jiān)測[1-3]、智能交通[4-6]、移動社交[7]等實際場景中.

參與者選擇是移動群智感知中的關(guān)鍵問題之一.在典型的移動群智感知系統(tǒng)框架中，感知平臺針對數(shù)據(jù)請求者的需求并參考實時場景下的用戶信息，為每個感知任務(wù)選取一組合適的用戶作為參與者去完成感知任務(wù).在多數(shù)情況下，參與者選擇方法主要以平臺為中心，針對用戶效用(如用戶的移動速度、用戶與感知任務(wù)之間的距離、用戶的信譽度、用戶的設(shè)備性能等因素)選取參與者，以實現(xiàn)最小化感知時間、最小化激勵成本、最大化數(shù)據(jù)感知質(zhì)量等優(yōu)化目標.文獻[8]研究移動群智感知平臺中的參與者選擇機制，在參與者數(shù)量一定的情況下，最大限度地提高感知任務(wù)的空間覆蓋范圍；文獻[9]主要研究在考慮空間位置、時間需求以及參與者行為習(xí)慣的情況下，選擇合適的參與者完成任務(wù)；文獻[10]研究了在已知給定集合點的距離最小；文獻[11]提出的框架能夠在滿足感知覆蓋質(zhì)量的情況下，選擇最少的參與者來最大限度地減少激勵支付.

但從用戶角度出發(fā)，由于移動設(shè)備的用戶私有性、資源有限性等因素，致使用戶不愿意去執(zhí)行感知任務(wù).另外，如果被分配到的感知任務(wù)對于用戶來說報酬過低、距離過遠、功能權(quán)限需求過多，也會在一定程度上催生用戶對于執(zhí)行感知任務(wù)的抗拒情緒.上述情況不利于維護用戶的長時參與水平，并且降低用戶執(zhí)行感知任務(wù)的積極性進而可能出現(xiàn)上傳虛假數(shù)據(jù)、中途退出等損害感知數(shù)據(jù)質(zhì)量的行為.因此如何提高用戶意愿，維護參與者長時參與水平一直以來都是移動群智感知的重點研究方向之一.目前考慮用戶參與意愿的參與者優(yōu)選方法較少，多數(shù)研究工作考慮的是設(shè)計合理的激勵機制，通過金錢、虛擬積分、信譽值等報酬去提升用戶的參與積極性.文獻[12]采用逆向拍賣中的組合拍賣模式來激勵參與者，參與者可以根據(jù)自己所在位置和感知范圍競價多個感知任務(wù)，服務(wù)器根據(jù)匯總的參與者競價情況來選擇贏標者.文獻[13]采用雙向拍賣機制來激勵參與者加入位置信息敏感者的K匿名保護中.但是實際場景中，用戶是有限理性的，并不會一味地追求利益最大化，激勵機制所給予的報酬不一定總是能夠有效提升用戶意愿.另外，額外的激勵報酬可能會加大平臺的感知成本.因此如果能夠在參與者選擇過程中，綜合考慮用戶意愿與用戶效用兩個因素來選擇合適的用戶執(zhí)行感知任務(wù)，較基于激勵機制以及基于效用的選擇方法更有利于維護用戶的長時參與水平，并在一定程度上保障感知效率與數(shù)據(jù)質(zhì)量.

基于用戶意愿的參與者優(yōu)選方法，其主要挑戰(zhàn)在于：用戶意愿受到很多因素影響，很難將用戶自身情況、任務(wù)屬性、周圍環(huán)境信息等諸多數(shù)據(jù)進行合理地形式化表達；難以擬合影響因素與用戶意愿的映射關(guān)系并找到一個合理的意愿函數(shù)以量化評估用戶意愿.考慮這一情況，首先，本文通過卷積自編碼對意愿影響因素進行合理化表達，提取出關(guān)鍵特征；其次，通過全連接的深度神經(jīng)網(wǎng)絡(luò)構(gòu)建回歸模型，用以在感知過程中評估用戶對于某個感知任務(wù)的執(zhí)行意愿；最后，設(shè)計了一種平衡用戶意愿與用戶效用的參與者優(yōu)選機制，以應(yīng)對在不同緊急程度下的感知場景.

1 用戶意愿評估

1.1 意愿因子

用戶執(zhí)行某項感知任務(wù)的意愿程度定義為用戶意愿，記作W.用戶意愿受到很多因素影響，如移動設(shè)備的剩余資源、用戶是否處于忙碌狀態(tài)、用戶對任務(wù)報酬是否滿意、用戶對任務(wù)難度是否接受等.將其中可量化的影響因素稱為意愿因子[14].本文主要考慮的意愿因子主要有3類，如表1所示.

表1 意愿因子

由于難以找到一個合理的意愿函數(shù)去評估意愿，因此本文使用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建一個回歸模型，用以估計用戶意愿，其形式化表達式為

W=DNNreg(Fuser，F(xiàn)task，F(xiàn)env).

(1)

其中DNNreg為全連接層構(gòu)成的用戶意愿回歸模型，在后文將對其實現(xiàn)進行具體說明.

1.2 用戶因子

從用戶角度出發(fā)，不同于傳統(tǒng)傳感模式，用戶所持有的智能設(shè)備是移動群智感知系統(tǒng)中基礎(chǔ)的感知單元，但是設(shè)備主要供用戶自身使用.正是因為這種用戶私有性，在實際感知場景中，設(shè)備的剩余電量、網(wǎng)絡(luò)流量等感知資源受限時，用戶可能不愿意消耗資源去完成感知任務(wù).而當用戶處于忙碌狀態(tài)時，可能不愿意執(zhí)行額外的感知任務(wù).除此之外，用戶地理位置與用戶移動速度也是影響其意愿的重要因素，兩者決定了用戶執(zhí)行一個或多個感知任務(wù)所耗費的時空成本，如搭乘或駕駛交通載具的費用成本、移動至目標區(qū)域的時間損耗等.

綜上所所述，用戶因子表示為維度為6的一階張量，其形式化表達式為

Fuser=[locx，locy，pow，dmoile，sbusy，v].

(2)

用戶因子中的特征描述如表2所示.

表2 用戶因子

1.3 任務(wù)因子

用戶本身具有主觀意識，當任務(wù)報酬無法令其滿意或者任務(wù)目標區(qū)域過于遙遠時，用戶的執(zhí)行意愿都會受到不同程度的影響.感知任務(wù)所需的權(quán)限數(shù)量(麥克風(fēng)、存儲空間、攝像機、聯(lián)系人等應(yīng)用權(quán)限)、網(wǎng)絡(luò)流量、損耗電量這些因素反映了執(zhí)行該項任務(wù)的難度，如果執(zhí)行難度過大或不利于用戶隱私保護時，用戶也有一定概率拒絕執(zhí)行該項任務(wù).

綜上，任務(wù)因子形式化表達為

Ftask=[tx，ty，pt，dt，cnum，r].

(3)

任務(wù)因子中的部分特征描述如表3所示.

表3 任務(wù)因子(部分)

(3)式中的pt與dt分別為表示感知任務(wù)所需的電量和表示感知任務(wù)所需的網(wǎng)絡(luò)流量.由于一個感知任務(wù)很難去描述感知內(nèi)容并量化其所需的感知資源.因此本文將感知任務(wù)拆解成多個單位感知動作，即一個任意的感知任務(wù)可以由多個感知動作構(gòu)成.通過如表4的整數(shù)編號去標記感知動作.

表4 感知動作

感知動作pt與dt均表示五維向量.例如：pt的值為(0，0，0，4，1)則表示該感知任務(wù)所消耗的電量等同于拍攝4張照片與一個1 min視頻，并將數(shù)據(jù)全部上傳所消耗的電量.最終，任務(wù)因子可表示為一個14維的一階張量.

1.4 環(huán)境因子

群智感知是群體行為，用戶的意愿除了受到自身情況和感知任務(wù)這兩個因素影響以外，還會受到實時環(huán)境的影響.實時環(huán)境的影響主要體現(xiàn)用戶周圍的用戶分布和任務(wù)分布.由于人類本身具有潛在的從眾意識，自身周圍的群體行為可能會影響到個人的決策.在感知過程中，當用戶周圍有其他用戶選擇執(zhí)行某個感知任務(wù)時，可能會帶動并提升該用戶執(zhí)行感知任務(wù)的意愿，而用戶間的社交關(guān)系密切時，這種影響程度會相對提升.如當用戶身邊的朋友執(zhí)行感知任務(wù)時，用戶有一定概率會選擇跟隨朋友，一起去完成感知任務(wù)并獲取報酬.

另外，當某個感知任務(wù)的附近存在其他感知任務(wù)，并且用戶設(shè)備資源支持其完成多個感知任務(wù)時，用戶可以以較小的時空成本完成多個任務(wù)賺取高額報酬.因此某個感知任務(wù)周圍有著密集的感知任務(wù)分布有利于提升該任務(wù)被用戶執(zhí)行的概率.

綜上，任務(wù)因子其形式化表達式為

Fenv=[smat，emat，rmat].

(4)

其中：smat為用戶社交權(quán)重矩陣，emat為用戶感知狀態(tài)矩陣，rmat為任務(wù)報酬矩陣.每個矩陣的大小均為101×101，矩陣中心為用戶所處的位置.每個矩陣中元素所代表的含義如表5所示.

表5 矩陣元素含義

類似于一幅圖像，將3個矩陣拼接構(gòu)成一個3階張量.因此環(huán)境因子Fenv可表示成尺寸101×101，深度為3的特征圖.采用特征圖來表示環(huán)境因子可以解決樣本的不定長問題.不失一般性，某個用戶周圍的任務(wù)與用戶均可以用一階張量表示，環(huán)境因子簡單的表示方法就是將多個一階張量進行拼接，但是由于實際場景中周圍的其他用戶與任務(wù)數(shù)量是不定的，簡單拼接就會造成樣本不定長問題.

但是用101×101×3的張量來表示環(huán)境因子還存在問題.首先維度過大且可能過于稀疏，其次沒有提取出特征圖中的結(jié)構(gòu)化特征.環(huán)境因子的特征圖中存在著一些潛在的結(jié)構(gòu)化特征影響著用戶的意愿，比如：感知任務(wù)的分布情況與用戶的移動軌跡相接近時，代表用戶可以順路執(zhí)行感知任務(wù)從而提升用戶的執(zhí)行意愿.考慮到上述問題，采用卷積自編碼器(Convolutional auto-encoder)對原始特征圖進行降維的同時提取出結(jié)構(gòu)化特征.自編碼器是一種特殊的網(wǎng)絡(luò)模型.通過對稱網(wǎng)絡(luò)結(jié)構(gòu)的解碼器與編碼器將輸入的樣本進行復(fù)現(xiàn)，最后訓(xùn)練好的編碼器可以將原始輸入進行有效降維.同時為了減少原始輸入信息的損失，并提取結(jié)構(gòu)化特征，使用卷積自編碼，在編碼器中加入卷積層與池化層，在解碼器中加入上采樣層.具體網(wǎng)絡(luò)模型如圖1所示.

圖1 卷積自編碼器網(wǎng)絡(luò)模型

將模型中編碼器部分取出用于對輸入的特征圖進行壓縮降維，維度從101×101×3降低到了10×10×32.卷積自編碼器的其他設(shè)置如表6所示.

表6 自編碼模型設(shè)置

1.5 回歸模型

DNNreg的具體網(wǎng)絡(luò)模型如圖2所示.

圖2 全連接的回歸模型

一般而言，用戶意愿值域為{0，1}，即用戶對于某個感知任務(wù)愿意做或者不愿意做.但是在真實場景中，用戶意愿往往更趨向于連續(xù)值的區(qū)間，即：完全抗拒、可以接受、非常樂意等不同的意愿程度.為了契合實際場景，本文將用戶意愿的值域設(shè)置為[0，1].

樣本輸出從離散值變?yōu)榱诉B續(xù)值，需要構(gòu)建一個回歸模型.DNNreg最后一層的激活函數(shù)采用Sigmoid函數(shù)，用來輸出一個0到1之間的數(shù)值.

輸入的單個樣本為用戶因子、任務(wù)因子、環(huán)境因子所構(gòu)成的一階張量，其維度是3 220維.模型進行訓(xùn)練前將輸入樣本中的每一維特征進行標準化處理，使得其平均值為0，標準差為1.為了避免模型結(jié)構(gòu)過于復(fù)雜而導(dǎo)致過擬合，內(nèi)部隱藏層采用比率為0.2，即將全連接層的權(quán)重隨機選取20%并設(shè)置為0，從而實現(xiàn)降低過擬合.其他設(shè)置如表7所示.

表7 回歸模型設(shè)置

2 參與者選擇機制

2.1 用戶效用

用戶效用為用戶對單個感知任務(wù)的效用價值，記作E.在不考慮用戶意愿的情況下，平臺會選擇一組用戶效用最大的用戶執(zhí)行感知任務(wù)，從而提升感知任務(wù)的感知效率.用戶效用受到用戶與感知任務(wù)間的距離、用戶移動速度、用戶信譽度等因素影響.本文僅考慮的效用因子如表8所示.

表8 效用因子

設(shè)置用戶效用函數(shù)fe計算用戶對于某個感知任務(wù)的效用值.用戶u對于感知任務(wù)t的效用值為

(5)

2.2 混合優(yōu)選機制

用戶意愿與用戶效用都是在參與者選擇時需要考慮的因素.為了兼顧意愿與效用，在參與者選擇過程中，將DNNreg預(yù)測的用戶意愿與fe計算出的用戶效用進行加權(quán)求和，其形式化表達式為

(6)

考慮到在實際場景中，感知任務(wù)的緊急程度是不同的，因此就會產(chǎn)生用戶意愿與用戶效用不同的側(cè)重.比如：在出現(xiàn)突發(fā)事故時，政府希望盡快得到感知數(shù)據(jù)，這時用戶效用更為重要；而平時感知用戶較多，感知需求不是很緊急的時候，平臺希望盡可能照顧到用戶意愿，以維護其長時的參與水平，因此用戶意愿更為重要.通過調(diào)節(jié)權(quán)重kw與ke就可以在不同的場景選擇較為合適的參與者.在實際選擇參與者時，遍歷感知任務(wù)集，利用(6)式計算用戶的WEu，并進行降序排序，貪心選擇前Kt(Kt為該感知任務(wù)所需的參與者數(shù)量)用戶執(zhí)行感知任務(wù).具體流程如算法1 所示.

算法1：平衡用戶意愿與效用的參與者選擇算法.

輸入：意愿回歸模型DNNreg，感知任務(wù)集合T，用戶集合U.

輸出：每個感知任務(wù)的參與者集合Tsel.

(1) 從T中選取任務(wù)t.

(2) 從U中選取用戶u.

(3) 使用意愿回歸模型DNNreg預(yù)測用戶u對執(zhí)行任務(wù)t的意愿Wu，t.

(4) 根據(jù)式5計算用戶u對執(zhí)行任務(wù)t的效用Eu，t.

(5) 循環(huán)執(zhí)行(2)到(4)步，直到U中的全部用戶均被處理過.

(6) 根據(jù)(6)式計算U中所有用戶對執(zhí)行任務(wù)t的意愿效用加權(quán)和WEu，t.

(7) 根據(jù)WEu，t對U中的用戶進行降序排序.

(8) 選取前Kt用戶，加入到任務(wù)t的參與者集合tsel中.

(9) 將tsel加入到參與者集合Tsel中.

(10) 循環(huán)執(zhí)行(1)—(8)步直至所有任務(wù)均完成參與者選擇.

(11) 輸出Tsel.

(12) 結(jié)束.

3 實驗評估與分析

3.1 數(shù)據(jù)準備

采用由CRAWDAD提供的真實數(shù)據(jù)集mobility進行實驗，它包含了2008年美國舊金山30 d內(nèi)500輛出租車的GPS軌跡數(shù)據(jù)集.每個子文件與出租車ID相對應(yīng)，包含經(jīng)緯度、出租車狀態(tài)信息(0表示出租車處于空閑狀態(tài)，1表示出租車正在載客)、時間戳.本文基于mobility設(shè)置的實驗參數(shù)如表9所示.

表9 實驗參數(shù)設(shè)置

目前完備考慮用戶意愿的移動群智感知平臺較少，導(dǎo)致缺少用戶意愿的真實量化數(shù)據(jù).因此采用Crowd-Cluster意愿模型來量化用戶意愿，生成樣本標簽，從而進行仿真實驗[15].Crowd-Cluster設(shè)計的意愿模型服從Boltzmann分布，首先，雖然不能完全準確量化用戶意愿程度，但能夠?qū)⒂脩艟嚯x、任務(wù)報酬、速度等影響因素與用戶意愿相關(guān)聯(lián)，其次，在一定程度上契合用戶的有限理性，即：每個任務(wù)都有概率被用戶選擇執(zhí)行.將Crowd-Cluster意愿模型進行適當修改，其形式化表達式為：

(7)

Qt，u=ω1×Vuser+ω2×Vtask+ω3×Venv；

(8)

Vuser=pow+dmobile-sbusy；

(9)

(10)

(11)

其中BT=(1，2，3，4，5)，Ω(At，Au)為感知任務(wù)與用戶的歐幾里得距離，(8)式在進行加權(quán)求和時，對每項因子進行歸一化.

通過修改過的Crowd-Cluster意愿模型與基于mobility設(shè)置的實驗參數(shù)，仿真生成16 400個樣本.單個樣本數(shù)據(jù)的形式化表示為

samplei=(xi，yi).

(12)

其中xi中為1階3 220維的用戶意愿特征張量，yi為通過修改過的Crowd-Cluster意愿模型生成的用戶意愿.

3.2 意愿模型評估

設(shè)置如表10所示的5個基線方法，用于評估用戶意愿模型的預(yù)測準確率.

表10 基線方法

采用R2決定系數(shù) (R2Score)作為模型評估指標，檢驗?zāi)Ｐ蛯τ脩粢庠傅臄M合效果，其公式為

(13)

記錄模型訓(xùn)練的損耗時間，來評估模型性能.結(jié)果如表11所示.

表11 意愿模型評估實驗結(jié)果

根據(jù)表11的實驗結(jié)果可以看出.本文方法擬合程度最優(yōu)，原因主要在于卷積自編碼是非線性降維壓縮效果優(yōu)于線性降維的主成分分析，并且丟失信息數(shù)據(jù)較少.線性回歸與套索回歸屬于淺層機器學(xué)習(xí)，本質(zhì)屬于數(shù)學(xué)數(shù)據(jù)的線性組合，其時間損耗遠小于神經(jīng)網(wǎng)絡(luò)模型，但擬合程度較低，難以較準確地評估用戶意愿.而本文方法由于更少的維度特征使得訓(xùn)練速度優(yōu)于其他的神經(jīng)網(wǎng)絡(luò)模型.

3.3 參與者選擇方法評估

通過兩個感知任務(wù)案例來評估混合優(yōu)選機制的效果及合理性.在mobility數(shù)據(jù)中截取2個實時的用戶分布場景，并參考表9對用戶的相關(guān)參數(shù)進行設(shè)置.每個感知場景中設(shè)置一個不同緊急程度的感知任務(wù)，其任務(wù)部分參數(shù)設(shè)置如表12所示.

表12 任務(wù)參數(shù)設(shè)置

通過任務(wù)完成度、總移動感知時間、平均用戶意愿這3個指標來反映感知任務(wù)的完成質(zhì)量及效率，進而評估參與者選擇方法的效果.任務(wù)完成度計算公式為

(13)

其中NeedPt為感知任務(wù)所需的參與者人數(shù).不失一般性，每個用戶如果正常完成感知任務(wù)，其對任務(wù)的貢獻度是一樣的.而用戶的實時意愿程度和其歷史信譽度，側(cè)面反映了用戶在執(zhí)行這次感知任務(wù)過程中退出或者上傳虛假感知數(shù)據(jù)的可能性.

(14)

不失一般性，由于完成一次感知任務(wù)的執(zhí)行時間對于每個用戶而言是差不多的，移動群智感知往往是微感知任務(wù)，感知時間較小.因此，僅考慮用戶移動到任務(wù)位置的時間，來評估任務(wù)的完成效率.總移動感知時間為參與者移動到任務(wù)目標區(qū)域所耗費的時間之和.其值越小則完成效率越高.平均用戶意愿計算公式為

(15)

通過作為參與者的用戶意愿均值來衡量用戶的參與水平.值越大用戶參與水平越高.

本文通過調(diào)節(jié)權(quán)重kw與ke設(shè)置了4種參與者選擇方法(如表13所示).

表13 參與者選擇方法

上述4種參與者選擇方法基于t1進行實驗的結(jié)果如表14所示.

表14 基于t1的實驗結(jié)果

t1為較為緊急的感知任務(wù)，在實際感知場景中如果出現(xiàn)擁堵，如道路路面坍塌、基礎(chǔ)設(shè)施嚴重損毀、嚴重交通事故等緊急事件時，政府及有關(guān)部門希望第一時間得到事故地點的準確信息.在這種感知場景下，用戶意愿是其次的，優(yōu)先考慮的是任務(wù)的完成度以及時間效率.通過表14中的數(shù)據(jù)可以得出，僅考慮用戶效用值的參與者選擇方法雖然能夠保證參與者快速到達指定的目標區(qū)域，但是由于普遍用戶意愿較低，有較大概率上傳虛假數(shù)據(jù)或是中途退出，致使感知任務(wù)完成度低.不準確的感知數(shù)據(jù)不利于政府及有關(guān)部門進行準確的決策，以應(yīng)對突發(fā)事件.而僅考慮用戶意愿和側(cè)重考慮用戶意愿的參與者選擇方法，雖然任務(wù)完成度高，但耗費的時間過多，不利于有關(guān)部門及時做出決策.其中，由于僅考慮意愿的參與者選擇方法僅考慮了用戶實時意愿，沒有考慮用戶效用值中的用戶歷史信譽度，用戶出現(xiàn)中途退出或是惡意上傳數(shù)據(jù)等行為的概率依舊比較高，致使最終的任務(wù)完成度也相對不高.因此綜合考慮，側(cè)重用戶效用的混合參與者選擇在該場景下的最優(yōu)參與者選擇方法，能夠在保障任務(wù)完成度的同時，盡可能優(yōu)化感知時間，使得政府及有關(guān)部門能夠在較快的時間內(nèi)得到較為準確地感知數(shù)據(jù).

4種參與者選擇方法基于t2進行實驗的結(jié)果如表15所示.

表15 基于t2的實驗結(jié)果

t2為較為日常的感知任務(wù)，其緊急程度相對較低.但是道路交通信息感知、空氣質(zhì)量感知、噪音感知等任務(wù)出現(xiàn)的頻率很高，在日常生活中如政府部門、研究機構(gòu)乃至用戶本身，都可能作為長期的數(shù)據(jù)請求者在平臺上發(fā)布相關(guān)的感知任務(wù).考慮到上述情況，如果要保證用戶能夠經(jīng)常性地完成這樣的日常感知任務(wù)，就需要維護用戶的長時參與水平.因此，在這種感知任務(wù)場景中，除了任務(wù)完成度及效率，用戶意愿需要也是要著重考慮的.

通過表15的數(shù)據(jù)可以發(fā)現(xiàn)，僅考慮用戶效用的參與者選擇方法其完成度與用戶平均意愿的值均相對較低.而僅考慮用戶意愿的參與者選擇方法時間損耗太大，效率過低.側(cè)重考慮用戶效用的混合參與者選擇方法的用戶意愿相對較低，不利于維護用戶的長時參與水平.側(cè)重考慮用戶意愿的混合參與者選擇方法其用戶意愿略微低于僅考慮意愿的參與者選擇方法，但執(zhí)行效率以及任務(wù)完成度有明顯提升.側(cè)重考慮用戶意愿的參與者選擇方法較為契合該感知場景.

根據(jù)上述兩個不同感知場景的案例可以得出，綜合考慮用戶意愿以及用戶效用的混合參與者選擇方法其效果優(yōu)于僅考慮用戶意愿或者用戶效用的參與者選擇方法.并且通過調(diào)節(jié)權(quán)重kw與ke可以使得混合參與者選擇方法適應(yīng)不同的感知場景，使得選擇出的參與者集合在保證感知質(zhì)量的同時，維護用戶的意愿.

4 結(jié)語

本文提出了一種基于用戶意愿的參與者優(yōu)選方法.主要工作分為2個部分：(1) 構(gòu)建了一個基于深度神經(jīng)網(wǎng)絡(luò)與卷積自編碼器的用戶意愿評估模型.詳細分析了可量化的意愿因素，細分類成3類意愿因子，并采用不同的方式對各類意愿因子進行建模，實現(xiàn)較為合理的形式化表達.(2) 設(shè)計平衡用戶意愿與用戶效用的參與者選擇機制.

通過線性加權(quán)實現(xiàn)了用戶意愿與效用的合理疊加，并可以通過調(diào)節(jié)權(quán)重，實現(xiàn)在不同緊急程度的場景下，微調(diào)用戶意愿與用戶效用的側(cè)重比.后續(xù)工作需要融合行為經(jīng)濟學(xué)、博弈論等交叉學(xué)科，深度分析用戶執(zhí)行感知任務(wù)的心理活動，進一步完備意愿因子，構(gòu)建更為準確、適用性更好的意愿評估模型.