陳貴蘭

關鍵詞：移動群智感知；任務推薦；協(xié)同排序；混合模型；參與者意愿

中圖分類號：TP393 文獻標識碼：A

0 引言

在當前城市管理與數據采集方面，移動傳感設備數量呈現指數級增長趨勢，極大促進了移動群智感知（mobile crowd sensing，MCS）的發(fā)展[1]?？梢詫⒁苿尤褐歉兄斫獬墒怯弥悄芤苿釉O備探測器并結合移動社交網絡對用戶數據進行收集的過程[2-3]。進行MCS 任務分配時，需深入分析用戶意愿，使意愿項和待分配任務之間達到最大程度的匹配效果，從而促進任務分配準確率的大幅提升，并獲得更優(yōu)的數據感知性能[4]。

MCS 相關方面的研究吸引了很多的學者。紀圣塨等[5] 設計了一種同時運用前向搜索與投票決策方式實現的動態(tài)用戶招募處理方法，既優(yōu)化了招募決策，同時也提升了數據的均勻性。王健等[6] 在混合用戶模型計算方式基礎上運用列表級排序（listwiseranking，LWR）學習的模型對任務進行協(xié)同排序，再根據參與者相似程度建立混合模型（hybridmodel，HM）。

本文根據列表級排序學習機制設計了一種協(xié)同排序任務推薦方法，將其表示為HM-LWR，確定合適近鄰用戶，用經過優(yōu)化的排序學習算法完成排序模型的前期訓練，再將推薦列表傳輸至用戶端。

1 MCS任務分配流程

MCS 任務推薦問題后的任務分配流程如圖1所示。根據參與者之前接受的各項任務情況匹配任務分類特征，構建相應的排序模型[7]。通過此模型對目標參與者偏好的任務實施排序，把結果發(fā)送給參與人員，完成對各項任務的分配。

3 實驗分析

為測試本文算法的有效性，運用仿真結果與實際采集到的數據在MATLAB 平臺上進行測試分析。綜合分析了測試過程的各項參數變化，考慮任務分配準確性與處理時間的影響，并對用戶參與成本及其積極性進行對比。

3.1 實驗設置

以隨機方式從中選擇80% 比例的樣本組成訓練集，再以剩余20% 樣本組成測試集。表1 為本實驗的各項參數設置情況。其中，c 為候選人員數量，t 為任務數差異，α 為相似度模型調控指標，λ 為正則化參數，μ 為學習速率，n 為迭代總次數，rank為等級系數。

3.2 實驗結果分析

3.2.1 參數分析

圖2 為不同正則化參數下算法收斂性變化結果，圖3 為不同參數α 下平均分配準確率變化結果。本次測試了用戶類型偏好與位置偏好兩個層面的用戶意愿，重點探討了影響兩者比重的α 參數。由圖2和圖3 可知，最優(yōu)參數指標為學習速率μ=0.01，正則化參數λ=0.01，迭代100 次，相似度模型調控指標α=0.5。

任務分配速率直接決定了分配準確率，本文對其進一步進行量化處理，以分配過程的算法時間作為判斷依據，同時將本文設計算法的運行時間理解為載入測試集以及對任務進行分配所需的時間。

3.2.2 性能比較

圖4 和圖5 分別是用戶簽到數據集和交互數據集下進行任務分配過程準確率測試的結果。由圖4和圖5 可知，設置更多任務數量時，各種方法都呈現分配準確率小幅波動的現象。HM-LWR 算法分配準確率達到了近96% 的平均準確率，在相同的任務數量條件下，相較于MSC 與LWR 算法有明顯提高，相較于高斯尺度混合（Gaussian scale mixtures，GSMs）算法則有小幅提升。

以上測試結果表明，HM-LWR 算法可以達到更高的分配準確率，同時還可以縮短分配時間，提升整體處理效率，比LWR 算法的優(yōu)勢更大。雖然GSMs 算法在分配準確率方面能夠滿足要求，但需要花費大量計算時間，算法效率偏低?？傮w來看，HM-LWR 算法具備優(yōu)異的綜合性能。

4 結論

本文開展物聯(lián)網移動群智感知任務協(xié)同排序推薦優(yōu)化分析，取得以下結果。

（1）采用HM-LWR 算法模型能夠較精確地預測參與者的任務偏好情況，分配MCS 任務時可以有效提升準確性與運算效率。最優(yōu)參數指標為學習速率μ=0.01，正則化參數λ=0.01，迭代100 次，相似度模型調控指標α=0.5。

（2）HM-LWR 算法相較于MSC 與LWR 算法有明顯提高，相較于GSMs 算法有小幅提升，達到了近96% 的平均準確率。