基于协同排序学习算法的移动群智感知任务推荐

杜兆芳

摘要：为了解决移动群智感知（mobile crowd sensing，MCS）中候选者积极性不高导致数据质量低的问题，根据列表级排序（list-wise ranking，LWR）学习机制设计了一种基于混合模型（hybrid model，HM）与列表级排序算法相结合的排序任务推荐方法HM-LWR，并在MATLAB 平台上测试各项参数变化。研究结果表明：候选者人数的增加引起运行时间明显延长，HM-LWR 与MSC 都呈现相近的较小增幅；HM-LWR 算法在分配期间的候选者达到了最高的积极性，获得了近97% 的参与率。由此得出HM-LWR 算法能够达到更高分配准确性、缩短分配时间、提升整体处理效率，在智慧城市领域具有很好的推廣价值。

关键词：移动群智感知；任务推荐；协同排序；混合模型；候选者意愿

中图分类号：TP393 文献标识码：A

0 引言

无线通信技术的开发以及各类智能移动设备的应用推广，为移动空间中的群智感知提供了可靠的技术支撑，各类功能丰富的传感器为移动群智感知（mobile crowd sensing，MCS） 提供了硬件基础，能够实现与人类社会之间更紧密的通信联系[1]。多种内部系统与外部环境因素都会对移动群智感知性能造成影响，而这当中感知数据提供方发挥着最直接的作用，如何完成各类任务的准确高效分配，是当前需要重点关注的一项研究内容[2]。

近年来已有许多学者开展了针对任务分配策略的研究。杨桂松等[3] 设计了一种针对延迟接受构建得到的多任务分配策略来实现移动群智感知功能。之后对该策略进行测试发现，其对于增强平台运行效能与提升用户满意度都起到了积极作用。蔡威等[4]根据强化学习机制为用户和平台系统构建了一种可以实现共赢的博弈模式，通过强化学习的过程进行位置扰动策略测试，并由此确定最佳位置扰动方案。通过测试发现，这一机制除了可以对任务分配效率起到优化作用以外，还能够促进用户整体使用满足度的提升，从而实现用户和平台双赢[5-6]。

随着推荐技术的应用推广，用户可以根据自身业务需求选择更优方案。在已有研究的基础上，本文开展基于协同排序学习算法的移动群智感知任务推荐研究。通过仿真测试发现，采用本文方法可以显著提升任务分配精度，并大幅缩短不同感知用户移动距离。