物联网移动群智感知任务协同排序推荐优化

陈贵兰

关键词：移动群智感知；任务推荐；协同排序；混合模型；参与者意愿

中图分类号：TP393 文献标识码：A

0 引言

在当前城市管理与数据采集方面，移动传感设备数量呈现指数级增长趋势，极大促进了移动群智感知（mobile crowd sensing，MCS）的发展[1]。可以将移动群智感知理解成是用智能移动设备探测器并结合移动社交网络对用户数据进行收集的过程[2-3]。进行MCS 任务分配时，需深入分析用户意愿，使意愿项和待分配任务之间达到最大程度的匹配效果，从而促进任务分配准确率的大幅提升，并获得更优的数据感知性能[4]。

MCS 相关方面的研究吸引了很多的学者。纪圣塨等[5] 设计了一种同时运用前向搜索与投票决策方式实现的动态用户招募处理方法，既优化了招募决策，同时也提升了数据的均匀性。王健等[6] 在混合用户模型计算方式基础上运用列表级排序（listwiseranking，LWR）学习的模型对任务进行协同排序，再根据参与者相似程度建立混合模型（hybridmodel，HM）。

本文根据列表级排序学习机制设计了一种协同排序任务推荐方法，将其表示为HM-LWR，确定合适近邻用户，用经过优化的排序学习算法完成排序模型的前期训练，再将推荐列表传输至用户端。

1 MCS任务分配流程

MCS 任务推荐问题后的任务分配流程如图1所示。根据参与者之前接受的各项任务情况匹配任务分类特征，构建相应的排序模型[7]。通过此模型对目标参与者偏好的任务实施排序，把结果发送给参与人员，完成对各项任务的分配。

3 实验分析

为测试本文算法的有效性，运用仿真结果与实际采集到的数据在MATLAB 平台上进行测试分析。综合分析了测试过程的各项参数变化，考虑任务分配准确性与处理时间的影响，并对用户参与成本及其积极性进行对比。

3.1 实验设置

以随机方式从中选择80% 比例的样本组成训练集，再以剩余20% 样本组成测试集。表1 为本实验的各项参数设置情况。其中，c 为候选人员数量，t 为任务数差异，α 为相似度模型调控指标，λ 为正则化参数，μ 为学习速率，n 为迭代总次数，rank为等级系数。

3.2 实验结果分析

3.2.1 参数分析

图2 为不同正则化参数下算法收敛性变化结果，图3 为不同参数α 下平均分配准确率变化结果。本次测试了用户类型偏好与位置偏好两个层面的用户意愿，重点探讨了影响两者比重的α 参数。由图2和图3 可知，最优参数指标为学习速率μ=0.01，正则化参数λ=0.01，迭代100 次，相似度模型调控指标α=0.5。

任务分配速率直接决定了分配准确率，本文对其进一步进行量化处理，以分配过程的算法时间作为判断依据，同时将本文设计算法的运行时间理解为载入测试集以及对任务进行分配所需的时间。

3.2.2 性能比较

图4 和图5 分别是用户签到数据集和交互数据集下进行任务分配过程准确率测试的结果。由图4和图5 可知，设置更多任务数量时，各种方法都呈现分配准确率小幅波动的现象。HM-LWR 算法分配准确率达到了近96% 的平均准确率，在相同的任务数量条件下，相较于MSC 与LWR 算法有明显提高，相较于高斯尺度混合（Gaussian scale mixtures，GSMs）算法则有小幅提升。

以上测试结果表明，HM-LWR 算法可以达到更高的分配准确率，同时还可以缩短分配时间，提升整体处理效率，比LWR 算法的优势更大。虽然GSMs 算法在分配準确率方面能够满足要求，但需要花费大量计算时间，算法效率偏低。总体来看，HM-LWR 算法具备优异的综合性能。

4 结论

本文开展物联网移动群智感知任务协同排序推荐优化分析，取得以下结果。

（1）采用HM-LWR 算法模型能够较精确地预测参与者的任务偏好情况，分配MCS 任务时可以有效提升准确性与运算效率。最优参数指标为学习速率μ=0.01，正则化参数λ=0.01，迭代100 次，相似度模型调控指标α=0.5。

（2）HM-LWR 算法相较于MSC 与LWR 算法有明显提高，相较于GSMs 算法有小幅提升，达到了近96% 的平均准确率。