基于時空信息和任務流行度分析的移動群智感知任務推薦

收稿日期：2022-01-22；修回日期：2022-03-28" 基金項目：國家自然科學基金資助項目（61602305，61802257）；上海市自然科學基金資助項目（18ZR1426000，19ZR1477600）

作者簡介：楊桂松（1982-），男，河南漯河人，副教授，碩導，博士，主要研究方向為物聯網與普適計算等；王靜茹（1995-），女，河南開封人，碩士研究生，主要研究方向為移動群智感知；李俊（1986-），男，江西吉安人，正高級工程師，博士，主要研究方向為工業領域網絡與數據安全；何杏宇（1984-），女（通信作者），湖南岳陽人，副教授，碩導，博士，主要研究方向為物聯網、群智計算和大數據分析（xy_he@usst.edu.cn）．

摘 要：現有移動群智感知任務推薦的共同缺點是：一方面，未充分考慮時空信息對工人偏好的影響，導致推薦準確性低；另一方面，忽略了任務流行度對推薦的影響，導致推薦覆蓋率差。為解決這些問題，提出一種基于時空信息和任務流行度分析的移動群智感知任務推薦方法。充分利用工人執行記錄中的相關信息（如工人執行任務的時間、位置），準確預測工人對任務的偏好；基于工人聲譽和任務執行情況分析任務流行度并設計任務流行度懲罰因子，提升推薦效果的覆蓋率；結合工人偏好和流行度懲罰因子生成任務推薦列表。實驗結果表明，與現有基線方法相比，所提出方法在推薦準確率上平均提升了3.5%，推薦覆蓋率上平均提高了25%。

關鍵詞：移動群智感知；任務推薦；時空信息；流行度偏差；任務流行度

中圖分類號：TP181"" 文獻標志碼：A

文章編號：1001-3695（2022）09-028-2745-07

doi：10.19734/j.issn.1001-3695.2022.01.0046

Task recommendation based on spatial-temporal information and task popularity analysis in mobile crowd sensing

Yang Guisong1a，Wang Jingru1a，Li Jun2，He Xingyu1b

（1.a.School of Optical-Electrical amp; Computer Engineering，b.College of Communication amp; Art Design，University of Shanghai for Science amp; Technology，Shanghai 200093，China；2.National Industrial Information Security Development Research Center，Beijing 100040，China）

Abstract：The drawbacks of existing task recommendation in mobile crowd sensing were as follows：on the one hand，not fully considering the influence of spatial-temporal information on worker preference led to low accuracy of recommendation，on the other hand，ignoring the impact of task popularity on recommendation led to poor recommendation coverage.To solve these drawbacks，this paper proposed a novel task recommendation approach based on spatial-temporal information and task popularity analysis in mobile crowd sensing.Firstly，this approach made full use of the relevant information contained in the worker execution record（e.g.，the time and location of worker performing tasks） to accurately predict the preference of worker for performing tasks.Secondly，in order to reduce the impact of popular tasks on recommendation coverage，this paper analyzed task popularity based on worker reputation and task execution record，and designed appropriate task popularity penalty factor.Then，combining worker preference and task popularity penalty factor，this paper provided an appropriate task recommendation list for each worker.Finally，the experimental results show that compared with the existing baseline methods，the proposed method improves the recommendation accuracy by 3.5% and the recommendation coverage by 25%.

Key words：mobile crowd sensing；task recommendation；spatial-temporal information；popularity bias；task popularity

0 引言

移動群智感知（mobile crowd sensing，MCS）［1］是一種具有廣闊前景的感知模式，已廣泛應用于很多領域，如環境監測［2］、健康數據收集［3］、工業控制管理［4］、地質勘測［5］和交通規劃［6］等。典型的移動群智感知系統由任務發布方、任務完成方（工人）和MCS平臺三部分組成。其工作流程如下：任務發布方將任務請求發布在MCS平臺，MCS平臺根據接收到的任務請求為工人建立任務列表，工人從列表中選擇任務去執行，并將感知數據上傳至MCS平臺，MCS平臺最終將感知數據反饋給任務發布方。在這個過程中，工人選擇任務的可能性受工人偏好的影響，因此如何挖掘工人偏好、向工人推薦最有可能執行的任務列表尤為重要。任務推薦的效率和質量不僅會影響工人的執行意愿，也會影響任務的感知質量。

現有研究傾向于使用單一模型來學習工人偏好［7］，進而實現任務推薦，例如基于工人相似性或者任務相似性［8～10］的任務推薦方法、基于邏輯回歸模型的方法［11，12］。這些方法都需要提前制定影響工人偏好的因素，但是在移動群智感知中，影響工人偏好的因素眾多，很難提前制定所有因素。為解決這個問題，一些研究開始將推薦系統［13］應用到移動群智感知領域的任務推薦，從工人的歷史執行記錄中預測工人偏好。文獻［14，15］利用矩陣分解模型預測工人偏好，并依據偏好為工人生成任務推薦列表；文獻［16］提出一種基于特征的貝葉斯任務推薦方法，通過任務類別來學習任務的潛在特征，解決新任務冷啟動情況下的任務推薦問題；文獻［17］綜合考慮每個工人的偏好和可靠性實現任務推薦。

上述方法未充分考慮工人偏好的時空變化，這會影響推薦準確度。一方面，工人的偏好隨著時間動態變化，工人近期的任務選擇更能代表工人目前的偏好；另一方面，移動群智感知中的任務分布在不同的感知區域，工人需要移動到感知區域地點去執行任務，出于自身成本角度考慮，工人更傾向于執行距離自己較近位置的任務。盡管文獻［18］利用張量分解模型實現基于工人位置的任務推薦，但是受到工人流動性的影響［19］，該模型需要頻繁更新來適應工人的位置變化，導致不能及時捕捉工人新的偏好。因此，如何結合工人時空信息來準確預測工人偏好是一大挑戰。

另外，現有移動群智感知任務推薦研究忽略了任務流行度對推薦效果的影響，這會產生流行度偏差問題［20］，造成任務推薦覆蓋率下降。例如，市區的交通流量監測等流行任務可能會因為其執行簡單而受到大量工人喜歡，如果平臺為這些工人都推薦該任務則會產生感知數據冗余；而諸如山區地質水平測量等冷門任務則可能因為沒得到足夠的推廣而收集不到充足的樣本導致任務失敗。一般情況下，推薦系統領域中任務的流行程度由執行該任務的工人比例決定，比例越高，則任務流行度越高［21］。在移動群智感知系統中，工人具有從眾心理，容易受到其他工人的影響而去執行某個任務，導致任務的流行度發生變化。因此，任務流行度與工人聲譽關系密切，聲譽越高的工人對其他工人的影響更大，進而對任務流行度的影響也就更大。因此，基于工人聲譽和任務執行情況分析任務的流行度，設計合理的流行度懲罰因子來提高任務推薦覆蓋率是另一個挑戰。

針對上述挑戰，本文提出基于時空信息和流行度分析的移動群智感知任務推薦方法（time matrix factorization and bidirectional long short-term memory，TimeMF-BiLSTM）。該方法綜合考慮工人偏好和任務流行度懲罰因子為工人推薦任務列表，保證任務推薦的準確度和覆蓋率。本文的主要貢獻如下：a）使用融合時間因素的矩陣分解模型從工人歷史執行數據中學習工人和任務的隱含關系，再利用雙向長短期記憶網絡模型從工人的軌跡信息中提取工人的位置偏好信息，將兩個模型得到的偏好融合得到精確度更高的任務推薦；b）引入社交網絡計算工人聲譽，提出一種基于工人聲譽信息的任務流行度計算方法，實現對任務流行度更精確分析，并設計合理的任務流行度懲罰因子，保證任務推薦的覆蓋率。

1 系統模型

圖1展示了TimeMF-BiLSTM任務推薦方法的整體架構。該方法先使用融合時間因素的矩陣分解模型（time matrix factorization，TimeMF）從工人執行記錄中學習工人和任務的隱含關系（即工人潛在特征向量和任務潛在特征），得出工人對任務的偏好（記為TimeMF偏好評分），解決工人偏好隨時間動態改變的問題；再使用雙向長短期記憶網絡（bidirectional long short-term memory，BiLSTM）從工人GPS軌跡序列中學習其下一時刻可能到達的位置，并基于任務與該位置之間的距離得到工人偏好（記為BiLSTM偏好評分），解決工人偏好隨著工人位置動態改變的問題；然后，將TimeMF模型學習到的工人偏好和BiLSTM模型學習到的工人偏好使用邏輯回歸方法融合在一起，綜合得到工人的偏好評分，保證任務推薦的準確性；此外，引入社交網絡計算工人聲譽，并根據任務執行情況分析工人之間的影響因子，結合工人聲譽和工人影響因子計算任務流行度，構造與任務流行度負相關的懲罰因子；最后使用流行度懲罰因子和工人偏好相乘得到工人對任務的最終評分，解決由于任務流行度偏差造成的感知數據覆蓋不平衡問題。在此基礎上，將工人對任務的最終評分從高到低進行排序，為每一個工人生成top-N任務推薦列表。

本文使用的主要參數描述如下：m個工人的集合表示為Euclid Math TwoUAp={u1，u2，…，um}，n個任務的集合表示為Euclid Math TwoVAp={v1，v2，…，vn}，每個工人的執行記錄表示為Euclid Math TwoHApui，Euclid Math TwoHApui包含工人ui執行的所有任務，每個任務的執行情況表示為Euclid Math TwoFApvj，Euclid Math TwoFApvj包括執行任務vj的所有工人ID編號，Euclid Math TwoLApui={（t1，l1），（t2，l2），…，（ts，ls），…}表示工人ui的GPS軌跡序列，ls是由經度和緯度組成的二元組，代表工人ui在時刻ts的位置。本文提出一種有效的方法來精確計算工人和任務之間的評分矩陣Y，為每個工人生成top-N任務推薦列表，目標是最大化任務推薦的準確率和覆蓋率，任務推薦列表的長度N由平臺根據實際情況設置。

2 工人偏好預測

2.1 融入時間因素的矩陣分解

為解決工人偏好隨時間動態改變的問題，使用TimeMF模型學習工人偏好。TimeMF模型通過不斷迭代學習工人潛在特征向量U和任務潛在特征向量V，并利用兩者乘積預測工人任務評分矩陣MPEuclid ExtravBp，即將原始工人任務評分矩陣MP中的零值補全。TimeMF模型主要包含三個部分：a）初始工人任務評分矩陣構建，根據工人執行記錄構建原始工人任務評分矩陣，并考慮時間因素對工人偏好的影響；b）TimeMF模型學習，根據原始工人任務評分矩陣，采用合適的算法對任務潛在特征進行迭代更新并最終達到一個最優解，使得工人潛在特征向量和任務潛在特征向量的乘積逼近原始工人任務評分矩陣；c）偏好評分生成，根據上一階段最終得到的工人潛在特征向量和任務潛在特征向量實現工人對任務的評分預測。

2.1.1 初始工人任務評分矩陣構建

工人對任務的評分表示工人對該任務的偏好。由于MCS平臺中很少要求工人對任務有顯式的評分，本文使用工人執行任務的次數來代替工人對任務的評分。工人ui執行任務vj用三元組{ui，vj，tij}來表示，tij是工人ui執行任務vj的時刻。若工人ui時刻tij執行任務vj，則表示工人ui對任務vj感興趣，{ui，vj，tij}=1，反之，則表明該時刻工人ui對任務vj不感興趣，{ui，vj，tij}=0。考慮到工人偏好的時間動態特性，工人最近一段時間執行的任務更能代表工人的偏好，因此引入牛頓冷卻定律的思想，通過指數衰減函數e-λ（t-tij）使評分信息的權重隨時間呈指數衰減。其中，t是當前時刻，tij是工人ui執行任務vj的時刻；λ是時間衰減因子，λgt;0，且λ越大，歷史偏好的重要程度越低。在此基礎上建立工人任務原始評分矩陣MP，MP中的每一個子元素mpij通過下式計算：

mpij=∑vj∈Euclid Math TwoHApuie-λ（t-tij）（ui，vj）（1）

2.1.2 TimeMF模型學習

工人潛在特征向量和任務潛在特征向量用兩個k維的低秩特征矩陣U和V表示，U∈Euclid Math TwoRApm×k的每一行代表一個工人ui的潛在特征向量Ui，V∈Euclid Math TwoRApn×k的每一行代表一個任務vj的潛在特征向量Vj，U和V中的值隨機初始化。TimeMF模型的訓練目標是保證MPEuclid ExtravBp和原始工人任務評分矩陣MP的誤差最小。目標函數如式（2）所示。

argminU，Vd（U，V）=12∑i，jci，j（mpij-UiVTj）2+

（λU2∑mi=1‖Ui‖2Fro+λV2∑nj=1‖Vj‖2Fro）（2）

其中：ci，j用于指示工人ui對任務vj感興趣的程度，ci，j=1+αmpi，j；α是衰減參數；‖·‖2Fro表示Frobenius范數；" λU和λV是正則化項。式（2）可通過梯度下降方法找到最優解。

2.1.3 TimeMF偏好評分生成

利用上一階段最終學習到的工人潛在特征向量U和任務潛在特征向量V生成工人對任務的偏好MPEuclid ExtravBp。偏好生成的公式為

mpijEuclid ExtravBp=UiVTj（3）

2.2 融入空間因素的雙向長短期記憶網絡

為了克服工人偏好隨工人位置動態改變的問題，使用BiLSTM學習工人偏好，模型主要包括三個部分：a）軌跡數據處理，即對軌跡序列中的缺失值填充；b）BiLSTM預測，通過工人的GPS軌跡序列預測工人下一時刻可能會到達的位置；c）BiLSTM偏好評分生成，基于上一階段學習到的工人下一時刻可能到達的位置和平臺內任務的距離生成工人任務偏好。

2.2.1 軌跡數據處理

對于工人軌跡數據中的缺失值，首先依據工人自身軌跡的時空相關性進行填充，例如工人ui在ts時刻的軌跡信息缺失，則依次檢索該時刻的前五個時刻和后五個時刻的軌跡信息，若查找到軌跡信息值，則利用該值填充工人ui在ts時刻的軌跡信息ls。然后，對于工人ui的GPS軌跡序列仍然存在缺失值的每個時刻，比較工人ui與其他工人之間的軌跡相似性，根據其相似工人在該時刻的軌跡信息來填充軌跡。需要注意的是，如果只有一名相似工人在該時刻有軌跡信息，則直接使用該相似工人的軌跡信息填充，如果有多名工人在該時刻都有軌跡信息，則選擇相似性最大的工人所在的軌跡信息填充該時刻。

工人ui和uw的軌跡相似性通過下式計算：

LSiw=∑tsLuiξts（lis，lws）（4）

其中：ξs（lis，lws）表示ts時刻工人ui和uw軌跡位置的相似性，由式（5）得到。

ξts（lis，lws）=1d（lis，lws）≤ε

0d（lis，lws）gt;ε（5）

其中：d（lis，lws）表示ts時刻工人ui與uw的距離，若兩個工人之間的位置距離小于等于ε，認為這兩個位置相似，記ξts（lis，lws）=1，否則，ξts（lis，lws）=0；ε的值由平臺設定。

2.2.2 BiLSTM預測

由于BiLSTM模型中輸入序列長度必須相同，在BiLSTM模型中引入了滑動窗口方法，時間窗口的大小通過實驗指定。工人的軌跡序列首先被轉換成固定長度的輸入和輸出樣本集，然后用這些固定長度的樣本集來訓練BiLSTM模型。

BiLSTM模型總共包括五層：

a）輸入層。工人任務軌跡序列Lui={（t1，l1），（t2，l2），…，（ts，ls），…}。

b）嵌入層。通過word embedding的思想對工人的GPS序列信息進行嵌入，得到序列嵌入向量xID。

c）BiLSTM層，包含前向LSTM和后向LSTM兩個隱層。將嵌入向量xID分別輸入到兩個隱層，得到向量ht=h1t⊕h2t，其中，h1t為前向LSTM的輸出，h2t為后向LSTM的輸出。

d）dropout層。以預先設定的概率停止神經元的輸出，防止模型出現過擬合的問題。

e）輸出層。輸出工人下一時刻可能到達的位置lnext。

2.2.3 BiLSTM偏好評分生成

接下來建立工人對平臺內所有任務的偏好矩陣LP，LP中的每一個子元素lpij使用歐氏距離得到。

lpij=‖lvj-lnext‖22（6）

其中：lvj表示任務vj要求的感知位置；lnext是工人下一時刻可能到達的位置。如果工人下一時刻可能到達的位置lnext與任務vj距離很近，則工人很有可能執行該任務。

2.3 偏好融合

將前兩個部分得到的偏好評分MPEuclid ExtravBp和LP使用邏輯回歸方法融合，得到工人最終的偏好評分P，P中的每一個子元素pij通過下式得到：

pij=11+exp（-（mpijEuclid ExtravBp+lpij））（7）

3 任務流行度懲罰因子設計

以往計算任務流行度［21］通過下式計算：

popj=Euclid Math TwoFApvj/m（8）

其中：Euclid Math TwoFApvj是MCS平臺內執行任務vj的工人集合；m為MCS平臺總的工人數量；popj是任務vj的流行度值。

然而，這種方法視不同工人對任務流行度的影響是同質的，其結果存在誤差。在移動群智感知平臺中，任務的流行度與工人聲譽有很大關系。一方面，MCS平臺中的工人具有從眾心理，工人執行任務的意愿容易受到其他工人的影響，并且聲譽較高的工人在某一時刻執行某個任務的話，則下一時刻容易吸引更多的工人去執行該任務，導致該任務下一時刻的流行度激增。顯然，按照以往的做法，即出于覆蓋率保證的角度考慮，根據時刻t的流行度情況，在t+1時刻提升任務的評分是不合理的。因此本文引入工人聲譽的計算以幫助更好地衡量下一時刻的任務流行情況。

首先，計算工人之間的影響因子IN矩陣，即不同工人之間相互影響的難易程度，以工人ui和uw為例，兩者之間的影響因子iniw定義為

iniw=|Euclid Math TwoHApui∩Euclid Math TwoHApuw||Euclid Math TwoHApui∩Euclid Math TwoHApuw|（9）

其中：Euclid Math TwoHApui和Euclid Math TwoHApuw分別表示工人ui和uw執行過的任務集合。若兩個工人所做的共同任務數量越多，則表明兩個工人的親密程度越高，兩個工人之間也就更容易互相影響。

然后，引入社交網絡來計算工人在移動群智感知平臺的聲譽，建立工人聲譽矩陣WP。工人聲譽可以通過其他工人的點贊數、評論數量以及工人之間的朋友關系等多種社會關系來度量。工人ui的聲譽對任務vj的流行度影響可以表示為

pcij=wpi×∑uwU-iiniw（10）

其中：Euclid Math TwoUAp-i={u1，u2，…，ui-1，ui+1，…，um}。因此，任務的流行度重新定義為

popj=Euclid Math TwoFApvj+∑uiFvjpcijm（11）

對候選任務集合中的任務流行度進行歸一化，使popj的取值在0～1。

popj=popj-popminpopmax-popmin（12）

其中：popmax表示任務集合中所有任務流行度的最大值；popmin表示任務集合中所有任務流行度的最小值。

對MCS平臺中每個任務添加流行度懲罰因子，該流行度懲罰因子可以調節任務的推薦權重，以此保證任務推薦的覆蓋率。任務vj的流行度懲罰因子mj由下式計算：

mj=1popjlt; and samplejlt;samplej

1-popjpopj≥ and samplejlt;samplej（13）

其中：samplej為任務vj現在收集到的任務樣本數量； samplej為任務vj總共所需的樣本數量，由任務請求方在發布任務請求時自定義確定；的取值為平臺內所有任務執行次數的中位數。

4 任務推薦列表生成

在任務流行度懲罰因子的基礎上進一步改進工人對任務的預測評分，生成任務推薦列表。工人對任務最終預測評分為

yij=pij×mj（14）

其中：pij為融合時空信息計算出的工人偏好；mj為任務vj的流行度懲罰因子。當samplejlt; samplej時，表明該任務還沒有被執行成功，針對每一個工人，依據預測出來的其對任務的評分矩陣Y，將任務按照降序排列，從中選擇前N個任務組成任務列表推薦給工人， N的個數由平臺自定義設定；若samplej≥ samplej，表示該任務需要的樣本數量已經收集完成，則不再向工人推薦該任務，并將該任務從候選任務集合中刪除。

基于時空信息和流行度分析的移動群智感知任務推薦方法的具體實現步驟如下：

算法1 TimeMF-BiLSTM

輸入：工人集合Euclid Math TwoUAp，任務集合Euclid Math TwoVAp，每個工人的執行記錄Euclid Math TwoHAp、任務的執行記錄Euclid Math TwoFAp、每個工人的軌跡記錄Euclid Math TwoLAp、任務所需樣本數量 samplej。

輸出：工人的任務推薦列表。

a）工人潛在特征向量U和任務潛在特征向量V隨機初始化；

b）依據式（1）構建原始工人評分矩陣MP；

c）構建式（2）的損失函數，通過梯度下降訓練TimeMF模型，如果損失函數小于閾值則完成訓練，跳到步驟d），否則跳到步驟c）；

d）依據式（3）構建工人的TimeMF偏好評分矩陣MPEuclid ExtravBp，MPEuclid ExtravBp中的每一個子元素mpijEuclid ExtravBp表示工人ui對任務vj的TimeMF偏好；

e）依據式（5）計算工人ui和uw之間的軌跡相似性ξts（lis，lws）；

f）遍歷工人ui的軌跡記錄Euclid Math TwoLAp，如果lis=0，使用與工人ui軌跡相似性最大的工人在該時隙的位置填充該時隙；否則跳過該時隙，繼續遍歷軌跡記錄Euclid Math TwoLAp；

g）訓練BiLSTM模型，輸出工人ui下一時刻可能到達的位置lnext；

h）依據式（6）計算lnext和任務vj的相似性lpij，構建BiLSTM偏好評分矩陣LP，LP中的每一個子元素lpij表示工人ui對任務vj的BiLSTM偏好；

i）依據式（7）構建工人偏好評分P，P中的每一個子元素表示工人ui對任務vj的偏好評分；

j）依據式（13）構建任務流行度懲罰因子矩陣M的每一個子元素mj表示任務vj的流行度懲罰因子；

k）計算工人最終預測評分矩陣Y，Y中的每一個子元素yij依據式（14）計算；

l）對于每個工人ui，將預測評分矩陣Y第i行按照yij大小降序排列，取前N個作為給工人ui的任務推薦列表輸出；如果任務vj收集到的樣本數量大于sample，則將vj從任務集合Euclid Math TwoVAp中剔除，轉到步驟a）。

為了更直觀地展示TimeMF-BiLSTM的任務推薦過程，算法1的流程如圖2所示。該方法首先訓練TimeMF模型，得出工人TimeMF偏好評分矩陣MPEuclid ExtravBp；再對工人軌跡的缺失值填充，輸入到BiLSTM模型中，預測工人下一時刻可能到達的位置，基于任務與該位置之間的距離得到工人BiLSTM偏好評分LP；然后，將LP與MPEuclid ExtravBp的對應元素使用邏輯回歸方法融合到一起，綜合得到工人的偏好評分P；接下來構造任務流行度懲罰因子矩陣M，并將流行度懲罰因子M與工人偏好矩陣P相乘得到工人對任務的最終評分Y；最后，對應系統中的每個工人ui，降序排列工人評分矩陣Y的第i行，取評分最大的前N個任務作為工人ui的任務推薦列表輸出；當任務vj收集到的樣本數量samplej所需的樣本滿足要求后，將該任務從任務集合Euclid Math TwoVAp中移除，并重新開始模型的訓練。

5 實驗結果及分析

5.1 數據集

在兩個真實數據集Gowalla［23］和Foursquare［24］上驗證所提方法的有效性。所使用數據集的詳細信息如下：

a）Gowalla數據集。該數據集包含了196 591個用戶從2009年8月至2010年9月的簽到記錄。通過處理，比如刪除簽到記錄低于20次的工人以及任務地點等，最終提取了216 245條數據，包括78個工人、117個任務和371個位置。

b）Foursquare數據集。該數據集包含2 153 471個用戶、1 143 092個場所、1 021 970個簽到、27 098 490個社交關系以及用戶分配給場所的2 809 581評分，所有這些都是通過公共API從Foursquare應用程序中提取的。在這個數據集中，首先對數據集進行預處理操作，比如刪除簽到記錄低于20次的工人以及任務地點等，最終剩余622 841條數據，包括285名工人、105個任務和168個地點。

5.2 參數設置

實驗運行在一臺擁有Intel Core i5-10210U 處理器，8 GB RAM的戴爾筆記本電腦上。操作系統是Windows 10，編程語言是Python 3.6。所使用的主要參數通過表1給出。

5.3 評價準則

a）準確度。

precision=∑m1hitcountitotal recommedation numberim（15）

其中：hitcounti是工人從任務推薦列表中執行的任務數量；total recommendation numberi代表推薦給工人ui的任務數量。

b）歸一化折損累計增益。

NDCG=DCGIDCG（16）

其中：IDCG是理想條件下的最大DCG值。NDCG的值介于（0，1），用來衡量任務推薦列表中的任務順序是否與工人偏好一致。在MCS平臺中，工人最終選擇的任務在任務推薦列表中的位置越高，該任務對折損增益的貢獻越大，NDCG的值越大，排名結果越好。DCG是折損累計增益，由下式得到：

DCG=∑bi=12reli-1log2i+1（17）

其中：b是任務推薦列表中的任務數量；reli代表該列表中第i項的相關度，如果工人執行該項任務，則設置為1，否則設置為0。

c）覆蓋率。

coverage=1n∑nj=1（2c-n-1）pop（vc）（18）

覆蓋率用來描述能夠推薦出來的任務占總任務的比例。pop（vc）是按照任務流行度pop從大到小排序的任務集合中的第c個任務。

5.4 對比方法

為了驗證TimeMF-BiLSTM方法的有效性，本文將其與六個基線方法進行比較，用于證明所提出的模型優于其他方法。具體如下所示：

a）TR-UMCR［8］。該方法使用基于混合用戶模型與列表級排序學習算法相結合的協同排序任務推薦方法。

b）FLTE［11］。該方法利用邏輯回歸算法進行任務推薦。

c）RTRA［14］。該方法僅利用矩陣分解模型學習工人和任務的隱含關系。

d）PRTR［18］。該方法將工人位置信息和工人偏好結合起來，利用張量分解模型學習工人和任務的關系，忽略工人偏好隨時間動態變化的影響。

e）TCTR［22］。該方法僅融入時間因素考慮工人偏好，忽略工人偏好隨位置動態變化的影響。

f）RLIN。與本文方法TimeMF-BiLSTM不同之處是，它是將兩種模型得到的評分以線性加權的形式融合，比較線性加權和邏輯回歸偏好融合的不同。

5.5 性能評價

表2、3分別給出了TimeMF-BiLSTM任務推薦方法在兩個數據集上的精確度效果。從表中可以看出，TimeMF-BiLSTM的精確度遠遠高于FLTE，這是由于FLTE不考慮工人和任務的隱含關系，導致學習到的工人偏好的準確性很差，說明本文模型更符合MCS任務推薦的實際應用。當推薦列表長度Ngt;15時，能夠看到TimeMF-BiLSTM的精度大于TR-UMCR、PRTR以及TCTR算法，說明TimeMF-BiLSTM融合時空因素進行偏好融合可以更加準確地捕捉工人的偏好。可以發現，TRUMCR和PRTR算法的效果大致相同，這是由于這兩個算法均是采用基本的矩陣分解模型，并且均融入了工人的位置信息來提高推薦效果，這個現象也從側面反映出在MCS領域，工人執行任務的意愿與工人位置有很大關系。與RLIN相比，TimeMF-Bi-LSTM的精確度略高，這是由于本文使用工人的歷史執行情況作為工人對任務的評分，即評分數據都是整數，線性回歸方法預測出來的分值必須要通過取整操作，這會造成部分誤差。隨著推薦列表長度N的上升，TimeMF-BiLSTM的精確度不斷上升，在Gowalla數據集上，當推薦列表長度L=20時，TimeMF-BiLSTM方法的精確度最終收斂到94.3%左右。綜上所述，依據TimeMF-BiLSTM方法向工人推薦任務在精確度方面更具有優勢。

另外，從表2、3可以發現，當推薦列表長度低于10時，TimeMF-BiLSTM的精度略小于PRTR，這是因為本文算法考慮了任務的流行度懲罰，導致推薦的精度稍有降低。為進一步驗證該現象，本文從Foursquare數據集隨機抽取特定用戶以及其歷史執行任務的記錄等相關信息作為測試樣本。具體來說，本文選擇的工人ID號為9號，取任務集合中ID從1～20號任務作為訓練集，工人9對這20個任務的真實偏好評分值以及依據本文方法對這些任務的預測評分情況如表4所示。從表4可以看出，理論上來講，依據工人對不同任務的評分高低來生成任務列表，工人9真實最優的任務ID列表應該為［3，4，8，2，6，7，1，5，9，10］。依據本文方法預測工人9對這10項任務的評分可以發現，預測偏好評分P與工人9的真實評分的均方誤差為0.414 152，與工人9的真實偏好非常接近，證明本文方法在預測工人偏好方面的準確性。但是，如果僅以此作為推薦結果的話，任務2、3、4、8由于較高的評分，工人9下一次的推薦列表前五個位置將全是任務區域C3和C4的任務，這會導致工人9越來越偏愛于任務區域C3和C4的任務，那么任務區域C3和C4的任務流行度就會越來越高，而工人9執行任務的總次數是一定的；相應地，任務區域C1和C2則會由于缺乏足夠的推薦而收集不到充分的樣本。因此，本文使用流行度懲罰因子調整流行度過高的任務權重，得到最終的工人任務預測評分矩陣Y，結果如表4所示。可以發現調整之后工人9的最終預測評分Y與工人9的真實評分的均方誤差稍有提升，但是任務2、3、4、8的推薦權重明顯降低，任務區域C1和C2處于工人下一時刻的任務列表中靠前位置，這對于提升任務推薦的覆蓋率是非常有幫助的，這一現象與適當降低推薦精度來促進推薦效果覆蓋率是非常一致的。隨著推薦列表長度不斷增加，也就是說一次性推薦給工人的任務數量不斷增加，那么每一次推薦的任務列表所能覆蓋的范圍就會越來越大，即推薦效果的覆蓋率越來越大，此時，為滿足覆蓋率要求而設置的流行任務的懲罰因子就會越來越小，那么推薦效果的精確度也就會逐漸增加。

將推薦長度N設置為20，圖3展示TimeMF-BiLSTM與其他基線方法在NGDD指標的性能對比。本文將計算折損累計增益時的參數b設置為n，n是MCS平臺中的任務數量，由平臺當前的候選任務數量決定。可以發現，TimeMF-BiLSTM的NDCG明顯高于其他基線方法，并且比邏輯回歸方法的NDCG高了將近一倍左右，證明了本文模型評價排序的準確性。

圖4顯示了不同方法在兩個數據集上的覆蓋率指標情況，將TimeMF-BiLSTM方法及其他基線算法重復運行50次，取其平均值作為不同算法的覆蓋率值。從圖4可以看出，覆蓋率與推薦列表的長度N呈正相關關系，并且相較于其他基線方法，本文算法具有更高的覆蓋率。其原因是，以往的算法沒有考慮任務的流行度偏差，造成過度推薦流行性任務。本文利用任務流行度設立懲罰因子，進而降低流行性過高的任務權重，提高冷門任務選擇的概率，因此當任務數量不斷增加時，TimeMF-BiLSTM任務推薦方法也能保證工人有更多的機會選擇其他任務。

最后在兩個數據集上進行實驗，以驗證工人聲譽關系對任務覆蓋率的影響，結果如圖5所示。推薦列表長度為20，圖中的不同線條表明計算工人聲譽時引入的社交網絡信息條數，橫坐標表示移動群智感知平臺中工人和任務的比率，理論上來說，當平臺內工人和任務的比率不斷增加時，推薦的覆蓋率會成比例下降。從圖中可以看出，工人聲譽的引入可以保證任務推薦覆蓋率的下降速度變緩慢，這是由于工人聲譽可以更準確地分析任務流行度，對流行任務的懲罰也就更加準確，所以當工人和任務的比率不斷增加時，TimeMF-BiLSTM方法也能保證任務推薦的覆蓋率下降速度最慢。當任務與工人的比率為10時，平臺的覆蓋率仍可以超過71%。并且從圖中可以發現，隨著工人社會關系引入條數的不斷增加，覆蓋率下降速度越來越慢，因此在保證任推薦的覆蓋率時有必要引入工人之間的社會關系。這些實驗結果表明TimeMF-BiLSTM在MCS實際應用中具有更全面的性能。

6 結束語

本文針對移動群智感知領域在挖掘工人偏好時忽略時空信息和任務流行度影響導致任務推薦的準確性和覆蓋率低的問題，設計了融合時空信息和任務流行度分析的任務推薦方法。融合時空信息可以準確地挖掘工人偏好，而任務流行度分析可以有效地緩解現有研究任務覆蓋率低的問題，所提方法將時間因素、空間因素兩個方面對推薦的影響分開計算，可以有效地緩解現有方法需要頻繁更新的缺點。本文方法適用于所有具有時空背景的項目推薦問題，同時由于不同模型相互獨立，未來更多影響工人意愿的因素可以輕松嵌入，并且所提方法將推薦的精度和覆蓋率兩個指標分開優化求解，支持其他多種優化目標組合，具有良好的可擴展性。在兩個真實數據集上驗證了本文方法的有效性，與現有的基線方法相比，本文方法在準確率和覆蓋率具有良好的效果，證明了該方法在處理移動群智感知任務推薦領域實際應用方面具有出色的性能。在今后的工作中，將考慮更多可能影響MCS平臺任務推薦效果的因素，并進一步研究如何用更短的訓練時長來及時捕捉工人偏好，為工人提供更好的服務體驗。

參考文獻：

［1］Ganti R K，Ye Fan，Lei Hui.Mobile crowdsensing：current state and future challenges［J］.IEEE Communication Magazine，2011，49（11）：32-39.

［2］Montori F，Bedogni L，Bononi L.A collaborative Internet of things architecture for smart cities and environmental monitoring［J］.IEEE Internet of Things Journal，2018，5（2）：592-605.

［3］Jovanovic＇ S，Jovanovic＇ M，koric＇ T，et al.A mobile crowd sensing application for hypertensive patients［J］.Sensors，2019，19（2）：400-416.

［4］Huang Junqin，Kong Linghe，Dai Hongning，et al.Blockchain based mobile crowd sensing in industrial systems［J］.IEEE Trans on Industrial Informatics，2019，16（10）：6553-6563.

［5］Kim K，Zabihi H，Kim H，et al.TrailSense：a crowdsensing system for detecting risky mountain trail segments with walking pattern analysis［J］.Proceedings of the ACM on Interactive Mobile Wearable amp; Ubiquitous Technologies，2017，1（3）：article No.65.

［6］Wan Jiafu，Liu Jianqi，Shao Zehui，et al.Mobile crowd sensing for tra-ffic prediction in Internet of vehicles［J］.Sensors，2016，16（1）：doi.org/10.3390/s16010088.

［7］Yucel F，Yuksel M，Bulut E.QoS-based budget constrained stable task assignment in mobile crowdsensing［J］.IEEE Trans on Mobile Computing，2021，20（11）：3194-3210.

［8］王健，劉嘉欣，趙國生，等.移動群智感知中基于協同排序的任務推薦方法［J］.電子學報，2021，49（10）：2012-2019.（Wang Jian，Liu Jiaxin，Zhao Guosheng，et al.Task recommendation method based on collaborative ranking in mobile crowd sensing［J］.Acta Electronica Sinica，2021，49（10）：2012-2019.）

［9］Zhao Zhongnan，Wang Yanli，Wang Huiqiang.SDN-based cross-domain cooperative method for trusted nodes recommendation in mobile crowd sensing［J］.Peer-to-Peer Networking and Applications，2021，14（11）：3793-3805.

［10］Tang Wenjuan，Zhang Kuan，Ren Ju，et al.Privacy-preserving task recommendation with win-win incentives for mobile crowdsourcing［J］.Information Sciences，2020，527（7）：477-492.

［11］Karaliopoulos M，Koutsopoulos I，Titsias M.First learn then earn：optimizing mobile crowdsensing campaigns through data-driven user profiling［C］//Proc of the 17th ACM International Symposium on Mobile Ad hoc Networking and Computing.New York：ACM Press，2016：271-280.

［12］Wang Zhibo，Zhao Jing，Hu Jiahui，et al.Towards personalized task-oriented worker recruitment in mobile crowdsensing［J］.IEEE Trans on Mobile Computing，2021，20（5）：2080-2093.

［13］Kumar P，Thakur R S.Recommendation system techniques and related issues：a survey［J］.International Journal of Information Techno-logy，2018，10（4）：495-501.

［14］Yuen M C，King I，Leung K S.TaskRec：a task recommendation framework in crowdsourcing systems［J］.Neural Processing Letters，2015，41（2）：223-238.

［15］Wang Jian，Liu Jiaxin，Zhao Zhongnan，et al.A task recommendation framework for heterogeneous mobile crowdsensing［J］.Journal of Supercomputing，2021，77（10）：12121-12142.

［16］Dai Wei，Wang Yufeng，Ma Jianhua，et al.BTR：a feature-based Bayesian task recommendation scheme for crowdsourcing system［J］.IEEE Trans on Computational Social Systems，2020，7（3）：780-789.

［17］Yang Shuo，Zheng Zhenzhe，Tang Shaojie，et al.Fine-grained user profiling for personalized task matching in mobile crowdsensing［J］.IEEE Trans on Mobile Computing，2021，20（10）：2961-2976.

［18］Yang Guisong，Li Yanting，He Xingyu，et al.Profile-free and real-time task recommendation in mobile crowdsensing［J］.IEEE Trans on Computational Social Systems，2021，8（6）：1311-1322.

［19］Noulas A，Scellato S，Lathia N，et al.Mining user mobility features for next place prediction in location-based services［C］//Proc of the 12th IEEE International Conference on Data Mining.Piscataway，NJ：IEEE Press，2012：1038-1043.

［20］Song Shiwei，Liu Zhidan，Li Zhenjiang，et al.Coverage-oriented task assignment for mobile crowdsensing［J］.IEEE Internet of Things Journal，2020，7（8）：7407-7418.

［21］王寧，張巍，蘇湛，等.推薦系統中考慮流行程度差異的評分預測算法［J］.軟件導刊，2021，20（11）：18-21.（Wang Ning，Zhang Wei，Su Zhan，et al.Rating prediction algorithm considering popularity differences in recommender systems［J］.Software Guide，2021，20（11）：18-21.）

［22］Yuen M C，King I，Leung K S.Temporal context-aware task recommendation in crowdsourcing systems［J］.Knowledge-Based Systems，2021，219（5）：106770.

［23］Scellato S，Noulas A，Lambiotte R，et al.Socio-spatial properties of online location-based social networks［C］//Proc of the 5th International Conference on Weblogs and Social Media.Palo Alto，CA：AAAI Press，2011：329-336.

［24］Vasconcelos M A，Ricci S，Almeida J，et al.Tips，dones and todos：uncovering user profiles in foursquare［C］//Proc of the 5th ACM International Conference on Web Search and Data Mining.New York：ACM Press，2012：653-662.