物聯(lián)網(wǎng)移動(dòng)群智感知任務(wù)協(xié)同排序推薦優(yōu)化

陳貴蘭

關(guān)鍵詞：移動(dòng)群智感知；任務(wù)推薦；協(xié)同排序；混合模型；參與者意愿

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

在當(dāng)前城市管理與數(shù)據(jù)采集方面，移動(dòng)傳感設(shè)備數(shù)量呈現(xiàn)指數(shù)級(jí)增長(zhǎng)趨勢(shì)，極大促進(jìn)了移動(dòng)群智感知（mobile crowd sensing，MCS）的發(fā)展[1]?？梢詫⒁苿?dòng)群智感知理解成是用智能移動(dòng)設(shè)備探測(cè)器并結(jié)合移動(dòng)社交網(wǎng)絡(luò)對(duì)用戶數(shù)據(jù)進(jìn)行收集的過(guò)程[2-3]。進(jìn)行MCS 任務(wù)分配時(shí)，需深入分析用戶意愿，使意愿項(xiàng)和待分配任務(wù)之間達(dá)到最大程度的匹配效果，從而促進(jìn)任務(wù)分配準(zhǔn)確率的大幅提升，并獲得更優(yōu)的數(shù)據(jù)感知性能[4]。

MCS 相關(guān)方面的研究吸引了很多的學(xué)者。紀(jì)圣塨等[5] 設(shè)計(jì)了一種同時(shí)運(yùn)用前向搜索與投票決策方式實(shí)現(xiàn)的動(dòng)態(tài)用戶招募處理方法，既優(yōu)化了招募決策，同時(shí)也提升了數(shù)據(jù)的均勻性。王健等[6] 在混合用戶模型計(jì)算方式基礎(chǔ)上運(yùn)用列表級(jí)排序（listwiseranking，LWR）學(xué)習(xí)的模型對(duì)任務(wù)進(jìn)行協(xié)同排序，再根據(jù)參與者相似程度建立混合模型（hybridmodel，HM）。

本文根據(jù)列表級(jí)排序?qū)W習(xí)機(jī)制設(shè)計(jì)了一種協(xié)同排序任務(wù)推薦方法，將其表示為HM-LWR，確定合適近鄰用戶，用經(jīng)過(guò)優(yōu)化的排序?qū)W習(xí)算法完成排序模型的前期訓(xùn)練，再將推薦列表傳輸至用戶端。

1 MCS任務(wù)分配流程

MCS 任務(wù)推薦問(wèn)題后的任務(wù)分配流程如圖1所示。根據(jù)參與者之前接受的各項(xiàng)任務(wù)情況匹配任務(wù)分類特征，構(gòu)建相應(yīng)的排序模型[7]。通過(guò)此模型對(duì)目標(biāo)參與者偏好的任務(wù)實(shí)施排序，把結(jié)果發(fā)送給參與人員，完成對(duì)各項(xiàng)任務(wù)的分配。

3 實(shí)驗(yàn)分析

為測(cè)試本文算法的有效性，運(yùn)用仿真結(jié)果與實(shí)際采集到的數(shù)據(jù)在MATLAB 平臺(tái)上進(jìn)行測(cè)試分析。綜合分析了測(cè)試過(guò)程的各項(xiàng)參數(shù)變化，考慮任務(wù)分配準(zhǔn)確性與處理時(shí)間的影響，并對(duì)用戶參與成本及其積極性進(jìn)行對(duì)比。

3.1 實(shí)驗(yàn)設(shè)置

以隨機(jī)方式從中選擇80% 比例的樣本組成訓(xùn)練集，再以剩余20% 樣本組成測(cè)試集。表1 為本實(shí)驗(yàn)的各項(xiàng)參數(shù)設(shè)置情況。其中，c 為候選人員數(shù)量，t 為任務(wù)數(shù)差異，α 為相似度模型調(diào)控指標(biāo)，λ 為正則化參數(shù)，μ 為學(xué)習(xí)速率，n 為迭代總次數(shù)，rank為等級(jí)系數(shù)。

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 參數(shù)分析

圖2 為不同正則化參數(shù)下算法收斂性變化結(jié)果，圖3 為不同參數(shù)α 下平均分配準(zhǔn)確率變化結(jié)果。本次測(cè)試了用戶類型偏好與位置偏好兩個(gè)層面的用戶意愿，重點(diǎn)探討了影響兩者比重的α 參數(shù)。由圖2和圖3 可知，最優(yōu)參數(shù)指標(biāo)為學(xué)習(xí)速率μ=0.01，正則化參數(shù)λ=0.01，迭代100 次，相似度模型調(diào)控指標(biāo)α=0.5。

任務(wù)分配速率直接決定了分配準(zhǔn)確率，本文對(duì)其進(jìn)一步進(jìn)行量化處理，以分配過(guò)程的算法時(shí)間作為判斷依據(jù)，同時(shí)將本文設(shè)計(jì)算法的運(yùn)行時(shí)間理解為載入測(cè)試集以及對(duì)任務(wù)進(jìn)行分配所需的時(shí)間。

3.2.2 性能比較

圖4 和圖5 分別是用戶簽到數(shù)據(jù)集和交互數(shù)據(jù)集下進(jìn)行任務(wù)分配過(guò)程準(zhǔn)確率測(cè)試的結(jié)果。由圖4和圖5 可知，設(shè)置更多任務(wù)數(shù)量時(shí)，各種方法都呈現(xiàn)分配準(zhǔn)確率小幅波動(dòng)的現(xiàn)象。HM-LWR 算法分配準(zhǔn)確率達(dá)到了近96% 的平均準(zhǔn)確率，在相同的任務(wù)數(shù)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(cè)試結(jié)果表明，HM-LWR 算法可以達(dá)到更高的分配準(zhǔn)確率，同時(shí)還可以縮短分配時(shí)間，提升整體處理效率，比LWR 算法的優(yōu)勢(shì)更大。雖然GSMs 算法在分配準(zhǔn)確率方面能夠滿足要求，但需要花費(fèi)大量計(jì)算時(shí)間，算法效率偏低。總體來(lái)看，HM-LWR 算法具備優(yōu)異的綜合性能。

4 結(jié)論

本文開(kāi)展物聯(lián)網(wǎng)移動(dòng)群智感知任務(wù)協(xié)同排序推薦優(yōu)化分析，取得以下結(jié)果。

（1）采用HM-LWR 算法模型能夠較精確地預(yù)測(cè)參與者的任務(wù)偏好情況，分配MCS 任務(wù)時(shí)可以有效提升準(zhǔn)確性與運(yùn)算效率。最優(yōu)參數(shù)指標(biāo)為學(xué)習(xí)速率μ=0.01，正則化參數(shù)λ=0.01，迭代100 次，相似度模型調(diào)控指標(biāo)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(dá)到了近96% 的平均準(zhǔn)確率。