基于協同排序學習算法的移動群智感知任務推薦

杜兆芳

摘要：為了解決移動群智感知（mobile crowd sensing，MCS）中候選者積極性不高導致數據質量低的問題，根據列表級排序（list-wise ranking，LWR）學習機制設計了一種基于混合模型（hybrid model，HM）與列表級排序算法相結合的排序任務推薦方法HM-LWR，并在MATLAB 平臺上測試各項參數變化。研究結果表明：候選者人數的增加引起運行時間明顯延長，HM-LWR 與MSC 都呈現相近的較小增幅；HM-LWR 算法在分配期間的候選者達到了最高的積極性，獲得了近97% 的參與率。由此得出HM-LWR 算法能夠達到更高分配準確性、縮短分配時間、提升整體處理效率，在智慧城市領域具有很好的推廣價值。

關鍵詞：移動群智感知；任務推薦；協同排序；混合模型；候選者意愿

中圖分類號：TP393 文獻標識碼：A

0 引言

無線通信技術的開發以及各類智能移動設備的應用推廣，為移動空間中的群智感知提供了可靠的技術支撐，各類功能豐富的傳感器為移動群智感知（mobile crowd sensing，MCS） 提供了硬件基礎，能夠實現與人類社會之間更緊密的通信聯系[1]。多種內部系統與外部環境因素都會對移動群智感知性能造成影響，而這當中感知數據提供方發揮著最直接的作用，如何完成各類任務的準確高效分配，是當前需要重點關注的一項研究內容[2]。

近年來已有許多學者開展了針對任務分配策略的研究。楊桂松等[3] 設計了一種針對延遲接受構建得到的多任務分配策略來實現移動群智感知功能。之后對該策略進行測試發現，其對于增強平臺運行效能與提升用戶滿意度都起到了積極作用。蔡威等[4]根據強化學習機制為用戶和平臺系統構建了一種可以實現共贏的博弈模式，通過強化學習的過程進行位置擾動策略測試，并由此確定最佳位置擾動方案。通過測試發現，這一機制除了可以對任務分配效率起到優化作用以外，還能夠促進用戶整體使用滿足度的提升，從而實現用戶和平臺雙贏[5-6]。

隨著推薦技術的應用推廣，用戶可以根據自身業務需求選擇更優方案。在已有研究的基礎上，本文開展基于協同排序學習算法的移動群智感知任務推薦研究。通過仿真測試發現，采用本文方法可以顯著提升任務分配精度，并大幅縮短不同感知用戶移動距離。