|
物联网移动群智感知任务协同排序推荐优化
陈贵兰 2024/4/9 19:44:13
江苏联合职业技术学院淮安生物工程分院，计算机工程系，江苏淮安 223200
摘 要：为了提高移动群智感知（Mobile Crowd Sensing, MCS）中数据质量，设计了一种基于混合模型（Hybrid model, HM）与列表级排序（List-Wise Ranking, LWR）相结合的推荐方法HM-LWR。研究结果表明：采用HM-LWR算法模型能够较精确预测得到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。得到最优参数指标为学习速率μ为0.01，λ为0.01，迭代100次，α取值0.5。HM-LWR算法相对MSC与LWR算法发生了显著提高，相对GSMs算法则发生了小幅提升，达到了近96%的总体准确率。该研究有助于提高物联网移动群感知能力。
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 国家标准学科分类代码：120.40
Iot mobile group intelligent awareness task collaborative ranking recommendation optimization
Chen Guilan
Department of Computer Engineering, Huaian Bioengineering Branch, Jiangsu United Vocational and Technical College, Huaian 223200, China
Abstract: In order to improve the data quality in Mobile Crowd Sensing (MCS), a recommendation method HM-LWR based on Hybrid model (HM) and List-Wise Ranking (LWR) is designed. The results show that the HM-LWR algorithm model can accurately predict participants’ task preferences, and the accuracy and efficiency of MCS task allocation can be effectively improved. The optimal parameters are as follows: learning rate μ 0.01, λ 0.01, iteration 100 times, α 0.5. HM-LWR algorithm significantly improved compared with MSC and LWR algorithm, and slightly improved compared with GSMs algorithm, reaching an overall accuracy of nearly 96%.
Key words: Mobile swarm intelligence perception; Task recommendation; Collaborative sorting; Mixed model; Participant intention
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的发展[1]。可以将移动群智感知（MCS）理解成是以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，从而促进任务分配效率的大幅提升，并获得更优的数据感知性能[4]。
相关方面的研究吸引了很多的学者。纪圣塨[5]则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，能够同时实现优化招募决策以及提升数据的均匀性。王健[6]则根据混合用户模型的计算方式基础上运用列表级排序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。
本文根据列表级排序学习的机制设计了一种同排序任务推荐方法，将其表示为HM-LWR，确定合适近邻用户，再以经过优化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问题定义
MCS任务推荐问题后完成任务分配过程见图（未完，下一页）
附件下载：物联网移动群智感知任务协同排序推荐优化
|