面向群智感知的海量未知工人选择与激励机制设计方法技术

本发明专利技术提供了一种面向群智感知的海量未知工人选择与激励机制设计方法，基于上下文信息的组合多臂老虎机和第二报价结合的方法，解决海量未知工人选择以及激励机制设计的问题，在考虑预算约束的情况下，最大化预期累计感知收益，进行严格的理论分析和大量的实验验证算法的有效性。通过该方法，可以实现在考虑预算约束和鼓励工人提交真实花费的情况下，最大化预期累计感知收益；同时与最优的累计期望质量的差值可以得到一个次线性增长的曲线。的差值可以得到一个次线性增长的曲线。的差值可以得到一个次线性增长的曲线。

【技术实现步骤摘要】
面向群智感知的海量未知工人选择与激励机制设计方法


[0001]本专利技术属于群智感知领域，具体涉及一种面向群智感知的海量未知工人选择与激励机制设计方法。

技术介绍

[0002]群智感知是一种新兴的众包感知模式，通过这种模式，平台通过雇佣一系列的工作人员来协同执行感知任务。目前相关的研究开展了较多，其中主要分为两个研究方向：在未知工人选择的群智感知问题以及群智感知中激励机制的研究。
[0003]在未知感知工人选择的群智感知问题中，工人的感知质量是未知的，雇佣工人执行感知任务的花费是已知的。平台需要在有限的预算下通过协调探索和利用的平衡来实现最终感知质量的最大化，已有的研究采用多臂老虎机(Multi
‑
Armed Bandit，MAB)，组合多臂老虎机(Combinatorial Multi
‑
Armed Bandit,CMAB)的框架进行实现并进行和最优算法之间差距的理论分析。
[0004]在群智感知中激励机制的研究中，工人的感知质量是已知的，但工人执行感知任务的花费是私人信息，工人可以进行有策略地提交从而最大化自身收益。平台需要设计一种支付机制鼓励工人提交执行任务真实的花费，同时满足个体理性，真实性，预算平衡等一些经济属性(economic properties)。已有的研究采用第二报价(second
‑
price)，VCG机制进行支付机制的设计。
[0005]由于各种传感器以及智能设备的普及，很难对工人的感知能力进行很好的刻画。虽然传统的多臂老虎机框架可以很好的解决在学习工人感知质量时探索和利用的平衡，但由于工人的数量是海量的，所以平台无法保证足够的资金来对未知工人进行探索；同时，又因为工人执行感知任务会产生一定的费用需要平台进行支付，而这部分花费对于工人来说是私人信息，其可以进行有策略地提交从而最大化自身地收益，所以需要提出一个支付机制激励工人提交其执行感知任务真实的花费，这进一步限制了我们解决该问题以及相关的理论分析。在现实中，工人会被收集一些特征信息作为用户画像，而其中某些特征会与工人执行任务的质量存在某种关系。

技术实现思路

[0006]针对上述提出的技术问题，本专利技术提供了一种面向群智感知的海量未知工人选择与激励机制设计方法。通过该方法，可以实现在考虑预算约束和鼓励工人提交真实花费的情况下，最大化预期累计感知收益；同时与最优的累计期望质量的差值可以得到一个次线性增长的曲线。
[0007]为达上述目的，本专利技术的技术方案如下：
[0008]一种面向群智感知的海量未知工人选择与激励机制设计方法，包括如下步骤：
[0009]步骤一，初始化群智感知任务模型，将时间离散化为时刻t＝1,2,
…
，获取雇佣工人执行感知任务的总预算B、工人信息、工人执行任务所需的花费投标、上下文信息特征空
间和每个感知任务所需的执行时间τ；
[0010]步骤二，对上下文信息特征空间进行超矩阵划分；
[0011]步骤三，将预算分为探索预算B
′
和利用预算两部分。；
[0012]步骤四，按照特定顺序选择一个超矩阵，并从中随机选择一个可用的工人执行感知任务，更新相关变量，在执行时间τ之后观察其返回的任务收益，并根据收益更新其对应超矩阵的上置信指数，在下一轮重复该步骤，直到探索预算花完且没有工人正在执行感知任务为止；
[0013]步骤五，对于每一名工人，根据其所在超矩阵的上置信指数评估其执行任务的质量，并根据工人提交的执行任务所需的花费投标计算其评估质量花费密度，根据评估的质量花费密度进行工人的雇佣以及支付，选择一名工人执行感知任务，并更新相关变量，在下一轮重复该步骤直到利用预算花完为止。
[0014]优选的，步骤一中，执行感知任务雇佣工人所支付的总预算不得超过B；
[0015]设工人集合在每一时刻,表示当前可选的工人集合，对于每个工人包含信息如下：上下文特征信息s
i
、执行任务的质量μ
i
、工人执行一个任务所产生的真实花费c
i
以及工人向平台提交的执行任务所需的花费投标b
i
；其中工人执行任务的真实花费属于私人信息，为未知信息；
[0016]下文信息特征空间其中，M为上下文信息的维度，对于工人i，其上下文信息
[0017]感知任务在分配给工人i执行后，需要执行时间τ，在此期间，工人i属于被占用的状态，无法再次被分配，直到当前感知任务执行结束。
[0018]优选的，步骤二中，将上下文信息空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有类似的执行任务的质量，对其之间的差距进行界定。
[0019]优选的，步骤二具体方法如下：
[0020](1)假设工人i执行任务的质量μ
i
和上下文信息满足函数形式μ
i
＝f(s
i
)，且函数f(
·
)满足Holder Condition：对于任意两个工人i，j，其上下文信息分别为s
i
、s
j
，存在常数L>0，α>0，使得
[0021]|μ
i
‑
μ
j
|＝|f(s
i
)
‑
f(s
j
)|≤L||s
i
‑
s
j
||
α
[0022](2)将上下文信息空间的每一维平均划分成份，因此，上下文信息空间被划分为了h
BM
个超矩阵，用表示超矩阵的集合。
[0023]优选的，步骤三中，执行感知任务的总预算为B，其中探索预算为优选的，步骤三中，执行感知任务的总预算为B，其中探索预算为利用预算为探索预算使用结束后剩余的部分，b
max
为工人向平台提交的执行任务所需的花费最大值，μ
max
为工人执行任务的质量最大值。
[0024]优选的，步骤四具体方法如下：
[0025](1)模型初始化：表示在t时刻超矩阵Q中的工人处理任务的估计质量，λ
Q
(t)表示截止到t时刻超矩阵Q中的工人一共被选择的次数，B
t
表示在第t时刻所剩余的预算；在
t＝0时刻：λ
Q
(0)＝0，
[0026](2)在t时刻，选择第个超矩阵Q，并从中随机抽取一个可用的工人；当时，其中执行(5)；
[0027](3)在t时刻，雇佣选择出的工人执行感知任务，并支付报酬b
max
；在t+τ时刻，观察其返回的任务收益，并更新相关变量：B
t+1
＝B
t
‑
b
max
；
[0028](4)当t>τ时，观察本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，包括如下步骤：步骤一，初始化群智感知任务模型，将时间离散化为时刻t＝1，2，
…
，获取雇佣工人执行感知任务的总预算B、工人信息、工人执行任务所需的花费投标、上下文信息特征空间和每个感知任务所需的执行时间τ；步骤二，对上下文信息特征空间进行超矩阵划分；步骤三，将预算分为探索预算B
′
和利用预算两部分。；步骤四，按照特定顺序选择一个超矩阵，并从中随机选择一个可用的工人执行感知任务，更新相关变量，在执行时间τ之后观察其返回的任务收益，并根据收益更新其对应超矩阵的上置信指数，在下一轮重复该步骤，直到探索预算花完且没有工人正在执行感知任务为止；步骤五，对于每一名工人，根据其所在超矩阵的上置信指数评估其执行任务的质量，并根据工人提交的执行任务所需的花费投标计算其评估质量花费密度，根据评估的质量花费密度进行工人的雇佣以及支付，选择一名工人执行感知任务，并更新相关变量，在下一轮重复该步骤直到利用预算花完为止。2.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤一中，执行感知任务雇佣工人所支付的总预算不得超过B；设工人集合在每一时刻，表示当前可选的工人集合，对于每个工人包含信息如下：上下文特征信息s
i
、执行任务的质量μ
i
、工人执行一个任务所产生的真实花费c
i
以及工人向平台提交的执行任务所需的花费投标b
i
；其中工人执行任务的真实花费属于私人信息，为未知信息；下文信息特征空间其中，M为上下文信息的维度，对于工人i，其上下文信息感知任务在分配给工人i执行后，需要执行时间τ，在此期间，工人i属于被占用的状态，无法再次被分配，直到当前感知任务执行结束。3.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤二中，将上下文信息空间划分为一个个超矩阵，将在同一个超矩阵中的工人视为一类，并且假设在同一个超矩阵中的工人具有类似的执行任务的质量，对其之间的差距进行界定。4.根据权利要求1所述的面向群智感知的海量未知工人选择与激励机制设计方法，其特征在于，步骤二具体方法如下：(1)假设工人i执行任务的质量μ
i
和上下文信息满足函数形式μ
i
＝f(s
i
)，且函数f(
·
)满足Holder Condition：对于任意两个工人i，j，其上下文信息分别为s
i
、s
j
，存在常数L＞0，α＞0，使得|μ
i
‑
μ
j
|＝|f(s
i
)
‑
f(s
j
)|≤L||s
i
‑
s...

【专利技术属性】
技术研发人员：李峰，柴钰琪，于东晓，
申请(专利权)人：山东大学，
类型：发明
国别省市：