物联网移动群智感知任务协同排序推荐优化
物联网移动群智感知任务协同排序推荐优化
陈贵兰
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1所示。根据参与者之前接受的各项任务情况匹配任务分类特征，构建相应的排序数学模型。通过此模型对目标参与者偏好的任务实施排序，把结果发送给参与人员，完成对各项任务分配。
图1 MCS任务推荐示意图
2 本文方法
本文根据列表级排序（List-Wise Ranking, LWR）算法构建了一种可以对近邻信息进行融合分析的优化算法。并对此算法设置以下定义项。
设置LWR框架结构：概率矩阵因子是根据观察获取的评分、先验参数概率进行推断确定的。由此构建以下的LWR框架[16]：
(1)
式中：Iij属于指标函数，代表用户i对任务j存在较大兴趣，在Rij > 0条件下取值为1，反之取值0；g (x)属于固定取值范围内的一个逻辑函数；U与V是二个包括特征参数低秩矩阵；F是Frobenius范数。
Top-one概率为
(2)
根据上述表格中的参数对Top-one概率进行交叉熵运算并建立排序数学模型，同时受近邻用户作用，得到以下损失函数表达式：
(3)
利用梯度下降法对U与V进行特征向量更新处理，再把用户与任务特征向量之间点乘运算组成效用函数建立测试用户的推荐表。
3实验分析
为测试本研究算法的有效性，综合运用仿真结果与实际采集得到数据在MATLAB平台下进行测试分析。综合分析了测试过程的各项参数变化，综合考虑任务分配准确性与处理时间的影响，并对用户参与成本及其积极性开展对比。
3.1实验设置
以随机方式从中选择80%比例的样本组成训练集，再以剩余20%样本组成测试集。表1给出了本实验的各项参数设置情况。c表示候选人员数量的改变情况，α属于相似度模型调控指标，t代表任务数差异，λ属于正则化参数，μ为学习速率，iterations为迭代过程的总次数。
表1 实验参数设置
3.2实验结果分析
3.2.1参数分析
图2与4给出了本次测试所得的结果。本次测试了用户任务偏好与位置偏好二个层面的用户意愿，重点探讨了影响两者比重的α参数，测试得到的各项参数见图3。通过分析图3数据得到最优参数指标为λ为0.01，迭代100次，α取值0.5。
任务分配速率直接决定了分配效率，本研究中对其进一步量化处理，以分配过程的算法时间作为判断依据，同时将本文设计算法的运行时间理解为载入测试集以及对任务进行分配所需的时间。
图2 不同正则化系数下算法收敛性变化
图3 不同参数α下平均分配准确率变化
3.2.2性能比较
图4~图5是对各数据集进行任务分配过程准确率测试的结果。根据图4（b）与6（b）可知，设置更多任务数时，本实验各项方法都呈现分配准确率小幅波动的现象。处于相同的任务数条件下时，本文算法分配效率相对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。
图4 任务分配准确率随候选者和任务数变化
（Gowalla数据集）
图5 任务分配准确率随候选者和任务数变化
（交互数据集）
以上测试结果表明，本文算法可以达到更高分配准确性，同时还可以缩短分配时间，提升整体处理效率，具备比LWR算法更大的优势。相对其它基线处理方法，采用本文方法可以达到比MSC算法更高的准确性，GSMs算法在分配准确率方面能够满足要求，但需要花费大量计算时间，造成算法效率偏低的问题。从总体上看，本文算法具备优异综合性能，相对基线方法处理效果更优。
4结论
本文开展物联网移动群智感知任务协同排序推荐优化分析，取得如下有益结果：
1）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。
2）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。
参考文献
[1] 张锦荣, 王康谊, 张云逸, 等. 基于北斗/GPS的水中应急定位系统设计[J]. 国外电子测量技术, 2021, 40(06): 87-93.
[2] 田光普. 自动气象站无线通信技术的应用研究[J]. 电子测量技术, 2021, 44(07): 154-158.
[3] 吴定泽, 任彬, 赵增旭. 基于视觉识别的无线通信物流机器人设计[J]. 电子测量技术, 2021, 44(05): 46-50.
[4] 俞东进, 陈聪, 吴建华, 等. 基于隐式反馈数据的个性化游戏推荐[J]. 电子学报, 2018, 46(11): 2626-2632.
[5] 纪圣塨, 郑宇, 王诏远, 等. 基于前向搜索和投票的移动群智感知动态用户招募方法[J]. 计算机学报, 2021, 44(10): 1998-2015.
[6] 王健, 刘嘉欣, 赵国生, 等. 移动群智感知中基于协同排序的任务推荐方法[J]. 电子学报, 2021, 49(10): 2012-2019.
[7] 蔡威, 白光伟, 沈航, 等. 移动群智感知中基于强化学习的双赢博弈[J]. 计算机科学, 2020, 47(10): 41-47.
[8] 金鑫, 王涛春, 吕成梅, 等. 移动群智感知中原始数据隐私保护算法[J]. 计算机应用, 2020, 40(11): 3249-3254.
[9] 安健, 彭振龙, 桂小林, 等. 群智感知中基于公交系统的任务分发机制研究[J]. 计算机学报, 2019, 42(2): 65-78.
作者简介：陈贵兰，女，1980，重庆人，硕士，副教授，主要从事计算机教学。
物联网移动群智感知任务协同排序推荐优化.doc
