CN114792187A - 基于意愿和信任双重约束的群智感知团队招募方法及*** - Google Patents
基于意愿和信任双重约束的群智感知团队招募方法及*** Download PDFInfo
- Publication number
- CN114792187A CN114792187A CN202210032905.1A CN202210032905A CN114792187A CN 114792187 A CN114792187 A CN 114792187A CN 202210032905 A CN202210032905 A CN 202210032905A CN 114792187 A CN114792187 A CN 114792187A
- Authority
- CN
- China
- Prior art keywords
- trust
- willingness
- network
- team
- crowd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007115 recruitment Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009977 dual effect Effects 0.000 title claims description 27
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012358 sourcing Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000003993 interaction Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开属于群智感知技术领域，提供了一种基于意愿和信任双重约束的群智感知团队招募方法及***，包括以下步骤：获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
Description
技术领域
本公开属于群智感知技术领域，具体涉及一种基于意愿和信任双重约束的群智感知团队招募方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着移动手机等智能设备的***式普及和无线通信技术的飞速发展，群智感知为大规模信息的收集提供了一种前瞻性的解决方案。群智感知是一个协作式的***，其用户既能通过相互之间的协作完成多种复杂任务，又能享用群智感知通过协作产生的服务。
据发明人了解，群智感知***中，参与者扮演重要角色。然而，传统的群智感知用户招募方案设计中侧重于招募单独的个人完成独立的一项任务；例如，图片标注、照片收集等。显然，这种机制可以在没有协作需求的任务场景中很好的运行。随着传感任务变得越来越复杂，参与者之间迫切需要密切合作。然而，建立协作团队是一个多重约束的过程；一方面，群智感知是“以人为中心”的感知；忽视用户协作意愿，可能会导致用户执行效率低甚至中途退出，拒绝合作等行为，因此参与者的参与意愿是其主观因素；另一个方面，成员之间的信任关系在团队运行中扮演重要角色，它可以降低合作的风险和不确定性，用户之间的信任对于确保合作的成功和质量至关重要。拥有高度的信任关系是平台希望团队形成的客观因素。现有技术中缺乏同时考虑用户之间的意愿关系和信任关系来构建协作团队，因为导致产生的服务质量(QoS)较差。
发明内容
为了解决上述问题，本公开提出了一种基于意愿和信任双重约束的群智感知团队招募方法及***，对用户之间的团队组织形式进行建模分析，将协作的用户团队纳入群智感知招募***，提高整体的服务质量。
根据一些实施例，本公开的第一方案提供了一种基于意愿和信任双重约束的群智感知团队招募方法，采用如下技术方案：
一种基于意愿和信任双重约束的群智感知团队招募方法，包括以下步骤：
获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
作为进一步的技术限定，通过对信任等级的量化，进行参与者之间信任网络的构建。
作为进一步的技术限定，使用图卷积网路分别去学习用户对之间未知的意愿和信任关系传播和聚集规则，去预测未知的意愿和信任关系。
进一步的，根据所构建的意愿网络和信任网络确定图卷积网络的输入，利用数据对图卷积网络分别进行训练以学习隐藏在真实数据中的意愿/信任的传播模式，训练完成后得到确定的网络链路预测模型结构和用户的向量嵌入式表示，学习模型中隐藏层和输出层的权重和偏差矩阵，得到用户表达更能准确的预测意愿网络/信任网络中缺失的网络链路关系。
作为进一步的技术限定，所述图卷积网络至少包括初始化嵌入层、意愿/信任卷积层、意愿/信任关系预测层和输出层。
作为进一步的技术限定，在进行共识约束的过程中，构建协作团队划分的联合优化的目标函数，基于所述目标函数最小时的协作意愿和信任关系构建群智感知团队。
进一步的，在目标函数的优化过程中，采用曲线搜索法进行所预测后的协作意愿和信任关系的迭代交替。
根据一些实施例，本公开的第二方案提供了一种基于意愿和信任双重约束的群智感知团队招募***，采用如下技术方案：
一种基于意愿和信任双重约束的群智感知团队招募***，包括：
网络构建模块，其被配置为获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
意愿和信任关系预测模块，其被配置为基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
协作团队构建模块，其被配置为对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
招募仿真模块，其被配置为根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开构建意愿网络和信任网络分别描述协作用户之间的意愿关系和信任关系的相互作用；使用图卷积网络(GCNs)分别学习用户间意愿关系和信任关系的聚合规则和传播模式，以此来预测用户之间未知的意愿和信任关系；基于预测后的意愿网络和信任网络的共识约束，构建群智感知用户招募过程的协作团队。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一的基于意愿和信任双重约束的群智感知团队招募方法的流程图；
图2是本公开实施例一的基于卷积神经网络的意愿/信任关系预测框架图；
图3(a)是本公开实施例一的意愿/信任的入邻示意图；
图3(b)是本公开实施例一的意愿/信任的出邻示意图；
图4(a)是本公开实施例一的信任网络输出层中整合前的示意图；
图4(b)是本公开实施例一的信任网络输出层中整合后的示意图；
图5(a)是本公开实施例一的αcol＝0.6时的用户招募的服务质量得分示意图；
图5(b)是本公开实施例一的αcol＝0.7时的用户招募的服务质量得分示意图；
图5(c)是本公开实施例一的αcol＝0.8时的用户招募的服务质量得分示意图；
图5(d)是本公开实施例一的αcol＝0.9时的用户招募的服务质量得分示意图；
图6(a)是本公开实施例一的αcol＝0.6时的用户招募多个团队的服务质量得分示意图；
图6(b)是本公开实施例一的αcol＝0.7时的用户招募多个团队的服务质量得分示意图；
图6(c)是本公开实施例一的αcol＝0.8时的用户招募多个团队的服务质量得分示意图；
图6(d)是本公开实施例一的αcol＝0.9时的用户招募多个团队的服务质量得分示意图；
图7是本公开实施例一的低信任团队不同占比下的服务质量得分示意图；
图8是本公开实施例二中的基于意愿和信任双重约束的群智感知团队招募***的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于意愿和信任双重约束的群智感知团队招募方法。
如图1所示的一种基于意愿和信任双重约束的群智感知团队招募方法，包括以下步骤：
步骤S01：获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
步骤S02：基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
步骤S03：对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
步骤S04：根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
作为一种或多种实施方式，在步骤S01中，对协作需求度高的任务来说，期望群智感知平台中的用户可以相互协作。一方面，从用户角度来说，用户在物理空间中实际参与过的感知任务后的积极体验会促进再次合作意愿的产生；另一方面从平台角度来说，用户在虚拟社交空间中的信任交互关系成为组建协作团队的客观因素。为了便于研究不同因素之间的相互作用，构建了意愿网络和信任网络。
设GW＝(UW,EW,WW)为用户之间的意愿网络，其中UW＝{1,…,u}代表参与任务的用户集合，EW表示用户之间的有向链路集合，WW表示用户之间的链路权重集合。若用户i，j在同一时间点参加过同一活动，则用户i，j之间会存在一条有向边eW(i,j)，i指向j的连接权重wW(i,j)表达了i对j的主观协作意愿。如果它们经常参与同一活动，且i对j的评价积极，则会为相应的边指定较大的权重。
设GT＝(UT,ET,WT)为有向信任交互网络，其中UT＝{1,…,u}代表群智感知中的用户集合，ET表示用户之间的有向信任链路集合，WT表示用户之间的信任的权重集合。每个信任链路eT(i,j)都与一个权值wT(i,j)相关联，该权值wT(i,j)表示i 对j的信任度。
作为一种或多种实施方式，在步骤S02中，用户之间的意愿和信任关系是不对称和传播性的。GCNs在处理图数据方面的优势愈加明显。因此，使用图卷积网路分别去学习用户对之间未知的意愿和信任关系传播和聚集规则，去预测未知意愿和信任关系。
首先，根据步骤S01中所构建的意愿网络和信任网络确定图卷积网络的输入后。其次，利用数据对图卷积网络分别进行训练以学习隐藏在真实数据中的意愿/信任的传播模式。训练完成后，得到了确定的网络链路预测模型结构和用户的向量嵌入式表示，并学习了模型中隐藏层和输出层的权重和偏差矩阵。最终得到的用户表达更能准确的预测意愿网络/信任网络中缺失的网络链路关系，本实施例将其用于协作团队构建阶段对用户进行一致性的约束下的协作团队招募过程。该模型的结构如图2所示，共包括四个组成部分：1)初始化嵌入层；
2)意愿/信任卷积层；3)意愿/信任关系预测层；4)输出层。
(1)初始化嵌入层
首先使用预先训练的嵌入层将每个用户映射到一个D维向量，充当用户嵌入的初始状态。用端到端的方式对其进行优化，来分别学习意愿和信任网络中用户i的表示向量x[i]∈RD×1。
(2)意愿/信任卷积层
意愿和信任关系具有非对称性。首先将一个节点的邻居划分为两组：入邻和出邻。图3(a)和图3(b)分别展示了意愿/信任中入邻和出邻的两种示例；其中，图3(a)为节点i的入邻示例，其中虚线内为节点i的入邻；图3(b)为节点i的出邻示例，其中虚线内为节点i的出邻。
2.1)入邻特征传播
为表示节点i的入邻的特征，可以分为两种情况：直接邻居和间接邻居。以图3中的(a)图为例，用户i的入邻特征取决于其直接邻居j和q的交互及其对应的交互权值w(j,i)和w(q,i)，这提供了节点i受节点j和q合作意愿/信任的直接证据。意愿/信任关系具有传递性。对于i的间接邻居k，可以根据k对j的交互值w(k,j)和j对i的交互值w(j,i)，推导出节点i受到节点k的交互影响。这提供了用户i受到用户k合作意愿/信任的间接证据。
以用户i的为例，为了对用户i的入邻特征进行建模。首先使用One-hot编码每种类型的意愿值/信任值。通过公式(1)将单热点编码的权重w(j,i)转换为稠密权重向量嵌入Dw(j,i)。
Dw(j,i)＝W(j,i)·w(j,i),(1)
其中，W(j,i)∈RD×|w|是可训练的变换矩阵，|w|是意愿/信任的类型的数量。
然后通过公式(2)将节点i的向量嵌入x[i]和关联的稠密权重向量嵌入Dw(j,i)进行级联运算
最终得到节点j对用户i的意愿/信任关系表示。
再使用公式(3)均值聚合器来聚集节点i的入邻特征，最终得到节点i的入邻模型。
用户i的出邻特征传播类似上述。
为了对用户更好的建模分析，在这里，使用一个标准全连接层将节点i的两种邻居特征连接起来。用户i的嵌入式表示如公式(4)所示：
其中，WIO是可训练变换矩阵，b是可学习的偏差，σ表示非线性激活函数。
2.2)高阶意愿/信任特征传播
通过堆叠l个卷积层，节点i能够接受其l跳邻居的特征。其中，用户i的表示如下公式(5)到公式(9)所示：
其中，h0[i]＝x[i]是节点i的初始化嵌入，通过调整l来控制其传播范围。
(3)意愿/信任关系预测层
为对节点i，j的关系进行预测，如公式(10)所示，首先将用户i和用户j 的嵌入式表示连接起来，然后将其放入标准全连接层(FC)，最后输出到Softmax 层。
其中，Wfc是在预测层中定义的可训练权重矩阵，σ是Softmax函数。因此，从用户i的角度计算用户j的信任/意愿值
为了完成网络的训练并获得最佳的训练效果，使用反向传播算法去训练网络。鉴于Adam已被证明在更新模型参数的有效性，在本实施例中使用采用Adam 优化算法作为优化器，其目标函数定义为预测值与观测集w的真实值之间的交叉熵损失，如公式(11)所示
其中，W为观测到的意愿-信任对以及相关意愿-信任关系集合，
为所有可训练的模型参数，λ控制正则化强度，防止过拟合。
(4)输出层
基于上述预测结果，可以对意愿网络和信任网络中用户对之间缺失的合作意愿和信任关系分别进行补充。图4(a)为整合前节点i和j之间有向的信任关系，图4(b)为整合后节点i和节点j之间无向的信任关系。要构建协作团队，在团队中成员之间需要相互协作。为保证成员之间高效的协作关系，取每对节点之间的较低的信任关系作为用于团队划分的协作信任关系，如图4(b)所示，并且对意愿网络也是进行同样的处理。
作为一种或多种实施方式，在步骤S03中，通过步骤S02中的预测，分别得到了用户之间用于协作的无向意愿网络和无向信任网络。在这一部分，基于这两个网络从用户主观合作意愿和平台选拔的客观标准对这两个网络进行一致性约束，从而组建协作团队。
设
和
其中
表示从从意愿(信任)网络中组建的第i个团队，C表示团队的数量；目标是对人群从合作意愿方面和信任关系方面进行一致性的选择，从而对人群基于协作关系进行划分，其最终目标是要获得具有协作效率高的团队Team＝{Team1…TeamC}。
首先先定义两个团队分配矩阵MW＝[MW(i,c)]∈RN×C，MT＝[MT(i,c)]∈RN×C来描述用户ui所在团队
的情况，表述如公式(12)所示。
结合标准谱聚类的框架，可以用公式(13)在意愿和信任网络上对用户分别进行团队的划分，即
其中，LW和LT分别是意愿网络和信任网络上的归一标准化的拉普拉斯矩阵，如下所示：
其中，DW和DT是对角度矩阵。
为构建协作的团队，应该同时从用户的意愿网络和信任网络中提取信息进行一致性的约束。从全局角度，认为用户之间的团队划分在双网络是相似的。因此在意愿网络和信任网络上最小化公式(15)来实现团队划分的全局的一致性，即
其中，
和
分别表示用户在意愿网络和信任网络的团队划分的相似度。
从局部角度，对于用户i，在意愿和信任网络上分别选取最有合作意愿和最信任的K个最近邻居来构建其局部合作意愿圈和信任圈，如公式(16)所示
其中，
和
分别表示在意愿和信任网络中第i个用户的第k个最近邻居。
给定特定用户i以及其局部K最近邻，定义用户i的局部团队分配矩阵
和
如公式(17)所示；
给定用户i在双网络上的K最近邻和其局部团队分配矩阵，目标是进行局部一致性的约束。即用户的K最近邻在跨双网络的团队划分上的分布是相似的。对于相同的团队C，假设其在K个邻居上具有类似的权重，即
和
之间的差足够小。通过最小化公式(18)来实现用户i的局部一致性约束。
其中，e∈RK是全1的向量。
结合公式(13)、公式(15)和公式(18)，得出了协作团队划分的联合优化的目标函数，如公式(19)所示。
其中，λ1和λ2分别控制全局约束和局部约束的权重。
为优化目标函数(19)，使用曲线搜索法(curvilinear search method)(CSM) 在每次迭代中交替优化MW和MT，直到收敛，如下所示：
其中，t是迭代次数。
基于上述优化得到的分配矩阵MW和MT，可以得到两个网络对应的单独团队构建结果。此外在分配矩阵上进行以下计算，以得到最终统一的划分，如公式(21)所示。
其中，
为最终团队构建结果。
基于本实施例所提出的方法，下面进行实验分析：
(1)实验设置
1.1)数据描述
从Advogato(这是一个面向开源开发者的在线社交网络)中随机抽取了400 个相互之间具有不同信任等级的用户集合作为感知任务的参与者。为保证用户是相对活跃的，同时筛选出参与活动大于3的用户，以此来构建用户之间的信任网络和意愿网络。
假设这些用户提供的数据的质量(QoD)得分服从Beta分布。在不失一般性的前提下，将参与任务的用户分为两类：一类是高质量用户，其提供的QoD 得分服从具有两个正参数的单峰Beta(αhigh,βhigh)的分布，其中14<αhigh<18，3<βhigh<5；一类是低质量用户，其提供的QoD得分服从具有两个正参数的单峰 Beta(αlow,βlow)的分布，其中7<αlow<10，13<βlow<15。设置L为2，λ1＝0.5，λ2＝0.5。
1.2)群智感知中的QoS模型
为了衡量有协作需求任务的服务质量，重新定义了QoS，如公式(22)(23) (24)所示：
其中，每个请求R的服务质量QoS(R)与每个感知任务T(i)＝{1,…,t}的质量 QoT(i)正相关，用任务质量QoT(i)分数的自然对数的乘积表示。每个任务T(i)由一组人P(j)＝{1,…,pi}去完成。每个任务的质量QoT(i)由参与任务的每个人提供的数据质量QoD(j)和协作产生的协作质量QoC(j)组成，用αcol∈[0,1]控制其权重，在这里αcol表示任务的协作需求度。每个个体j的协作质量由团队内与其他成员的信任关系的平均值表示。
1.3)不同用户招募方案设置
为了证明本实施例中所提出的WT-CTRM招募方案是有效的。设置了其他三种招募方案：1)基于信任的招募方案；2)基于平均QoD的招募方案3)随机选择招募方案。其中基于信任的招募方案考虑的是服务请求者和其他用户之间的信任关系来招募用户，但是未考虑参与者内部之间的协作信任关系。基于平均QoD的招募方案采用了平均回归的方法来预测个体的QoD得分，并基于此招募下一个感知任务可能提供最高QoD得分的用户。基于随机的招募采用随机选择的方式从所有用户中选择团队。
为了和其他招募方案进行比较，统一评价标准，假设其他方案中用户之间的协作质量得分服从Beta(9,9)分布。所有算法有相同的输入：N个用户，M 个服务请求。然后根据公式(23)(24)去计算每次服务请求之后的QoS得分。
1.4)场景设置
设置服务的请求数量为1到160个，假设每个服务请求由0到50个任务组成，每个任务需要招募大小为5～100的团队。还假设一个用户可以参与不同的团队。
(2)结果与分析
在Matlab中实现了以上四种不同招募方案。
1)在不同的任务协作需求的场景下的实验结果：其实验结果如图5(a)、图5(b)、图5(c)和图5(d)所示，可以看到随着αcol的增加，WT-CTRM与其他方案的QoS得分差距不断扩大。例如，在αcol为0.6、0.7、0.8、0.9时，WT-CTRM 与基于信任的招募方案的160次请求的QoS平均得分差距从0.8610、1.1965、 1.5773、1.8923增大。并且，当αcol为0.9时，(如图5(d)所示)，WT-CTRM的 QoS得分在2.9～3.3之间浮动。这充分显示了本实施例所提出的WT-CTRM在任务协作需求度高的环境中的优势。
基于信任的招募方案和基于平均QoD的招募方案都是从以前的参与者那里学***均QoD的招募方案相比，基于信任的招募方案产生的QoS得分略好，这是可以理解。这是因为基于信任的招募方案是以请求者的信任关系招募一组人，而信任具有一定的传递性，所以招募的参与者内部之间具有一定的相互信任关系。
然而，除WT-CTRM外，它们都无法真正的分析参与者之间构建协作团队主观因素和客观因素，并未对用户之间的意愿关系和信任关系进行一致性约束，这就是为什么基于信任的招募方案和基于平均QoD的招募方案的QoS得分都很低，且当αcol增加的时候，这种差距在不断的变大。
2)其次，在多团队招募的场景中进行了实验。一共进行50次服务请求，每一次请求招募1～50个任务不等，每个团队1～25人，每次招募2～6个团队，其他设置和上述相同。实验结果如图6(a)、图6(b)、图6(c)和图6(d)所示。可以看出在αcol为0.6时，和招募一个团队相比，基于信任的招募方案招募多个团队时QoS得分降低了0.3670。然而，WT-CTRM无论在招募一个团队还是多个团队得到的QoS得分变化不明显。这是因为本实施例提出的WT-CTRM组建的多个团队内部都具有很好的协作关系，从而每个团队产生的QoS都很高。这充分说明了本实施例方法在招募多个团队的场景下表现仍旧很好
3)最后，分析信任关系低的用户团队占比变化的场景。
在该场景中任务的协作需求度αcol设置为0.9，其他设置和上述相同。如图 7所示，随着***中信任关系低的用户团队占比增加(即从团队总数的0％到 100％)，QoS也在降低。这是不可避免的，因为随着用户之间的信任关系越来越低，***中的信任生态***在逐渐变差。团队之间的信任关系降低，协作质量也会随之降低，从而导致服务的QoS得分下降。这证明了拥有一个高信任生态***环境对协作需求度高任务的重要性。
本公开构建意愿网络和信任网络分别描述协作用户之间的意愿关系和信任关系的相互作用；使用图卷积网络(GCNs)分别学习用户间意愿关系和信任关系的聚合规则和传播模式，以此来预测用户之间未知的意愿和信任关系；基于预测后的意愿网络和信任网络的共识约束，构建群智感知用户招募过程的协作团队。
实施例二
本公开实施例二介绍了一种基于意愿和信任双重约束的群智感知团队招募***。
如图8所示的一种基于意愿和信任双重约束的群智感知团队招募***，包括：
网络构建模块，其被配置为获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
意愿和信任关系预测模块，其被配置为基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
协作团队构建模块，其被配置为对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
招募仿真模块，其被配置为根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
详细步骤与实施例一提供的基于意愿和信任双重约束的群智感知团队招募方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
详细步骤与实施例一提供的基于意愿和信任双重约束的群智感知团队招募方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
详细步骤与实施例一提供的基于意愿和信任双重约束的群智感知团队招募方法相同，在此不再赘述。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，包括以下步骤：
获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
2.如权利要求1中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，通过对信任等级的量化，进行参与者之间信任网络的构建。
3.如权利要求1中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，使用图卷积网路分别去学习用户对之间未知的意愿和信任关系传播和聚集规则，去预测未知的意愿和信任关系。
4.如权利要求3中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，根据所构建的意愿网络和信任网络确定图卷积网络的输入，利用数据对图卷积网络分别进行训练以学习隐藏在真实数据中的意愿/信任的传播模式，训练完成后得到确定的网络链路预测模型结构和用户的向量嵌入式表示，学习模型中隐藏层和输出层的权重和偏差矩阵，得到用户表达更能准确的预测意愿网络/信任网络中缺失的网络链路关系。
5.如权利要求1中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，所述图卷积网络至少包括初始化嵌入层、意愿/信任卷积层、意愿/信任关系预测层和输出层。
6.如权利要求1中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，在进行共识约束的过程中，构建协作团队划分的联合优化的目标函数，基于所述目标函数最小时的协作意愿和信任关系构建群智感知团队。
7.如权利要求6中所述的一种基于意愿和信任双重约束的群智感知团队招募方法，其特征在于，在目标函数的优化过程中，采用曲线搜索法进行所预测后的协作意愿和信任关系的迭代交替。
8.一种基于意愿和信任双重约束的群智感知团队招募***，其特征在于，包括：
网络构建模块，其被配置为获取参与者的历史参与记录，构建参与者之间的意愿网络和信任网络；
意愿和信任关系预测模块，其被配置为基于图卷积网络以及所构建的意愿网络和信任网络，预测参与者之间的协作意愿和信任关系；
协作团队构建模块，其被配置为对所预测后的协作意愿和信任关系进行共识约束，构建群智感知团队；
招募仿真模块，其被配置为根据所构建的群智感知团队和招募平台，进行协作团队招募过程的仿真。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于意愿和信任双重约束的群智感知团队招募方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032905.1A CN114792187A (zh) | 2022-01-12 | 2022-01-12 | 基于意愿和信任双重约束的群智感知团队招募方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210032905.1A CN114792187A (zh) | 2022-01-12 | 2022-01-12 | 基于意愿和信任双重约束的群智感知团队招募方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114792187A true CN114792187A (zh) | 2022-07-26 |
Family
ID=82460558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210032905.1A Pending CN114792187A (zh) | 2022-01-12 | 2022-01-12 | 基于意愿和信任双重约束的群智感知团队招募方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792187A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474509A (zh) * | 2023-12-27 | 2024-01-30 | 烟台大学 | 一种基于信任评估框架和禁忌搜索的工人招募方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004054867A (ja) * | 2002-07-17 | 2004-02-19 | Masaaki Saito | 会議の集団形成及び実施支援システム |
| CN101257386A (zh) * | 2008-03-11 | 2008-09-03 | 南京邮电大学 | 基于信任模型的动态访问控制方法 |
| CN108921413A (zh) * | 2018-06-22 | 2018-11-30 | 郑州大学 | 一种基于用户意愿的社交网络信任度计算方法 |
| WO2020147597A1 (zh) * | 2019-01-15 | 2020-07-23 | 深圳大学 | 一种基于社交大数据的拼车优化方法、索引结构及*** |
| CN113191023A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 群智感知的任务分配和用户招募模型交叉验证方法及*** |
-
2022
- 2022-01-12 CN CN202210032905.1A patent/CN114792187A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004054867A (ja) * | 2002-07-17 | 2004-02-19 | Masaaki Saito | 会議の集団形成及び実施支援システム |
| CN101257386A (zh) * | 2008-03-11 | 2008-09-03 | 南京邮电大学 | 基于信任模型的动态访问控制方法 |
| CN108921413A (zh) * | 2018-06-22 | 2018-11-30 | 郑州大学 | 一种基于用户意愿的社交网络信任度计算方法 |
| WO2020147597A1 (zh) * | 2019-01-15 | 2020-07-23 | 深圳大学 | 一种基于社交大数据的拼车优化方法、索引结构及*** |
| CN113191023A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 群智感知的任务分配和用户招募模型交叉验证方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474509A (zh) * | 2023-12-27 | 2024-01-30 | 烟台大学 | 一种基于信任评估框架和禁忌搜索的工人招募方法及*** |
| CN117474509B (zh) * | 2023-12-27 | 2024-04-02 | 烟台大学 | 一种基于信任评估框架和禁忌搜索的工人招募方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Large-scale group decision making model based on social network analysis: Trust relationship-based conflict detection and elimination | |
| Zhan et al. | A learning-based incentive mechanism for federated learning | |
| Liu et al. | Competing bandits in matching markets | |
| Jasny et al. | Two-mode brokerage in policy networks | |
| Kong et al. | A reliable and efficient task offloading strategy based on multifeedback trust mechanism for IoT edge computing | |
| CN113408209A (zh) | 跨样本联邦分类建模方法及装置、存储介质、电子设备 | |
| CN109921936A (zh) | 基于memetic框架的多目标动态网络社区划分方法 | |
| Gai et al. | Trust chain driven bidirectional feedback mechanism in social network group decision making and its application in Metaverse virtual community | |
| CN114792187A (zh) | 基于意愿和信任双重约束的群智感知团队招募方法及*** | |
| CN115696452A (zh) | 云边协同计算中的卸载决策与资源配置联合优化的博弈方法 | |
| CN113298668B (zh) | 考虑社交网络的移动群智感知用户大规模快速招募方法 | |
| Cui et al. | A many-objective evolutionary algorithm based on constraints for collaborative computation offloading | |
| Li et al. | Network topology optimization via deep reinforcement learning | |
| Al Ridhawi et al. | An intelligent blockchain-assisted cooperative framework for industry 4.0 service management | |
| Fard et al. | Machine Learning algorithms for prediction of energy consumption and IoT modeling in complex networks | |
| CN114710439A (zh) | 基于深度强化学习的网络能耗与吞吐量联合优化路由方法 | |
| Zhao et al. | Ensemble federated learning with non-IID data in wireless networks | |
| Moghaddasi et al. | Blockchain-driven optimization of IoT in mobile edge computing environment with deep reinforcement learning and multi-criteria decision-making techniques | |
| Wang et al. | Social-aware clustered federated learning with customized privacy preservation | |
| CN109981337B (zh) | 面向数据开放共享的多源数据对齐方法 | |
| CN115329985B (zh) | 无人集群智能模型训练方法、装置和电子设备 | |
| Peng et al. | Tofds: A two-stage task execution method for fake news in digital twin-empowered socio-cyber world | |
| CN116484113A (zh) | 一种基于动态信任感知的群体观点预测方法及*** | |
| Gómez Esteban et al. | Competition and cooperation in a community of autonomous agents | |
| CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |