一种基于信任评估框架和禁忌搜索的工人招募方法及系统

技术领域

本发明涉及群智感知技术和人工智能技术交叉技术领域，尤其涉及一种基于信任评估框架和禁忌搜索的工人招募方法及系统。

背景技术

移动人群感知是通过物联网生态系统中的多个传感器和设备实现集体智能的范例。在物联网设备、边缘计算和无人机传感等技术的支持下，群智感知在城市传感、环境监测和交通管理等领域发挥着至关重要的作用。在协作式移动群智感知研究领域，一个关键问题是招募合适的工人团队来完成任务。现有的招募策略通常以效率、质量和覆盖范围作为驱动因素，却忽略了工人之间的协作关系。这会影响任务完成效果的合理评估。

随着微信、推特、Instagram和Facebook等在线社交平台的快速发展，吸引了全球大量的用户群，形成了大规模、复杂的社交网络。研究表明社交网络的正向网络外部性促进了用户信息共享和传播，而信息共享是提高团队任务完成效果的显著驱动力。因此，在协作式移动群智感知的背景下，构建稳定的社交网络能提升团队任务完成效果。值得注意的是良好的信任关系是构建稳定社交网络的关键。此外，但在群智感知背景中，信任关系能够避免信息失真、隐私-效用权衡和静态策略等局限性，从而提供一种更加动态、精准和适应性强的隐私保护方法。团队成员之间强烈的信任关系使得其不会将对方的隐私信息泄露，实现对团队社交网络的隐私保护。然而，现有针对信任评估的研究没有充分考虑信任的性质，这将影响信任评估的精确性。此外，现有的招募算法运行在单一的服务器上，面对超大范围和规模的招募任务，存在性能瓶颈、网络带宽和扩展性限制等。因此，通过信任关系提升任务完成效果和隐私保护仍然面临着以下的挑战：

（1）目前缺乏高效精确信任评估框架，以获取所有工人之间的信任关系。（2）对于评估团队任务完成效果不能进行合理评估，并在低隐私损失的前提下，缺乏一种有效的招募算法解决招募问题。（3）对于超大范围和规模的工人招募，招募的效率有待提高。因此，如何在保证良好的隐私损失的前提下，基于工人之间信任关系的评估实现高效的工人招募，成为现有技术亟待解决的问题。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于信任评估框架和禁忌搜索的工人招募方法及系统，可以精确的完成工人之间信任关系的评估并实现高效的工人招募，最大化任务的完成效果，同时保证良好的隐私损失。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明第一方面提供了一种基于信任评估框架和禁忌搜索的工人招募方法，包括信任评估阶段、更新阶段和招募阶段；

信任评估阶段：训练得到信任评估模型，利用信任评估模型评估工人之间潜在的可信度，并将评估结果实数化转换为信任值以计算工人间协作的信任效益；

更新阶段：收集历史数据，利用历史数据计算工人的综合能力指标，并通过聚类算法实现区域划分；

根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求，平台计算并更新工人的能力效益和距离效益；

招募阶段：根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果；

根据候选工人对任务的完成效果构建无向完全招募图；

利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务最佳的执行团队，其中，基于冲突策略解决任务的执行团队出现的冲突，并根据隐私损失阈值从任务的执行团队中确定任务的协作团队。

进一步的，训练得到信任评估模型的具体步骤为：

使用Node2Vec预训练模型，获得嵌入层的初始状态；

引入信任的传播性与组合性，探索并应用专家知识，输入信任强化卷积层完成信任传播；

将信任者和受信者的嵌入向量连接起来输入到全连接层，并通过归一化指数函数得到可信度；

利用Adam优化器对模型参数进行调整，使交叉熵损失最小化，实现对工人之间信任关系的学习；

学习完成后，将受信者和信任者的潜在嵌入向量连接起来输入到全连接层，得到信任评估模型。

进一步的，计算工人间协作的信任效益时，额外考虑工人之间非对称信任值的差异，较大的差异会影响双方协作时的信任效益。

进一步的，利用小批量K均值（Mini-Batch K-Means）聚类算法，通过随机抽样位置和在线更新的方式完成区域划分。

进一步的，历史数据包括工人历史执行任务的总里程、接单总数和任务的位置。

进一步的，利用历史数据计算工人的综合能力指标的具体步骤为：

通过工人历史执行任务的总里程和接单总数得到工人业务量和活跃度能力指标；

平台对工人各项能力指标进行最小值-最大值归一化处理，以计算工人的综合能力指标。

进一步的，将候选工人作为节点、候选工人对任务的完成效果作为无向边的权重，使工人招募问题被建模为无向完全招募图。

进一步的，利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务最佳的执行团队的具体步骤为：

在无向完全招募图中随机生成任务的执行团队成为当前的解决方案，并计算执行团队平均任务完成效果；

生成当前解决方案的邻居，并计算邻居的执行团队平均任务完成效果；

选择执行团队平均任务完成效果最高的邻居与当前解决方案进行比较和更新；

更新迭代完成后，当前解决方案被招募为任务的执行团队。

进一步的，基于冲突策略解决任务的执行团队出现的冲突的具体步骤为：

计算冲突工人与团队中其他工人的任务完成效果的总和；

具有最高任务完成效果的执行团队将招募冲突工人，而其他执行团队将需要重新招募工人，直到没有冲突发生。

本发明第二方面提供了一种基于信任评估框架和禁忌搜索的工人招募系统，包括信任评估模块、更新模块和招募模块：

信任评估模块，被配置为训练得到信任评估模型，利用信任评估模型评估工人之间潜在的可信度，并将评估结果实数化转换为信任值以计算工人间协作的信任效益；

更新模块包括：

聚类模块，被配置为收集历史数据，利用历史数据计算工人的综合能力指标，并通过聚类算法实现区域划分；

效益计算模块，被配置为根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求，平台计算并更新工人的能力效益和距离效益；

招募模块包括：

完成效果预测模块，被配置为根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果；

招募图构建模块，被配置为根据候选工人对任务的完成效果构建无向完全招募图；

执行团队确定模块，被配置为利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务最佳的执行团队，其中，基于冲突策略解决任务的执行团队出现的冲突，并根据隐私损失阈值从任务的执行团队中确定任务的协作团队。

以上一个或多个技术方案存在以下有益效果：

本发明公开了一种基于信任评估框架和禁忌搜索的工人招募方法及系统，在信任强化评估框架引入满足信任属性的专家知识来加强信任传播。通过工人的主动信任和被动信任捕捉工人的非对称信任属性，实现精确的信任评估。

本发明在协作式移动群智感知中同时考虑中工人能力、距离和非对称信任值的方法。将工人招募问题建模为无向完全招募图，并通过本发明提出的禁忌搜索招募算法来搜索近似解。

此外，本发明通过Mini-Batch K-Means聚类算法和边缘计算技术实现分布式工人招募，缓解平台数据处理压力。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例一整体系统框架图；

图2为本发明实施例一信任评估阶段的整体框架图；

图3为本发明实施例一信任评估阶段信任传播性示例图；

图4为本发明实施例一信任评估阶段信任组合性示例图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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；

实施例一：

在协作式移动群智感知系统中，主要存在三种角色：任务发布者、工人以及平台；例如，考虑一个任务发布者发布的需要实时对象跟踪的任务，接着平台为任务招募工人团队执行任务。在跟踪物体的过程中，为了实现车辆的实时监控和跟踪，需要工人之间共享目标信息，从而提高车辆位置和状态的准确性。此外，通过工人之间共享路况信息，可以迅速应对交通拥堵和事故。团队成员之间共享验证数据能够消除错误数据或虚假信息，从而提高目标跟踪的可靠性。

如图1所示，本发明设计了基于图卷积神经网络的信任强化评估框架。在信任强化评估框架中，信任评估通过遵循信任属性的专家知识得到强化。信任效益是根据信任强化评估框架中的信任评估得到的非对称信任值来计算的。在计算能力效益时，考虑了工人的多重能力指标和任务发布者的权重要求。随后，平台考虑信任效益、能力效益和距离效益，计算团队的任务完成效益。在此基础上，为每个任务构建无向完全招募图，其中节点表示工人，无向边的权重对应于工人对的任务完成效果。此时，将工人招募问题建模为无向完全招募图，即从无向完全招募图中招募任务完成效果最好的团队。本发明提出了一种特定的禁忌搜索招募算法来解决工人招募问题，为每个任务获得最优的执行团队。随后，在隐私丢失约束下，由执行团队确定协作团队。最后，采用Mini-Batch K-Means聚类算法划分任务发布区域并部署边缘服务器。工人招募由各自所属区域的边缘服务器独立完成，从而显著提高了平台招募的效率和可扩展性。具体步骤如下：

本发明实施例一提供了一种基于信任评估框架和禁忌搜索的工人招募方法，包括信任评估阶段、更新阶段和招募阶段。

信任评估阶段：

步骤1：训练得到信任评估模型。

步骤2：利用信任评估模型评估工人之间潜在的可信度，并将评估结果实数化转换为信任值以计算工人间协作的信任效益。

更新阶段：

步骤3：收集历史数据，利用历史数据计算工人的综合能力指标。

步骤4：通过聚类算法实现区域划分。

步骤5：根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求，平台计算并更新工人的能力效益和距离效益。

招募阶段：

步骤6：根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果。

步骤7：根据候选工人对任务的完成效果构建无向完全招募图。

步骤8：利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务最佳的执行团队，其中，基于冲突策略解决任务的执行团队出现的冲突，并根据隐私损失阈值从任务的执行团队中确定任务的协作团队。

步骤1中，如图2所示，训练得到信任评估模型的具体步骤为：

步骤1.1：基于的图卷积神经网络构建初始模型，使用Node2Vec预训练模型，获得嵌入层的初始状态。

步骤1.2：引入信任的传播性与组合性，探索并应用专家知识，输入信任强化卷积层完成信任传播。

本实施例中，根据信任的传播性，如图3所示，确定从节点

其中，

其中，

步骤1.3：将信任者和受信者的嵌入向量连接起来输入到全连接层，并通过归一化指数函数得到可信度。

步骤1.4：利用Adam优化器对模型参数进行调整，使交叉熵损失最小化，实现对工人之间信任关系的学习。

步骤1.5：学习完成后，将受信者和信任者的潜在嵌入向量连接起来输入到全连接层，得到信任评估模型。

步骤2中，计算工人间协作的信任效益时，额外考虑工人之间非对称信任值的差异，较大的差异会影响双方协作时的信任效益。

本实施例中，对于工人对

。

其中，

步骤3中，利用Mini-Batch K-Means算法，通过随机抽样位置和在线更新的方式完成区域划分。其中，历史数据包括工人历史执行任务的总里程、接单总数和任务的位置。

Mini-Batch K-Means聚类算法对任务发布区域进行划分。这种方法通过在每次迭代中随机选择任务位置样本子集

步骤4中，利用历史数据计算工人的综合能力指标的具体步骤为：

通过工人历史执行任务的总里程和接单总数得到工人业务量和活跃度能力指标；

平台对工人各项能力指标进行最小值-最大值归一化处理，以计算工人的综合能力指标。

步骤5中，分布式招募方法中，若工人与任务之间的距离小于最大招募距离z，则将其作为候选工人组成该任务的候选团队，候选工人的能力效益和距离效益计算如下公式所示：

其中，

步骤6中，对于候选工人对

其中，

步骤7中，将候选工人作为节点、候选工人对任务的完成效果作为无向边的权重，使工人招募问题被建模为无向完全招募图。

步骤8中，利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务

步骤8.1：由与任务距离小于最大招募距离z的工人组成任务

计算公式为：

其中，

步骤8.2：生成当前解决方案的邻居，并计算邻居的执行团队平均任务完成效果。

其中，通过对当前解决方案进行微小更改获得的类似解决方案即为生成当前解决方案的邻居，并计算它们各自的QoD。

步骤8.3：选择执行团队平均任务完成效果最高的邻居与当前解决方案进行比较和更新。

选择QoD最高的邻居，如果该邻居的QoD超过当前解决方案的QoD，且该邻居不在禁忌列表

步骤8.4：更新迭代完成后，最终更新得到的当前解决方案

如果一个工人被多个执行团队招募，就会发生冲突。本实施例基于冲突策略解决任务的执行团队出现的冲突。

其具体步骤为：

步骤8.5：在每个冲突的执行团队中，计算冲突工人与团队中其他工人的任务完成效果的总和。

步骤8.6：具有最高任务完成效果的执行团队将招募冲突工人，而其他执行团队将需要重新招募工人，直到没有冲突发生。

根据隐私损失阈值从任务的执行团队中确定任务的协作团队。本实施例为了确定每个执行团队的协作团队，协作团队最初由执行团队组成。协作团队的隐私损失计算如下：

其中，

下面通过一个实例对CMCS的工人招募问题进行详细介绍。假设任务发布者提交的任务需求需要招募10名工人，其中权重系数

并通过计算候选工人与任务执行区域中心之间的距离来确定候选工人的距离效益。如下公式所示：

接着平台通过预处理计算工人的能力效益，如下公式所示：

。

平台计算候选团队中每个工人的任务完成效果，并将工人招募问题建模为无向完全招募图。通过本文提出的具体禁忌搜索招募算法，平台成功招募到QoD最高的由10个工人组成的执行团队。同时计算隐私损失。

根据隐私损失阈值

为了验证本实施例方法的有效性，通过真实数据集对信任强化评估框架和禁忌搜索招募算法进行了实验。其中，上述真实数据集来源于现有公开数据，并且获得信息所有者的同意。

（1）信任评估

其中TREF代表本发明提出的信任强化评估框架，其余算法则是对比算法。

将数据集的

表1.信任强化评估框架与基线方法的对比表

在Advogato数据集和PGP数据集中TREF在F1得分（F1-score）和平均绝对误差（MAE）方面均优于所有基线。由于内存限制，Neuralwalk方法无法在PGP数据集上进行评估。受神经网络强大学习能力的影响，利用神经网络的方法（TREF、TrustGNN、Guardian、Neuralwalk）在信任评估方面优于其他方法（Matri、OPinionWalk）。在这些基于神经网络的方法中，本实施例提出的TREF具有更精细的设计。通过专家知识的引导，TREF可以更好地捕捉工人的信任属性。

（2）禁忌搜索招募算法

其中TSR代表本发明提出的禁忌搜索招募算法，贪婪最大隐私损失（GMPL）算法、贪婪最大距离效益（GMDB）算法、贪婪最大能力效益（GMAB）算法和随机（Random）算法则表示对比算法。

通过比较不同算法在不同任务下、不同工人数目下和不同任务数目下的QoD，TSR算法在QoD方面的性能优于其他基线，这是因为TSR算法综合考虑了工人信任利益、距离利益和能力利益对QoD的影响。此外，为了更直观地比较不同算法的隐私损失情况，同时考虑到在不同的数据集中隐私损失阈值难以统一设置，试验将比较执行团队的隐私损失情况。执行团队的较低隐私损失意味着可以从执行团队获得更多低于隐私阈值的协作团队成员。通过比较不同算法在不同任务下、不同工人数目下和不同任务数目下的隐私损失，TSR算法在隐私损失方面的性能与GMPL算法相近，由于优于其他基线。这是合理的，因为GMPL算法只考虑工人之间的信任值，最小化招募过程中的隐私损失。另一方面，TSR算法在招募过程中考虑了工人的信任利益、距离利益和能力利益，三者之间存在平衡关系，使得TSR算法在隐私损失方面优于除GMPL之外的所有基线。通过隐私损失阈值，TSR算法也可以从执行团队中获得更多的协作团队成员。通过比较不同算法在解决同一工人招募问题时的收敛速度和运行时间性能，得到本实施例提出的TSR算法在解决工人招募问题时表现最佳。

本发明在五个真实数据集上进行了大量的实验，以验证所提出的禁忌搜索招募算法和信任强化评估框架的性能。结果表明，禁忌搜索招募算法优于其他基线。信任强化评估框架在F1-score和MAE方面优于文献中最先进的技术。

实施例二：

本发明实施例二提供了一种基于信任评估框架和禁忌搜索的工人招募系统，包括信任评估模块、更新模块和招募模块：

信任评估模块，被配置为训练得到信任评估模型，利用信任评估模型评估工人之间潜在的可信度，并将评估结果实数化转换为信任值以计算工人间协作的信任效益；

更新模块包括：

聚类模块，被配置为收集历史数据，利用历史数据计算工人的综合能力指标，并通过聚类算法实现区域划分；

效益计算模块，被配置为根据区域划分结果、工人的综合能力指标、工人任务之间的距离和任务需求，平台计算并更新工人的能力效益和距离效益；

招募模块包括：

完成效果预测模块，被配置为根据工人的距离效益、能力效益和信任效益计算所有候选工人对任务的完成效果；

招募图构建模块，被配置为根据候选工人对任务的完成效果构建无向完全招募图；

执行团队确定模块，被配置为利用禁忌搜索招募算法对无向完全招募图进行处理，得到任务最佳的执行团队，其中，基于冲突策略解决任务的执行团队出现的冲突，并根据隐私损失阈值从任务的执行团队中确定任务的协作团队。

以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。