基于用户偏好和匹配度的群智感知任务推荐方法

技术领域

本发明属于计算机技术领域，具体涉及群智感知任务。

背景技术

群智感知(Crowdsensing)是一种利用大规模群体参与，智能设备，如智能手机、传感器等，作为基本的感知单元，收集和分析环境数据以协作完成大型感知任务、解决各种大规模数据需求问题的感知方法。由于群智感知利用大规模的普通用户来进行数据的收集和上传，因此存在分布广泛、移动灵活、成本低等优点。目前，移动群智感知已经广泛应用于各种领域，如交通状况监控、空气质量监测及社交网络架构等方面，为日常生活带来不同程度的便利。

目前群智感知的研究主要有两种模式，一种是任务分配模型，另一种则是任务推荐模型。任务分配模型的一般框架主要包含三个部分：任务模型、用户模型以及任务分配方法。由数据请求者发布任务并根据属性构建任务模型，根据任务对用户的属性要求构建用户模型，根据不同的优化目标设计分配算法，比如实现最大化任务覆盖率或者任务整体完成质量最高等，从而实现任务的准确分配。任务推荐模型则给了用户更多机会来选择偏好的任务。在群智感知任务推荐系统中，感知任务由数据请求者发布之后，平台会向用户展示系统中可以参与完成的任务内容及相关要求，从而供用户进行浏览和选择。用户选择自己感兴趣的任务并完成，向感知平台上传感知数据。由于群智感知任务的多样性和复杂性，同时为了保证感知平台的推荐效率和整体效用，如何有效地为用户推荐合适的任务成为一项重要的研究课题。

在群智感知中，任务分配和任务推荐的本质都是找到用户和任务之间的最佳匹配。现有的任务分配和推荐模型由于只考虑单方面的影响因素导致其各有缺点。对于任务分配模型来说，现有研究主要从数据请求者的利益出发，关注如何利用更少的成本完成更多的感知任务、获得更高质量的感知数据，却不考虑用户的任务偏好。这导致用户可能会收到其不感兴趣的任务推荐，从而降低了他们的参与积极性和上传数据质量，会出现任务接收率低、用户完成任务态度差等问题。相反，任务推荐模型则只考虑了用户的偏好或者用户个人的利益，缺乏对于用户能力以及任务难度的考虑。用户通过浏览系统中可用的任务信息来选择自己想要完成的任务或是报酬高的任务，却无法客观评估自身的能力是否能够完成该任务。用户在完成任务时的能力不齐，上传的数据质量也不稳定，可能导致任务结果与真实情况之间出现较大偏差。为了克服上述问题，需要综合考虑以上两方面影响因素提出一种新的群智感知任务推荐方法来权衡双方的利益，在考虑用户兴趣的同时尽可能提升平台效用，是一个亟待解决的问题。

发明内容

本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种准确率高、资源利用率高的基于用户偏好和匹配度的群智感知任务推荐方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)预处理数据

数据来源于电影评分数据集MovieLens，该数据集包含了6040名用户、3706部电影、18个电影种类以及1000209条评分记录，将每部电影作为一个群智感知任务，用户的特征包括用户编号、性别、年龄、职业，群智感知任务的特征包括任务编号、任务名称、任务类型，每条评分记录包含用户编号、任务编号、感知数据以及上传感知数据的时间；将每个用户前(a-1)个完成的任务作为训练集S，第a个完成的任务作为测试集，其中a为用户历史任务记录的长度。

(2)构建用户偏好预测网络

用户偏好预测网络由嵌入层、注意力机制层、池化层、特征连接层、全连接层依次串联构成。

(3)训练用户偏好预测网络

1)构建损失函数

按下式构建损失函数L：

其中，x

2)训练用户偏好预测网络

将训练集输入到用户偏好预测网络中进行训练，训练批量大小为32，初始学习率为1，每训练336000个样本将学习率调整为0.1，迭代至损失函数收敛。

(4)测试用户偏好预测网络

按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

(5)确定任务难度及用户可靠性

按下式确定用户历史上传的感知数据集合B：

B＝{x

其中，x

确定任务难度和用户可靠性的方法如下：

1)确定用户对特定群智感知任务的完成度

按下式确定用户对特定群智感知任务的完成度

U

其中，ε为参数，ε取值范围为(0,1]，

2)确定群智感知任务的难度

按下式确定群智感知任务的难度D

其中，N

3)确定用户对特定类型群智感知任务的完成度

按下式确定用户对特定类型群智感知任务的完成度

T

其中，α和λ为参数，α和λ取值为[0,1]，m′为任务完成的时序。

4)确定用户对特定类型群智感知任务的可靠性

按下式确定用户对特定类型群智感知任务的可靠性R

其中，δ、γ、θ为超参，δ的取值范围为(0,1]，γ的取值范围为[-3,3]，θ的取值范围为[0,200]。

(6)确定匹配度评分

确定匹配度评分的方法如下：

1)确定匹配度

按下式确定匹配度q′

其中，R

2)确定匹配度评分

按下式确定匹配度评分q

其中，minq

(7)生成最终推荐结果

1)确定综合推荐评分

按下式确定综合推荐评分W

W

其中，β为参数，β取值范围为[0，1]。

2)生成任务推荐列表

根据综合推荐评分W

在本发明的步骤(4)中，按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

在本发明的步骤(4)中，按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

相比于现有技术，本发明的优点在于：

(1)本发明采用了深度学习技术，实现基于用户偏好的群智感知任务推荐，从用户的历史任务记录中挖掘用户的偏好信息，对系统中的群智感知任务向用户进行推荐。

(2)本发明提出一种刻画任务难度及用户可靠性的方法，并提出匹配度的概念，根据用户上传的历史数据确定任务难度、用户可靠性以及匹配度，根据任务难度将任务推荐给具有相近完成能力的用户，提高了用户资源的利用率，保证推荐系统的效率和效用。

(3)本发明考虑到用户和感知平台双方的利益，从用户偏好和匹配度两个方面进行推荐，并融合两方面推荐评分生成综合推荐结果，在提升推荐结果准确率的同时也能提高感知平台的推荐效率和效用。

附图说明

图1为本发明实施例的流程图。

图2为用户偏好预测网络的结构示意图。

图3为实施例1和对比实验推荐结果的命中率曲线。

图4为实施例1和对比实验推荐结果的归一化折损累计增益曲线。

图5为实施例1和对比实验任务推荐评分的误差大小图。

图6为实施例1和对比实验推荐结果的用户效用曲线。

具体实施方式

下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施例。

实施例1

在图1中，本实施例的基于用户偏好和匹配度的群智感知任务推荐方法由下述步骤组成：

(1)预处理数据

数据来源于电影评分数据集MovieLens，该数据集包含了6040名用户、3706部电影、18个电影种类以及1000209条评分记录，将每部电影作为一个群智感知任务，用户的特征包括用户编号、性别、年龄、职业，群智感知任务的特征包括任务编号、任务名称、任务类型，每条评分记录包含用户编号、任务编号、感知数据以及上传感知数据的时间；将每个用户前(a-1)个完成的任务作为训练集S，第a个完成的任务作为测试集，其中a为用户历史任务记录的长度。

(2)构建用户偏好预测网络

在图2中，本实施例的用户偏好预测网络由嵌入层、注意力机制层、池化层、特征连接层、全连接层依次串联构成。

(3)训练用户偏好预测网络

1)构建损失函数

按下式构建损失函数L：

其中，x

2)训练用户偏好预测网络

将训练集输入到用户偏好预测网络中进行训练，训练批量大小为32，初始学习率为1，每训练336000个样本将学习率调整为0.1，迭代至损失函数收敛。

(4)测试用户偏好预测网络

按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

(5)确定任务难度及用户可靠性

按下式确定用户历史上传的感知数据集合B：

B＝{x

其中，x

确定任务难度和用户可靠性的方法如下：

1)确定用户对特定群智感知任务的完成度

按下式确定用户对特定群智感知任务的完成度

U

其中，ε为参数，ε取值为(0,1]，本实施例的ε取值为0.5，

2)确定群智感知任务的难度

按下式确定群智感知任务的难度D

其中，N

3)确定用户对特定类型群智感知任务的完成度

按下式确定用户对特定类型群智感知任务的完成度

T

其中，α和λ为参数，α和λ取值为[0,1]，本实施例的α和λ取值为0.5，m′为任务完成的时序。

4)确定用户对特定类型群智感知任务的可靠性

按下式确定用户对特定类型群智感知任务的可靠性R

其中，δ、γ、θ为超参，δ的取值为(0,1]，本实施例的本实施例的δ取值为1，γ的取值范围为[-3,3]，本实施例的γ取值为-2.5，θ的取值为[0,200]，本实施例的θ取值为100。

(6)确定匹配度评分

确定匹配度评分的方法如下：

1)确定匹配度

按下式确定匹配度q′

其中，R

2)确定匹配度评分

按下式确定匹配度的推荐评分q

其中，minq

(7)生成最终推荐结果

1)确定综合推荐评分

按下式确定综合推荐评分W

W

其中，β为参数，β取值为[0，1]；本实施例的β取值为0.5。

2)生成任务推荐列表

根据综合推荐评分W

完成基于用户偏好和匹配度的群智感知任务推荐方法。

实施例2

本实施例的基于用户偏好和匹配度的群智感知任务推荐方法由下述步骤组成：

(1)预处理数据

该步骤与实施例1相同。

(2)构建用户偏好预测网络

该步骤与实施例1相同。

(3)训练用户偏好预测网络

该步骤与实施例1相同。

(4)测试用户偏好预测网络

按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

(5)确定任务难度及用户可靠性

按下式确定用户历史上传的感知数据集合B：

B＝{x

其中，x

确定任务难度和用户可靠性的方法如下：

1)确定用户对特定群智感知任务的完成度

按下式确定用户对特定群智感知任务的完成度

U

其中，ε为参数，ε取值为(0,1]，本实施例的ε取值为0.1，

2)确定群智感知任务的难度

按下式确定群智感知任务的难度D

其中，N

3)确定用户对特定类型群智感知任务的完成度

按下式确定用户对特定类型群智感知任务的完成度

T

其中，α和λ为参数，α和λ取值为[0,1]，本实施例的α和λ取值为0，m′为任务完成的时序。

4)确定用户对特定类型群智感知任务的可靠性

按下式确定用户对特定类型群智感知任务的可靠性R

其中，δ、γ、θ为超参，δ的取值为(0,1]，本实施例的δ取值为0.1，γ的取值范围为[-3,3]，本实施例的γ取值为-3，θ的取值为[0,200]，本实施例的θ取值为0。

(6)确定匹配度评分

确定匹配度评分的方法如下：

1)确定匹配度

按下式确定匹配度q′

其中，R

2)确定匹配度评分

按下式确定匹配度评分q

其中，minq

(7)生成最终推荐结果

1)确定综合推荐评分

按下式确定综合推荐评分W

W

其中，β为参数，β取值为[0,1]；本实施例的β取值为0。

2)生成任务推荐列表

根据综合推荐评分W

完成基于用户偏好和匹配度的群智感知任务推荐方法。

实施例3

本实施例的基于用户偏好和匹配度的群智感知任务推荐方法由下述步骤组成：

(1)预处理数据

该步骤与实施例1相同。

(2)构建用户偏好预测网络

该步骤与实施例1相同。

(3)训练用户偏好预测网络

该步骤与实施例1相同。

(4)测试用户偏好预测网络

按下式确定用户集合U：

U＝{n

其中，n

按下式确定任务集台T：

T＝{s

其中，s

将测试集输入到训练好的用户偏好预测网络中，得到为用户n

(5)确定任务难度及用户可靠性

按下式确定用户历史上传的感知数据集合B：

B＝{x

其中，x

确定任务难度和用户可靠性的方法如下：

1)确定用户对特定群智感知任务的完成度

按下式确定用户对特定群智感知任务的完成度

U

其中，ε为参数，ε取值为(0,1]，本实施例的ε取值为1，

2)确定群智感知任务的难度

按下式确定群智感知任务的难度D

其中，N

3)确定用户对特定类型群智感知任务的完成度

按下式确定用户对特定类型群智感知任务的完成度

T

其中，α和λ为参数，α和λ取值为[0,1]，本实施例的α和λ取值为1，m′为任务完成的时序。

4)确定用户对特定类型群智感知任务的可靠性

按下式确定用户对特定类型群智感知任务的可靠性R

其中，δ、γ、θ为超参，δ的取值为(0,1]，本实施例的δ取值为1，γ的取值范围为[-3,3]，本实施例的γ取值为3，θ的取值为[0,200]，本实施例的θ取值为200。

(6)确定匹配度评分

确定匹配度评分的方法如下：

1)确定匹配度

按下式确定匹配度q′

其中，R

2)确定匹配度评分

按下式确定匹配度评分q

其中，minq

(7)生成最终推荐结果

1)确定综合推荐评分

按下式确定综合推荐评分W

W

其中，β为参数，β取值为[0，1]；本实施例的β取值为1。

2)生成任务推荐列表

根据综合推荐评分W

为了验证本发明方法的有效性，采用本发明实施例1的方法(以下简称为Hybrid)与随机推荐方法(以下简称为Random)、BaseModel、DeepFM、深度兴趣网络(以下简称为DIN)、只基于匹配度的任务推荐(以下简称为Match-Only)进行对比实验。

从命中率(简称HR)、归一化折损累计增益(简称NDCG)、加权均方根误差(简称RWMSE)、平台效用(简称Utility)对各模型的实验结果进行分析。命中率，即用户真实选择的任务在推荐列表中的概率，为推荐结果的准确率；归一化折损累计增益，衡量排序质量的指标，用来评估感知平台生成的推荐列表中任务的排序是否足够优秀；加权均方根误差，反映推荐模型计算推荐评分的准确性；平台效用，用于评估感知平台中用户资源的整体效用。

(1)命中率

按下式确定命中率HR：

其中，hits(i)表示用户n

(2)归一化折损累计增益

按下式确定归一化折损累计增益NDCG：

其中，r

(3)加权均方根误差

按下式确定加权均方根误差RWMSE：

w

其中，c为用户选择任务所属的类型；y

(4)平台效用

按下式确定平台效用Utility：

其中，K为推荐列表的长度，q

对比实验结果见图3～图6。

图3为实施例1和对比实验推荐结果的命中率曲线。其中DIN和Hybrid推荐结果的命中率优于其他四个模型，Random和Match-Only的结果最差。在任务推荐列表的长度大于60时，Hybrid的结果要优于DIN。

图4为实施例1和对比实验推荐结果的归一化折损累计增益曲线。实验结果证明本发明提高了推荐结果准确率。

图5为实施例1和对比实验任务推荐评分的误差大小图。其中Random的误差最大，Match-Only的误差最小，本发明的Hybrid推荐方法处于第二优。

图6为实施例1和对比实验推荐结果的用户效用曲线。结果证明本发明的方法提高了群智感知平台效用。