TDSRC: Task-Distributing系统基于社会关系认知的众包

文摘

众包显著增强公众的创造力和许多解决问题的管道已成为一个不可或缺的组成部分。然而,最大的挑战是有效的识别恶意参与者而众包分配任务。在本文中,我们提出一个新颖的task-distributing系统命名T问,Distributing众包基础上的系统年代的社会R得意洋洋Cognition (TDSRC)选择合格的参与者。首先,我们将任务分成类别根据任务主题。然后,我们构造和计算能力(如),能力值(AVs),和朋友的能力矩阵(FAM)通过给定任务发布者之间的历史互动文本(请求方)和它的朋友。当请求者分配任务时,TDSRC可以生成候选参与者的序列基于任务需求和家人。最后,序列的最佳匹配的朋友选为接收器的任务(解决),从而产生一个个人FAM传播的任务。实验结果表明,(1)该系统可以准确、有效地发现请求者的朋友们的能力和选择适当的解决者和(2)自然信任关系的社交网络减少了骗子和增强了众包服务的质量。

1。介绍

众包系统(1)已成为一个强大的、可伸缩的、有成本效益的方法,及时完成任务,使请求者将大规模的任务分配给一群和获取结果利用集体的智慧。解算器的人群通常是大,匿名的,短暂的,和不专业,所以它是具有挑战性的请求者之间建立信任关系和解决2]。解决一些可能没有任务所需要的能力或者他们可能想要获得奖励而不认真执行任务,大大影响任务输出的质量(3- - - - - -6]。

许多作品记录了最近为了提高众包质量。例如,豪[1)提出了黄金标准的数据范例。此外,Eickhoff et al。7和曹et al。8)提出了另一种流行的方法,”简单多数投票”。杰弗里et al。9,10]杠杆行为跟踪捕获从在线解决预测众包的质量。称量结果的方法基于解算器的历史表现好了(5,6,11]。一些研究人员利用众包的社会关系系统(12- - - - - -14]。然而,大多数这些之前的研究都认为众包平台信息解决的,解决这些可以被认为是整个大而稳定的资源集。常见的处理流程如图1(一)在平台匹配的任务需要与所有的参与者。平台有两个缺陷:(1)的任务只能由这个平台,和分配过程不能由单个迭代解算器和(2)所有潜在的参与者只能平台的注册用户。此外,历史绩效的方法容易产生“冷启动”,因为一些新的解决者没有任何历史记录。

考虑另一个场景,在该场景中,任何参与者没有登记的众包平台,我们提出了一个新颖的模型称为Task-Distributing系统基于社会关系认知的众包(TDSRC),请求者可以在人群中任务分发给他的一些朋友没有获得所有信息的潜在参与者的信息(例如,朋友的朋友)。请求者只需要生成一个任务和分配相关的朋友。迭代,朋友可以玩下一个请求者和分配任务的角色在他们的社交网络没有任何额外的负担(如图1 (b))。通过引入社会关系认知(SRC)众包,我们建立信任关系,被认为是最具挑战性的一个通用的众包平台(2]。

本研究有以下贡献:(我)一个方法,使请求者有效地分配一个任务提出更合适的解决者,和任务分配的准确性提升(2)社会关系是用于创建和分发一个众包任务在他的朋友圈直接获得全球信息(例如,解决所有候选人的集合)这通常是很难得到的(3)该系统可以有效地避免冷启动问题,存在于基于绩效的方法

本文的其余部分组织如下:部分中描述的相关研究2。必要的定义中描述的部分3。特性发现和解决候选人选择章节中讨论4。描述的过程和仿真部分5。部分6总结了这对未来的研究工作和探索的可能性。

2。相关的工作

众包已经引起了相当大的关注,因为它提出了大约十年前。租赁等。15)表明,质量控制必须考虑如果众包质量需要提高。Eickhoff et al。7]指出,解决(1)过滤低质量减少恶意解决但原因再完成时间和(2)解算器的可靠性不能有效地保证解算器的接受比以前的任务。一般来说,众包的选择节点和服务质量的保证始终是核心问题。许多研究人员在这个领域不同方面做出了巨大的贡献。以下相关研究简要综述如下。

2.1。质量控制

豪(1)提出了黄金标准的数据范例。根据范例,某些问题(命名黄金标准的数据)精心预先设计有明确的基线,小心插入到所倡导的任务没有被解决。通过比较动力学的反应这些基线,请求者可以识别不合格的解决者和精确聚合所有任务的结果。这种方法的主要缺陷是金色的设计数据通常是具有挑战性的和昂贵的。另一种流行的方法,“简单多数投票“(7,8),已被广泛讨论。解决这个方法分类的反应和聚合结果的选票最多的分类。虽然这个方法很简单,但是它不能识别的参与者。基本原则的历史绩效方法(5,6,11)是更好的历史表现与解决聚合结果的影响更大。作为一个有用的补充技术,Jeffrey et al。9,10]杠杆行为跟踪捕获从在线解决预测众包的质量。参与者的行为特征与众包的质量高度相关。然而,历史绩效的方法,例如,没有考虑任务需求之间的匹配程度和解决潜在的能力。一些解决可能为特定类型的任务比另一个更好的性能(3]。此外,他们很容易产生“冷启动”,因为他们需要足够的历史数据来构建一个有效的模型。

此外,众包复杂任务时遇到的一些挑战。一些任务(例如,图片编辑)可能会产生大量的交通任务分配和结果收集,这阻碍了吸引参与者的能力由于巨大的精力和金钱成本16- - - - - -18]。因此,参与者必须相互合作(例如,应用“store-carry-forward“路由模式18)上传结果的数据)。考虑到这些事实,提高工作质量的另一个有效的方式是将任务分配给适当的解决者,而不是使用完整的随机分布。

许多研究人员采用众包的社会关系。社会关系被认为是人类的一个基本和重要的属性;大量的方法用来建立社会关系(19- - - - - -21]。著名的理论“六度分离”(22)认为,人们互相六个或更少的步骤,一连串的“朋友的朋友”语句可以连接任何两个人使用不超过六个步骤。社会的信任关系是广泛应用于个性化推荐系统(23,24众包),软件(25)、图像注释(26),等等。拉赫曼et al。12)提出了一个框架,它可以创建一个特别大的社交网络,构建一个基于上下文感知的动机。这个框架可以解决许多日常生活问题,如发现失去了个人,处理紧急情况,帮助朝圣者执行仪式活动基于位置和时间,和分享也在人群中多媒体资源。Assem et al。13)提出了一个框架,总结城市人群移动模式使用地理定位社交网络(LBSNs)数据是来自Twitter的时空数据集基于非负矩阵分解和高斯核密度估计。这个框架利用时序功能发现地点和人群之间的相关性,以及框架可以帮助更好的分配资源基于预期的人群流动。氮化镓et al。14)提出了一种新颖的基于游戏激励机制multiresource共享基于社交网络和任务分配的结合过程中,利润转移的过程,和声誉更新过程参与动机的满足真实性和个人理性。杨et al。27)引入了一个新颖的方法命名为社会激励机制来激励社会参与者之友执行传感任务。参与者的激励杠杆之间的社会关系,促进全球合作。

然而,最之前的研究集中在获得一个最优的总结果通过识别和排除欺诈人群分析收集到的结果后,未能部分删除了骗子在最早的时候(例如,节点选择阶段)。社会关系引入众包的研究主要集中在感应区域的覆盖基于参与者的位置(12,13,28)和激励参与者利用社会关系。他们只使用朋友之间的相互影响14,27),不进行分类和量化的能力的朋友。

2.2。解算器的选择

解算器选择的先锋文学在一个社交网络中所描述的一项研究Lappas et al。29日]中,作者提出了一个模型来识别一群人可以函数作为一个团队,以减少沟通成本。赵董et al。30.)设计基于一个在线拍卖模型两种网络机制。在一定的约束条件(例如,预算和时间),可以选择适当的机制解决不同的任务和服务的价值最大化。考虑到移动终端的移动性,全新基于一个时间敏感的任务和实现容忍延迟任务,郭本et al。31日)提出了一个框架命名为“ActiveCrowd”multitask-oriented解算器选择在大型移动众包场景中,“贪婪”的增强遗传算法的应用达到最优或最小化总距离算法解决方案和负担,分别为任务和解决者。根据任务的约束,Zhang et al。32)提供了一个激励机制,使请求者积极解决分配最有价值的任务。Bozzon et al。33)提出了一个模型来选择top-K专家在一个社交网络需要收到一组任务。考虑个人信息和社会活动,模型匹配的专业知识需要候选人专家通过制定向量。相比之下,与其他团队的形成方法,王et al。34)提出了一个方法来建立一个协作的团队在一个非合作的社交网络,认为人是自私的,追求利润的最大化。Montelisciani et al。35)强调一些关键问题结构形成一个团队,目的是确定合适的解决者在众包的自然语言处理(NLP)。清刘et al。36]设计了四个激励机制解决选择一组来完成一些复杂的任务。作者团队形成解决问题通过制定任务分配和定价机制设计问题。

然而,大多数这些作者认为请求者(或众包平台)可以提前获得所有潜在的解决者,这通常是不可能在现实和不必要的。TDSRC提出本文可以容纳缺乏解决关于候选人的信息,只需要常规请求者和朋友之间交互信息。基于“六度分离”(37,38),请求者和连接器之间的信任链可以迭代建立和传播。相对于陌生人,人们总是倾向于相信他们的人更熟悉。欺骗朋友间相对较低,众包的结果更加精确和可靠39]。因此,利用社会关系,TDSRC有助于建立信任链之间的请求者和解决者,然后提高了任务分配的准确性和可信度。

3所示。初步定义

我们的目标是在众包应用请求者的社会关系系统。第一步是发现和量化的朋友功能。在这项研究中,朋友的能力有相同的意思同朋友的特性,包括兴趣、爱好、个性、特点、和完整性。

3.1。社交网络

社交网络是一个社会结构,由许多节点,通常是指个人或组织。这样一个网络链接不同的人或组织无论他们有着密切的关系37]。社交网络中的个体成员之间的互动形式相对稳定的关系和影响人们的社会行为(38]。

在书中“网络化:新的社会操作系统”(40),2012年出版,Lee Rainie和Barry Wellman描述社交网络革命,移动革命,互联网革命的三个革命新时期人类社会的影响。

一个社交网络是由节点,这些节点之间的连接。通常,节点由不同类型的属性(22]。《社交网络》在这个研究是指任何社交网络。请求者是一个网络的中心,指出朋友的优势是单向连接,通过中心节点特性评估。

参与者节点表示 ,在哪里表示节点的属性。《社交网络》来标示 ,在哪里表示朋友中央节点的节点和 ,在哪里 在哪里代表了力量之间的交流程度和和零表明没有交流。

3.2。定义基于SRC

每个节点有独特的属性,例如爱好和专业能力。节点通常评估他的朋友的能力,如特定利益的朋友和朋友适合特定的任务。社交网络中的一个节点,有朋友。请求者和解决者被称为参与者。

为方便阅读,本文中使用的重要和频繁的符号表中所示1。

定义1(能力)。表示品质的能力来完成一个项目或任务。的能力来标示在这项研究中。

定义2(能力集())。这组有所有类型的能力完成一个众包任务。的是在我们的系统。是一个全球性的因素,应该在这个系统共享。

定义3(能力的子集(屁股))。这个子集包含的元素。

定义4(能力值(AV))。这个数字符号对应。我们表示这是c。例如,表示节点的能力 。原来的0和1之间的值设置 ,,默认值是零。

定义5(能力覆盖率(ACR))。ACR的比例是实际的解决者的要求,请求者。我们使用表示如下: 在哪里表示作为解决和代表要求作为的解决者。
的ACR指出解决者和任务之间的匹配程度。例如,如果政府希望进行公众调查,告密者的某些特征,如知识、背景、位置、工作类别,性,收入,和类别,可能大大影响结果。越大ACR更典型的是结果。

定义6(品质因子(QF))。QF是综合所有朋友给出的估值的解算器解决完成后一个众包的任务。QF可以表示为 。假设的任务总数,朋友邀请来执行。任务完成后,给了估值根据每个任务的性能。表示为估值和 ,和《来标示 在哪里显示的重量的任务的朋友和。

定义7(沟通)。之间的沟通是互动时间节点及其朋友的社交网络。短消息、电话和信息接收和发送社交软件可以计算在沟通。我们使用表示节点之间的总通信次采样时间和他的朋友。

定义8(诚信指数(HI))。这个指数的加权平均QF评估所有解算器的朋友。我们表示这是 ,这是一个全局变量。例如,表示节点的总评价,所有的朋友给 : 在哪里表示朋友的重量j到节点 ,一般设置为1。

定义9(朋友的能力向量(喜欢))。解算器,中央节点在他的社交网络,给出了住客他的一个朋友的基础上作为根据他们的通信。例如,最喜欢该节点给他的朋友表示为 :

定义10(朋友的能力矩阵(FAM))。的FAM公司是一个矩阵,由一个节点的所有节点的比如。例如,FAM公司的节点表示为 :

4所示。特性发现和解决者选择候选人

正如前面所讨论的那样,我们重新定义的节点《社交网络》中三: 在哪里表示嗨,表示住客,代表了FAM公司。

4.1。计算和更新AVs

在哪里代表总采样时间,表示之间的通信时间和他的朋友的能力 。的住客在每一个采样周期更新一次,和

4.2。计算和更新厘清

在哪里表示节点之间的通信时间和他的朋友 ,和代表了时间的能力(主题) 。

基于公式(4)和算法1和2、节点可以自己重建为以下形式:

4.3。选择候选节点任务分配

4.3.1。定义11(候选节点(中枢神经系统)

的CN年代构成子集(一个朋友fs),其住客符合任务的要求。

当想要发布一个任务,他需要做的就是选择任务主题和重量为每个主题。如果任务关联到一个位置,他的朋友都是基于位置的过滤。然后,TDSRC生成中枢神经系统由算法3。

任务的主题(能力)应该设定的节点 ;两个主要参数必须设置:屁股和这个子集的重量。假设 ,对应的重量是 ,节点数CN是 ,和。

4.4。快速Task-Distribution模式基于能力的报道

根据算法3,中枢神经系统的可以确定,然后呢可以推进任务吗中枢神经系统。如图2的社交网络周围是一个红色的虚线。的中枢神经系统的可能是 ,和不把任务,的背景是灰色的。朋友接收到任务可以完成任务或重新分配任务在他的社交网络以同样的方式。过程可以重复,直到任务完成。

根据“的概念六度分离”,一个任务可以被发送到世界上任何转移[6倍23- - - - - -26]。每一次,我们让参与者把任务朋友在他的社交网络的价值根据需求可以改变)。因此,分布的准确性TDSRC高于随机分布,和朋友可以避免无关信息干扰。

5。框架和仿真

5.1。系统的框架和流程

分配系统的模块和流图中所示3。假设:P4是请求者谁想分配一项任务。主要处理流程可能阐述了以下步骤:步骤1。请求者P4提取之间的历史内容和记录他的朋友和自己。步骤2。P4统计分析内容和记录,选择合适的能力的作为,并设置相关权重生成任务需求。步骤3。为中心,P4重建他的社交网络和生成三所示公式7。步骤4。P4生成中枢神经系统使用算法3,最佳匹配一些朋友中枢神经系统选为解决者。第5步。解决迭代地进行或重新分配任务。步骤6。P4评价的朋友的反应。步骤7。P4更新相关数据表。步骤8。朋友被视为下一个请求者如果他们在社交网络重新分配任务。重复这些步骤(如图2,其次分布)。

5.2。模拟

近年来,微信已经成为中国最受欢迎的社交网络。2017年,每月活跃用户的数量达到9.63亿,比前一年高出20% (41]。到2016年底,平均微信公众平台发表518篇文章,其中每个阅读约3603倍,赢得17赞扬[42]。因此,微信具有良好的传输能力。关于隐私保护,任何个人在微信仅限于查看他的内容和记录通过微信系统,这是适合我们的系统。TDSRC模拟信息扩散的过程在微信的朋友圈。

5.2.1。数据准备

我们计划不存在的数据集,进行比较和实际实验来检查我们的方案是具有挑战性的。这项研究由Bozzon et al。33雇了一个角度,类似于我们的视野。作者选择了top-K专家在一个社交网络满足任务的需求,和所有潜在的专家被视为一个稳定和全资源集。然而,一组候选专家不能建立在我们的系统中,它可以防止这两种方法的结果被直接可比性。因此,为了验证方案的可行性,我们利用网络爬虫技术获取的数据,例如,任务类别、时间、和其他数据大约8周ZhuBaJie (43),这是一个实际,在中国著名的众包平台。然后我们根据这些数据模拟数据。类似于(33),专家的需求被分为七个领域(即计算机工程、位置、电影和电视,音乐,科学,体育,科技,和视频游戏),我们大约分类分为十类通过调查ZhuBaJie的任务。指定的任务 。有几个关键词提取每个类型,如表所示2。

假设:节点有100个朋友编号从1到100。数据是每三个月取样一次。十个主题(能力)存在,如表所示1。之间的通信时间和他的朋友们从0到300不等。能力的互动时间遵循泊松分布。从十几个主题是随机选择的主题,和FAM公司的计算见表3。表中仅包含了20个朋友由于长度的限制。表中显示的数字通信时代为不同的主题和不同的朋友在一个采样周期。这个表也可以表示为(公式6)。

5.2.2。能力发现的朋友

表中的数据3只有一个采样周期。我们也计算通信乘以五个采样周期。的住客的可以通过算法计算1,结果数据归一化后的公式7如表所示4。从表4,我们可以很容易地确定最大的价值。第1列和列10包含最多的数据,这表明擅长(即。,我nterested in) abilities 1 and 10.

采样和五个样品之间的差异在图所示4。只有14号,28日,42岁,85年和100年随机选择的例子。

如图4- - - - - -7,图4是类似于图5,图6是类似于图7。我们可以得出结论,对话题的次数1很大,而主题2和主题3的次数很小,这意味着AV年代的是相对稳定的,喜欢的话题1和他可能感兴趣的或者擅长的话题1。

5.2.3。CN选择

因为一个请求者打算分发一个众包任务,他应该选择屁股的重量屁股。使用算法3,对每一个能力,p可以选择优先级最高的十个朋友根据要求)数量(或其他执行或重新分配任务。在实验中,中枢神经系统通过算法3表中列出5。如果需要发布主题的众包任务1,他应该将任务发送给他的92,78,2日,46位朋友,等等。

实验结果与多个主题/能力如表所示6。

仿真结果表明,TDSRC能够成功数根据通信倍作为和计算住客和FAM公司。这些参数可以根据采样周期同时更新。对于任何任务,TDSRC可以正确确定最合适的中枢神经系统通过匹配能力的要求和朋友。一个CN可以完成并重新分配任务在他的社交网络,所有的程序都可以迭代,直到任务约束(例如,时间限制)是违反了。

5.2.4。时间效率的任务分配

任务分配的时间效率是非常重要的主要用于对延迟敏感的任务。因此,我们随机选择三种不同类型的任务:体育、商业、公共福利、制造业(Nos。1、2、9和10在表2)。我们应用三个仿真实验。,random distribution method, full distribution method, and TDSRC distribution method. In the experiment, we have 2,000 friends. We assume that the success of the task distribution is that we receive valid task execution results from 50 friends. We, respectively, selected 200 friends for the random method and TDSRC method, and full distribution means that the task is distributed to all friends. In the experiment, we also assumed that when the task ability requirement falls in the top 50% of the friend's ability matrix (FAM), it means that the friend will perform the task. The time spent on the task means the average time spent of the 50 friends. The experiment results for different methods are shown in Figure8。

从图可以看出8随机策略花费的时间最长,因为它不能准确地找到最合适的参与者。完整策略的结果几乎是一样的TDSRC策略,表明TDSRC可以准确找到合适的工人一样完整的战略任务。然而,由TDSRC选定的样本的数量只有五分之一的完整的策略,这意味着TDSRC带来更少的干扰比完整的策略无关的朋友。此外,大多数任务分配是伴随着一些激励,TDSRC策略可以节省成本比完整的分销渠道策略。

6。结论和未来的工作

足够的合格的参与是最重要的一个因素,确定一个众包系统可以达到完美。我们扩大参与者的覆盖的位置、属性、背景知识、社会关系和信誉。TDSRC可以动态地自动发现参与者的能力根据常规请求者和朋友之间的交流,然后重建他们的社交网络促进任务分配。这项研究是第一个调查的任务分配利用信任链和隐含在朋友圈传播功能。TDSRC不仅提高了速度、精度和空间性的任务分配还可以保护隐私和避免构建一组所有候选人的。仿真结果验证了TDSRC的有效性。然而,几个问题保证未来的调查。

6.1。时间因素的关键字

在这项研究中,我们采用交流内容而不考虑时间因素,这是重要的(例如,一个字,一个月前更重要比六个月前出现一个关键字)。TDSRC变得更加复杂,如果考虑时间因素。我们可以妥协通过设置不同的权重不同的采样时间。时间越近,更重要的是内容。

6.2。朋友评价权重值

许多应该设置权重TDSRC(如公式3和4)。不同的权重产生不同的结果。设置权重是一个值得进一步讨论的话题。在我们的系统中,我们使用默认值,它通常可以手动设置由中央节点。在未来,我们将尝试使用机器学习方法来自动设置这些重量值。

6.3。多样的交互数据

在这项研究中,我们只考虑上下文信息。在现实中,extratextual元素,如声音,图片,和emoji在微信也很受欢迎。这些元素发挥着越来越重要的作用在表达情感的朋友。利用所有的信息,人工智能技术,例如,语音识别和图像理解,应该把提高TDSRC的复杂性。我们计划在未来在这一领域进行广泛的研究。

数据可用性

在这项研究中使用的数据来自ZhuBaJie(在中国一个众包网络;https://www.zbj.com/)。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作由国家自然科学基金委(不支持。61472316)和科学和科技项目下的深圳格兰特JCYJ20170816100939373陕西省和部分技术项目(批准号2017 zdxm - gy - 011),福建省科技计划的重点项目在资助2016 h0029,福建社会科学项目(格兰特FJ2018B022)和泉州科技局重点项目(2012号。2018 c004 z102, 2013 z123)。

引用

1. j·豪,“众包的崛起,”《连线》杂志,14卷,不。5,页1 - 4,2006。视图:谷歌学术搜索
2. d . r . Karger美国哦,和d·沙阿,“可靠的众包系统迭代学习,”学报》25日年会于2011年神经信息处理系统,少量的2011Curran Associates Inc .,格拉纳达,西班牙,2011年12月。视图:谷歌学术搜索
3. Z.-Q。张,js。庞,X.-Q。谢,y周”,众包质量控制策略研究和评价算法,”Jisuanji学报/中国电脑杂志》上,36卷,不。8,1636 - 1649年,2013页。视图:谷歌学术搜索
4. 美国汉,p .戴,p .介绍,d . Huynh,“众包人类注释网页结构:基础设施设计和基于行为的质量控制,”ACM智能交易系统和技术,7卷,不。4、2016。视图:出版商的网站|谷歌学术搜索
5. 公元前j .高x Liu Ooi h . Wang和g·陈,“众包系统的在线代价敏感决策方法,”学报2013 ACM SIGMOD会议管理的数据,SIGMOD 2013,页217 - 228,计算机协会,纽约,纽约,美国,2013年6月。视图:谷歌学术搜索
6. d . d .悦,g . Yu沈,x,“加权聚合在众包的统治系统结果精度高,”学报》12日IEEE国际会议上可靠,自主和安全计算,DASC 2014,页265 - 270,电气和电子工程师协会公司,大连、辽宁、中国,2014年8月。视图:谷歌学术搜索
7. 大肠Carsten和a·p·d·弗里斯:“crowdsourcable你的任务吗?“在车间在众包的程序搜索和数据挖掘,页11 - 14号,香港,中国,2011年6月。视图:谷歌学术搜索
8. c . c .曹j .她y,和l·陈,“问谁?”美国养老,5卷,不。11日,第1506 - 1495页,2012年。视图:出版商的网站|谷歌学术搜索
9. Kittur j . m . Rzeszotarski和a,“CrowdScape:交互式可视化用户行为和产出,”第25届ACM学报》研讨会上的用户界面软件和技术,尤伊斯特2012,55 - 62页,计算机协会,剑桥,妈,美国,2012年10月。视图:谷歌学术搜索
10. j . m . Rzeszotarski Kittur a,“插装的人群:使用隐式行为预测任务绩效的措施,”24日学报》年度ACM用户界面软件和技术研讨会上,尤伊斯特的11计算机协会,页13-22,圣芭芭拉分校,美国,2011年10月。视图:谷歌学术搜索
11. p·g . Ipeirotis f .教务长,j . Wang“质量管理在亚马逊土耳其机器人,”人类计算学报》2010年研讨会,HCOMP 2010,页64 - 67,计算机协会,华盛顿特区,2010年7月。视图:谷歌学术搜索
12. m·A·拉赫曼和m . s .侯赛因”已被称作基于地理位置的移动群体感知框架支持大规模特设社会网络环境,”Ieee通讯杂志,55卷,不。3、76 - 85年,2017页。视图:出版商的网站|谷歌学术搜索
13. h . Assem、t·s·布达和d·奥沙利文”RCMC:识别crowd-mobility模式在城市基于基于位置的社交网络数据,”ACM智能交易系统和技术,8卷,不。5,2017。视图:出版商的网站|谷歌学术搜索
14. 甘x, y, w . Wang l .傅和x王,“社会众包的朋友:multi-resource共享的激励机制,”IEEE在选定地区通讯》杂志上,35卷,不。3、795 - 808年,2017页。视图:出版商的网站|谷歌学术搜索
15. m .租赁”,在众包的质量控制和机器学习,”学报2011 AAAI车间,WS-11-11,页97 - 102,人工智能访问基金会,旧金山,CA,美国,2011年8月。视图:谷歌学术搜索
16. y。赵和Q.-H。朱,“众包上评价研究:现状和未来方向,”信息系统领域,11卷,不。1队,2012页。视图:谷歌学术搜索
17. h . Tangmunarunkit j .康z Khalapyan et al .,“欧姆电阻:一般的和可扩展的端到端参与遥感平台,“ACM智能交易系统和技术》第六卷,没有。3,2015。视图:出版商的网站|谷歌学术搜索
18. d .赵h .妈,s . Tang和X.-Y。李,“优惠券:合作框架为构建遥感地图在移动机会网络,”IEEE并行和分布式系统,26卷,不。2、392 - 402年,2015页。视图:出版商的网站|谷歌学术搜索
19. 张,r .勇m . Li j .锅和j .黄”混合在线社交网络信任评估电子商务框架:浓缩一个因素的角度来看,“IEEE访问5卷,第7096 - 7080页,2017年。视图:出版商的网站|谷歌学术搜索
20. 诉沙玛,你,r·库马尔和p . Kim”计算卸载普遍有效的信任管理在线社交网络使用渗透计算,”IEEE访问5卷,第5103 - 5084页,2017年。视图:出版商的网站|谷歌学术搜索
21. j .一个X.-L。Gui, W.-D。张,黄永发。江,j .张“社会关系网络中移动节点的认知模型的事情,”中国电脑杂志,35卷,不。6,1164 - 1174年,2012页。视图:出版商的网站|谷歌学术搜索
22. 男性d艾德森,j·c·多伊尔,l·李”对无标度图的理论:定义,属性,和影响,“互联网上数学4卷,第523 - 431页,2005年。视图:谷歌学术搜索
23. m . Eirinaki i Varlamis, m.d. Louta”trust-aware系统个性化用户在社交网络上的建议,“IEEE系统,人,和控制论:系统,44卷,不。4、409 - 421年,2014页。视图:出版商的网站|谷歌学术搜索
24. 邓,l .黄g .徐吴x和z . Wu”对深度学习trust-aware建议在社交网络上,“IEEE神经网络和学习系统,28卷,不。5,1164 - 1177年,2017页。视图:出版商的网站|谷歌学术搜索
25. w . n . Li Mo,沈,“任务与开发社交网络软件推荐众包,”23日,亚太地区软件工程研讨会论文集,2016年APSEC9 - 16页,IEEE计算机协会,汉密尔顿,新西兰,2016年12月。视图:谷歌学术搜索
26. a . Sorokin d·福赛斯,“多功能数据注释与亚马逊土耳其机器人2008年IEEE计算机学会学报计算机视觉与模式识别会议研讨会、CVPR研讨会美国正义与发展党,IEEE计算机协会,安克雷奇,2008年6月。视图:谷歌学术搜索
27. g·杨,美国他、施z和j·陈,“促进合作的社会激励机制已被称作移动群体感知,“Ieee通讯杂志,55卷,不。3、86 - 92年,2017页。视图:出版商的网站|谷歌学术搜索
28. z徐,h .张、刘y和l .梅”人群传感的城市应急事件基于社交媒体的大数据,”学报》13日IEEE国际会议在信任、计算和通信、安全与隐私TrustCom 2014,页605 - 610,电气和电子工程师学会(aapl . o:行情),北京,中国,2014年9月。视图:谷歌学术搜索
29. Lappas t·k·刘,大肠Terzi,”在社交网络,找到一个专家小组”ACM SIGKDD学报》国际会议上知识发现和数据挖掘,页467 - 476年,巴黎,法国,2009年6月。视图:谷歌学术搜索
30. d .赵X.-Y。李,h·马“Budget-feasible网上如实激励机制为众包任务,”IEEE / ACM交易网络,24卷,不。2、647 - 661年,2016页。视图:出版商的网站|谷歌学术搜索
31. w·b·郭y Liu, z,问:汉族,“ActiveCrowd:多任务优化分配的框架已被称作移动群体感知系统”IEEE人机系统卷,47号3、392 - 403年,2017页。视图:出版商的网站|谷歌学术搜索
32. 刘张x, z, y,和z明,j . Li”向高效机制已被称作移动群体感知,”IEEE车辆技术,卷66,不。2、1760 - 1771年,2017页。视图:出版商的网站|谷歌学术搜索
33. a . Bozzon m . Brambilla赛,m . Silvestri和g . Vesci”选择正确的人群:专家发现在社交网络,”国际会议上扩展数据库技术学报》上热那亚,页637 - 648年,意大利,2013年3月。视图:谷歌学术搜索
34. 江j . w . Wang, a . Bo y江,和c Bing,“向高效团队为众包在非合作的社交网络,形成“IEEE控制论卷,99年,页1 - 15,2016。视图:谷歌学术搜索
35. g . Montelisciani d . Gabelloni g . Tazzini, g . Fantoni”的关键技能和遗嘱:确定正确的团队协同创新平台,“技术分析和战略管理,26卷,不。6,687 - 702年,2014页。视图:出版商的网站|谷歌学术搜索
36. 问:刘,t·罗、r . Tang和s . Bressan”为团队形成一个有效的和真实的定价机制在众包市场,”IEEE国际会议通信学报》上澳大利亚悉尼,页567 - 572,,2014年6月。视图:谷歌学术搜索
37. m . Martinez-Nunez和w·s·Perez-Aguiar效率分析,信息技术和在线社交网络管理:一个集成的dea模型评估,”信息与管理,51卷,不。6,712 - 725年,2014页。视图:出版商的网站|谷歌学术搜索
38. a . Ziberna和诉Vehovar使用社交网络来预测网络社区的活跃成员的行为,”学报2009年国际会议上的进步社会网络分析和挖掘,ASONAM 2009,页119 - 124,IEEE计算机协会,雅典,希腊,2009年7月。视图:谷歌学术搜索
39. 罗卡和m·b·布鲁尔,“社会身份的复杂性。”人格与社会心理学复习》第六卷,没有。2、88 - 106年,2016页。视图:出版商的网站|谷歌学术搜索
40. l . Rainie和b . Wellman,网络化:新的社会操作系统英国伦敦,麻省理工学院出版社,2012。
41. 搜狐,微信的每月活跃用户将赶上QQ,2018,http://www.sohu.com/a/167658834_437281。
42. Aoshuang,2016年我们聊天影响报告,2018,http://mydown.yesky.com/news/87280487.html。
43. ZhuBaJie,ZhuBaJie-A众包平台,2018,http://www.zbj.com。

版权

版权©2019 Zhenlong彭等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。