文摘

针对的问题已被称作移动群体感知(MCS)系统依赖于一个特定的平台,用户组预先假定,提出了一种感应用户扩散分析和基于知识图推理的激励方法。我们考虑激励用户参与预算有限的约束下,平台,用户可以获得最大的好处。在本文中,我们专注于社会意识到用户由自组织的社会网络,结合已被称作知识图建立一个知识图的群体感知系统,使用规则来获得用户的影响,并优化用户的贡献。社会福利最大化的目标,我们提出一个社会意识反向拍卖(SARA)机制,在用户的总贡献的关键是选择赢家,赢家是基于关键价格支付。通过实验仿真,我们确认莎拉接近预算限制下的最优社会福利。

1。介绍

近年来,移动设备与各种嵌入式传感器(如智能手机和智能手表)已经无处不在,和车载便携式传感器(如指南针、加速度计、GSP和相机)也一个接一个地出现。移动用户携带设备广泛使用在日常生活中,促进生成过程的信息。各种移动传感技术的快速发展,以人为本已被称作移动群体感知系统(MCS) (1- - - - - -3]了。已被称作移动群体感知系统在我们的日常生活中有很多应用,涵盖许多方面,包括医疗、环境监测、智能交通、噪声监测。

已被称作参与群体感知为用户任务是一个昂贵的过程。一方面,它会消耗用户的资源,如计算能力、存储内存和电池。另一方面,这个过程可能需要用户提交的个人敏感信息,造成用户的隐私泄露。因此,如果没有满意的奖励赔偿用户的参与费,用户将不愿意参与感知任务。然而,已被称作的群体感知系统取决于用户参与总水平和每个用户的个人贡献。因此,为了刺激和招募用户使用移动传感装置参与遥感任务,是非常重要和具有挑战性的设计激励机制来实现可持续的盈利能力服务提供者。

有很多研究激励机制已被称作移动群体感知,但大多数用户认为有足够多的候选人。然而,这种假设在现实世界中可能不是真的。尤其是移动用户甚至不知道它已被称作移动群体感知应用程序时就向公众发布。在这种情况下,假设大用户池已不复存在。即使所有候选用户选择,上述工人选择方法不能达到的高数据质量已被称作移动群体感知任务。在这种情况下,鼓励用户参与遥感任务不能实现良好的性能。假设,在用户u_我投标,他感知任务T发布的平台通过社交网络与他的朋友和亲戚。其中,用户u_j是谁感兴趣的感知任务和参与投标的一员吗u_我的招聘目标N_我。通过这种方式,任务是通过传播u_我,从而扩大感知用户的集合。然而,用户将不自由传播。通过分析用户之间的关系u_我招募了用户,用户生成的社会效用u_我是获得。集成用户u_我的个人贡献和其社会效用赢得定标,并计算奖励的u_我基于用户的总贡献完成积极的动力。

移动社交网络的普及(MSN)(如Facebook、Twitter、Foursquare)创建了一个新的信息共享和传播媒介。真实数据集的试验研究[4- - - - - -6]证明它是可行的推广新产品或创新想法考虑的相互依赖的行为从社会领域和移动用户在社交网络上传播的影响(7,8]。传统上,网络效应意味着,如果用户购买公共产品或服务,更相关的用户愿意接受公共产品或服务的购买。已被称作移动群体感知服务,手机用户的参与行为可以被视为采购”“公共产品”“这意味着,当用户参与遥感任务,相关手机用户更愿意参加,也就是说,用户很容易受到熟人。因此,复杂和相互依存的用户行为构成重大挑战已被称作操作的群体感知平台。更重要的是,网络效应通常存在于社会关系紧密相连。

如图1对MCS任务,本文试图招募工人以一种新颖的方式,使用社交网络招聘平台,而不是依赖于一个特定的MCS平台。首先,我们建立一个知识图已被称作面向群体感知移动用户的内部关系上MSN和推论进行基于规则的属性。假设用户把任务给他们的朋友和影响用户接受任务时,用户可以得到一定数量的额外奖励作为回报。平台集成了用户贡献和社会影响选择赢家用户最大化社会福利。最后,平台给予相应的奖励,受到用户的自己的社会影响和贡献。本文的主要贡献如下:(我)据我们所知,已被称作知识图的引入到群体感知激励机制是第一个工作。我们建立一个知识图用户的社会关系和规则来推断用户之间的社会影响,以获得用户的社会影响。(2)结合用户的社交网络的设计激励机制已被称作移动群体感知鼓励用户分享推荐行为,从而促进传感任务和获取更多的感知用户。(3)设计社会意识反向拍卖(SARA)激励方法,选择用户基于净边际贡献减少数据冗余,而与此同时,引入用户的优化社会福利的社会影响。(iv)通过实验验证,莎拉满足用户理性,预算的可行性,计算效率。它比对比算法和接近最优的社会福利。

2。相关工作

已被称作应用程序的不断发展的群体感知系统,提出了一系列的激励机制(9),主要来自两个方面。一方面,它的目标是最大化已被称作感知质量的群体感知在某些限制条件下(如保险)。文献[10)提出了一个激励机制考虑预算限制。已被称作最大加权报道在不同的覆盖需求群体感知建模为反向拍卖有限的预算,用于最大化加权移动众包的报道。周et al。11)提出了一个在线机制设计激励用户参与和动态到达用户指定位置感知任务能力约束(限制参与的程度)。构建一个自然激励机制通过多个轮所需的时间域的在线拍卖。彭et al。12)将考虑已被称作数据质量的设计群体感知激励机制。参与者的奖励决定根据用户的质量和贡献,以鼓励理性参与者已被称作有效执行群体感知任务。江et al。13)提出了引入新的传感任务和用户之间的数据层。使用相似的感知任务和用户的异质性,联合任务选择和用户调度问题是建立在数据层的社会福利最大化整个系统。金等。14)提出了一个激励框架Thanos基于反向组合拍卖。结合职工的信息质量的关键指标(QoI),作者设计用户选择和定价算法单一任务,同时最大化社会福利。

另一方面,它的目标是最小化成本,确保一定程度的遥感数据质量。金等。15)设计基于反向组合拍卖的激励机制来实现低成本相对高质量的感知任务的完成,同时满足一定质量要求感知任务。徐et al。16)两种激励机制设计MCT-M和MCTTS竞价模型。介绍了神经网络方法来学习用户之间的相似度,和聚类算法用于集群用户没有他们的知识。基于相似用户分配任务,确保质量的感知数据。段et al。17)提出了一个半球协作机制。如果足够数量的参与者愿意合作,CSP将任务分配给合作者和股票的总回报。

上述机制的一个共同特点是它们都是提出假设参与用户的数量是充分的。这是本文提到的机制的本质区别。现有机制提出一些设计基于社交网络的激励机制。聂et al。18]提出使用两级Stackelberg博弈来分析手机用户的参与,用逆向归纳法分析最优激励机制已被称作的群体感知服务提供者。赵et al。19)提出了一种三级社会感知数据分布方法通过D2D沟通。该方法选择初始种子通过社交网络和移动网络融合和执行后续数据转发的适应用户的利他主义和自私的激励约束,同时确保用户的真实性。太阳et al。20.)认为是苏的社会关系和社会意识激励机制设计(SAIM)。然而,它只选择用户根据他们的报价和不考虑,用户可以提供的数据量的贡献。在上面的研究中,已被称作传播群体感知任务已被称作朋友间不引入招聘群体感知工人。长等。21)提出了一种基于多维社会关系的社区发现算法的特点。连接参数,通过计算最小生成树和社区之间的集成移动节点,节点的行为模式被抽象和识别。传感任务之间的匹配程度和社区行为模式的特征值计算和分配的任务完成,由中央节点的社区根据匹配程度。王等人。22)提出,种子用户应该被考虑的一部分用户的社会关系和轨迹预测的差异(相似性)约束条件下种子的数量和总数量的工人。然而,王et al。22)没有考虑用户的感知质量已被称作激励机制的群体感知和分析用户的传播在社会意识选择种子用户。虽然本文提出的方法还包括在社交网络上传播的影响,它不同于以上研究在以下方面:(1)不同的优化目标和约束;(2)不同的工人选择算法;(3)不同的用户影响推理模型。

本文从社交网络中各种类型的相关信息协助MCS推断专长。我们优化用户贡献基于用户偏好的不同的任务和全面考虑用户之间的社会影响。选择中标人根据用户的贡献,和用户的重要奖励支付预算限制。

3所示。用户社会关系的推理

3.1。建设基于知识的用户扩散图

知识图已被称作面向群体感知之间的关系是一个网络用户、任务、地理位置和相应的属性。用户、任务和地理位置已被称作实体下的群体感知系统中最基本的元素知识图。客观描述的关系的概念,实体之间的关系,和事件之间存在不同的实体。在这个系统的实体关系包括选择、招聘、和位置。属性指的是特定属性值根据实体,用户属性包括任务倾向,共同解决,感应一次,和用户投标价格,和属性的感知任务包括内容、描述、位置和时间。

图2描述了已被称作用户扩散模型的群体感知基于知识图。模型主要包括三个部分:数据处理、本体的建设已被称作相关群体感知,和知识的生成图已被称作的群体感知系统。使用的数据源是结构化数据,数据加工成三形式构建资源描述框架。与此同时,自顶向下的方法用于构建本体,这对信息提取奠定了基础。根据资源描述框架和本体,实体已被称作相关群体感知和提取实体之间的关系。知识库模型是一个已被称作五行群体感知模型,包括概念、例子、关系、属性和规则。已被称作的建筑群体感知知识库包含三种本体:移动节点,任务,地理位置。三个实体类型的本体是移动节点,任务和地理位置。移动节点在本文中是一个节点,传感器和可以参与遥感任务,和用户是移动节点的一个子类。任务是传感平台发布的任务,完成的用户感知。 Geographical location is a specific location where users perform tasks. The introduction and construction process of the basic elements of the crowdsensing user diffusion model based on the knowledge graph is mentioned above.

3.2。基于知识推理的关系图

已被称作的群体感知系统,用户转发任务并邀请朋友参加传感任务。朋友连接之后,它给用户带来额外的好处。构建一个知识图已被称作面向群体感知系统对社交网络用户和过滤器来获取用户属性相关的系统,主要包括{“位置”,“利益”类型,“执行时间”,“愿意参与”}。设置用户的兴趣任务类型包括{“空气质量,”“环境监测”,“体育”“电影”“政治”}。计算的匹配程度subusers招募参与用户与系统任务和他们愿意参与,分析用户的影响,并获得用户的社会效益。用户的影响力越大,用户带来的社会效益就越大。

,在哪里K用于表示知识。

。这个概念是一组抽象本体,如移动节点,任务和地理位置。

。这个实例是一组具体的例子,比如用户我和任务t。

。这些属性是一组实例的属性值,例如任务{<内容:拍照> | <描述:照片格式描述> | <地点:感知位置> | <时间:任务及时性>}。

。关系显示了实例之间的关系,如<用户,选择,任务>。

。这条规则是用来推导新的属性和关系。本文中的规则获取新的属性 。

实例推理使用现有关系的关系来推断新实例之间的关系。如图3,假定系统有五个任务要执行,李明只招募张三参与感知任务通过共享感知任务。他们的任务倾向是不同的。张三选择了“空气质量”任务和李明选择了“环境监测”任务。他们在同一位置的“公园”,各自参与的意愿也不同。根据知识图形匹配任务,张三的任务匹配度马= 1,然后是张三的潜在贡献μ= 0.6。的影响(影响_我,值)的用户N_我推导出基于用户属性和任务之间的选择规则。在本文中,影响_我是用户的影响N_我, 。

在计算用户的影响,它并不足以只考虑用户实体连接到用户。用户的属性特征也应该被考虑。招募了subusers和系统任务之间的匹配程度直接影响高级用户。

3.3。优化社会福利

已被称作基于群体感知任务规范和属性已被称作推理知识图的群体感知,以下问题。给定一个任务 一组空间单元,一群移动用户 在一个社交网络登记数据(包括位置)在任务空间,和覆盖用户的任务是用来描述感知质量 。在平台发布任务集T传感想参与的用户可以增加自己的社会福利招募他们的朋友参与遥感任务,进一步提高他们的被选概率和奖励在被选中。在平台接收到用户的出价,它分析用户属性推理知识生成的图,用户的位置,和用户的出价,选择用户,获胜者,在平台接收到用户的感知任务数据,获胜者支付用户相应的奖励。用户不选择不执行任何任务和不支付。基于上述理论,相关定义如下。

定义1(用户效用)。所有用户的效用 被定义为 在哪里W是一组赢得用户,c_我是用户的真实成本我,p_我用户获得的报酬吗我。

定义2(平台效用)。平台效用被定义为平台可以获得的总价值减去总成本的用户感知任务。v_我狭窄的价值,用户将通过传感平台的任务。Se_我广大用户带来的价值是通过社会关系平台。年代_我是总平台用户带来的价值,也就是说,狭窄的价值和广泛的价值的总和:

定义3(社会福利)。社会福利是指已被称作整体利益的群体感知的生态系统,即平台效用和用户效用的总和: 在真正的拍卖中,用户的出价b_我等于用户的实际成本c_我。
单一运行拍卖(SRA)问题可以被定义为在运行r,这个平台希望最大化目标函数在一定约束。这个问题在这篇文章属于SRA的问题。目标是找到最后的赢家用户设置为社会福利最大化。它可以表示为 在哪里N是一组用户参与感知任务和竞争W用户是赢家的集合。约束是所有冠军的奖励用户的总和不超过预算的平台B。
在这个过程中,我们考虑到用户的目标是最大化自己的利益将战略和自私的行为。假设用户是理性但自私,他们自然的目标是最大化各自的效用。他们可以选择提交伪造的报价,这可能会增加它们的有效性。相反,我们的价值已被称作整个群体感知生态系统的整体利益,追求最高的社会福利。出于这个原因,从用户那里获得真正的报价是很重要的。我们的目标是设计一个优势策略机制中定义的每个工人都有一个主导策略定义4(23]。

定义4(占主导地位的策略)。当且仅当,其他策略 和任何其他工人(表示为策略的状况 ),战略圣_我我是工人的主要战略和满足吗 。
在本文的拍卖过程中,每个员工提交报价 平台,包括任务集和投标价格她很感兴趣。因为具有战略重要性的职工,她可能宣布投标偏离实际价值。激励机制设计的目标之一,本文设计的真正定义中定义的机制5。

定义5(投标价格的真实性)。拍卖是真的当且仅当它是每个工人的主要策略 竞购其真正的价值 。
除了真实性,另一个设计目标是确保每个工人获得非负效用的参与。如果感知用户提交的任务是重复的感知数据已经提交,为了避免提交冗余的感知数据,感知平台不会支付这部分的工作,它可能导致用户的报酬低于用户的出价。确保感应用户的个人利益,用户将不会参与这个感知任务。这个属性是正式定义为个人理性的定义6。

定义6(用户理性)。机制满足用户理性当且仅当每个工人的回报大于用户的投标价格,也就是说, 满足 。

4所示。基于扩散的社会激励方法的用户

针对用户的社交网络值机和影响推理知识图的基础上,本文提出了一种面向用户的激励方法来让用户选择,和作者的用户可以选择是最有益的平台。这里,平台通过任务的用户带来的好处被定义为狭隘的和用户带来的价值平台通过传感任务和用户带来的广义价值通过社会关系的平台。该算法将继续选择和添加新用户,直到预算达到极限。

4.1。社会影响用户定义

当构建一个知识图社会用户来推断用户的影响用户在一个特定的任务时,它并不足以只考虑用户实体连接到用户。用户的属性特征也应该被考虑。通过扩展网页排名算法,用户基于属性特征的影响分析。用户的属性的相似性特征表明,用户愿意与人建立联系和互动与相同的兴趣和爱好。用户的相似度越高,就越可能被另一方的影响。

用户属性特征之间的相似性和用户可以被看作是两个用户之间的区别为一个特定的属性特征。如果两个用户的分布在一个特定的属性特征非常相似,相似之处将会更大。相似之处用户之间和用户在任务被定义为属性特征 在哪里任务属性向量的用户吗和任务属性向量的用户吗 。

鉴于招募用户设置N_我用户实体和用户的概率共享传感任务的用户, 表示为TP_ij: 在哪里TP代表转移矩阵的关系,TP_ij是归一化值,代表用户被用户的数量 。

根据提供的任务属性感知平台,用户的影响在用户相关属性特征的相似性。越相似的主题分布两个社会用户,用户之间的跃迁概率越大。用户实体的概率利差传感任务并成功招募用户实体是SP_ij: 在哪里SP转移矩阵的相似之处,代表每个用户的概率成功招聘相关的用户。

根据给定的用户实体关系和任务用户实体的属性特征,转移矩阵的关系TP获得,转移矩阵的相似之处呢SP用户之间。用户影响力分析基于任务被定义为属性特征 在哪里E是随机跳任何用户的概率矩阵, ,和是一个参数在0和1之间控制传送的概率,通常 。

4.2。单一任务的预算限制的用户选择

本文认为激励机制已被称作的群体感知感知用户面临的一个任务在理想情况下,用户信息。通过分析用户在节的影响力4所示。1该平台带来的社会效益,用户的招聘工人通过社会关系为特征

根据传感信息提交的用户和他们的社会贡献,由用户创建的社会福利我是 。

定义7(子模块功能)。给定的函数 ,如果任何 ,有 然后函数子模块的功能。
因此,社会福利函数在定义三个是一个非负子模块功能。当只有一个任务,我们只需要选择社会福利最大的用户下创建任务,实时计算获胜者的奖励用户,以满足预算限制。如果用户是最终不选择参与感知任务, ,否则,奖励 在哪里西南 当用户的最大化目标函数我涉及到和当用户的最大化目标函数我不涉及。他们定义如下: 在哪里N_−k代表了用户设置不包含用户k。因此,当面对一个任务,我们选择赢得用户基于用户创造的社会福利和赔偿基于他们的贡献的差异来完成积极的动力。

4.3。用户选择算法在多任务的预算约束

尽管激励机制基于单个任务很容易实现,效率有严重的问题。当面对多个任务发布的平台,计算效率太高了。此外,在计算的过程中用户补偿,需要反复计算用户创造的社会福利,这是非常昂贵的。因此,效率低的问题,使得这一激励机制不适合采用大型社交网络。因此,本节提出了一种面向社会意识激励机制的一心多用贪婪,与社会福利最大化的目标系统。

首先,详细介绍了一些定义澄清社会知觉贪婪的激励机制,包括用户选择规则和支付规则。

定义8(用户贡献)。用户贡献的定义是所有任务总额之和,用户可以完成: 在哪里是一组用户可以完成的任务。

定义9(胜者组的贡献)。给定一个赢家的用户组,W表示,胜者组的贡献是所有获胜者的贡献的总和用户:

定义10(用户边缘贡献)。给定一组用户组冠军 边缘用户的贡献 获得了冠军组的贡献: 边际贡献的用户是一个贪婪的社会感知的关键因素和激励机制。面对多任务和多用户,我们提出基于贪婪的社会意识激励机制以减少计算复杂度。平台选择一组用户完成传感任务。的目标是最大化社会福利系统,可以优化为以下形式: 用户在莎拉的选择是基于用户的净边际贡献,和获胜者的排名用户如下: 在哪里是用户在获胜者用户中指数排名第一。在萨拉,是用户的净边际贡献和是这个平台的预算限制。
为了计算报酬支付给用户J,根据用户的净边际贡献 。在每一个重复循环,找到用户最大的净边际贡献和更新用户的报酬j最大化取代。至少一个用户已经被选择,让用户j获胜者用户,在那里代表的净边际利润不小于零,不包括用户j。用户在H在净边际收益递减的顺序排序如下: 在哪里用户位置的索引吗n在序列和 。

4.4。算法有效性分析

当面对一个任务,我们的目标是设计一个机制,最大化社会福利同时确保真实性。在本部分中,我们证明提出的激励方法满足用户投标和用户的真实性合理性。用户报价的真实性意味着用户的效用并不会提高用户的提交投标偏离其真实成本价格。证明真实性之前,首先把用户的效用公式:

引理1。提出的激励机制是满足用户的真实性。

证明。当用户是诚实的,有吗 ;当用户k是不诚实的,即 ,有以下两种情况。(我)例1 ( ):在这种情况下,我们考虑下面的三种情况。•(一)案例1.1:当用户是诚实的,用户k是赢家;当用户提交 ,用户k仍然是赢家。在这种情况下,当用户是诚实的,用户效用 ,当用户不诚实,用户效用 。自用户组不包括用户的赢家k是常数无论用户吗k是诚实的,所以呢 ,和可以计算为 在用户的效用得到吗k是0,所以用户的收入得不到提高。•(b)例1.2:当用户是诚实的,用户k是赢家;当用户提交 ,用户k不是赢家。在这种情况下,当用户用户好处是不诚实的, ,当用户是诚实的,用户效益 因此, 。•(c)例1.3:当用户是诚实的,用户k不是赢家;当用户提交 ,用户k不是赢家。在这种情况下,k。(2)例2 ( ):在这种情况下,我们考虑下面的三种情况。•(一)案例2.1:当用户是诚实的,用户k是赢家;当用户提交 ,用户k仍然是赢家。这种情况下的证明是一样的1.1。•(b)例2.2:当用户是诚实的,用户k不是赢家;当用户提交 ,用户k是赢家。在这种情况下, 在哪里是社会福利当赢家用户组包括用户k,这是明显小于最优社会福利西南 当用户k是诚实的。在这种情况下,用户k不会增加社会福利。•(c)例2.3:当用户是诚实的,用户k不是赢家;当用户提交 ,用户K不是赢家。在这种情况下, 。

引理2。这种激励机制满足用户理性。

证明。个人理性意味着用户的收入不能消极。的用户没有选择,他们的收入是零;获胜者用户参与认知任务时,他们的收入 总之,基于社会关系的激励机制符合招标和用户的真实性合理性。
一个贪婪的社会意识激励机制提出了多任务。在这里,它将证明它满足用户理性,真实性,和计算效率。证明之前,首先介绍一些符号和方便的属性。(我)代表用户的映射函数指数降序排序时。(2) 代表的边际贡献价值 。

引理3(用户理性)。建议的机制满足用户理性。

证明。为n用户在公式, 满意,所以 。与此同时,有 的算法。因此,每个用户的效用是负的,即 。因此,贪婪的社会意识为用户激励机制是合理的。

引理4(报价的真实性)。建议的机制满足真实性。

证明。拍卖机制是真实的,当且仅当选择规则是单调的,每个赢得用户的奖励是一个临界值。单调的规则是,当用户选择获胜bi的任务资格,他仍然可以赢得任务资格出价低于bi。补偿阈值意味着当用户的出价高于此阈值,用户不会被选中。
因此,只需要证明用户的选择定则是单调,和每一个赢得用户的奖励是一个临界值,然后,它可以证明,该激励机制满足真实性。
单调:用户选择是单调的。

证明。当用户投标报价较低,用户的净边际利润会增加,这样用户排名进步和有更大的几率被选为赢家。当用户通过竞标获胜b_我,他仍然可以赢得投标报价低于b_我。因此,用户的选择规则是单调的。
临界值的付款:报酬支付给每个用户的关键价值。

证明。根据付款规则, 可以获得。当 ,有 对所有 ,也就是说, 。 后将会降序排列的净边际利润,也就是说, ;然后,用户将不会被选为获胜者。因此,用户的关键奖励吗 。
单调性的证明用户选择规则和付款的临界值,可以得出结论,提出激励机制满足真实性。

引理5(计算效率)。提出的多任务贪婪的激励机制是计算有效。

证明。计算效率意味着用户选择和支付规则建议的机制可以在多项式时间内解决。假设有N感应用户,在用户选择,所花费的时间找到用户最大的净边际贡献不超过 ,和时间来计算每个边际贡献不超过 ,在算法在每一个while循环(2行1)。当用户补偿计算,在算法的重复循环(5 - 9行1),每个边际贡献不超过时间计算 ,和所花费的时间找到用户最大的净边际贡献不超过 。

5。实验验证和分析

在本节中,我们介绍了基线方法用于模拟以及模拟设置和结果。首先,将莎拉与基线比较来证明其竞争力。然后,验证莎拉的用户理性、预算可行性和真实性的用户投标。

5.1。基线方法和仿真设置

本文提出的方法的目标是最大化社会福利预算限制下,所以基线方法也应该满足预算限制。第一个基线方法的修改版本QoI-SRC拍卖(14)于一体的预算限制到QoI-SRC赢家决心的问题。QoI-SRC拍卖是接近最好的社会福利和改善QoI-SRC拍卖称为SRC拍卖。另一个基线的方法是选择24),代表估计上限SRA问题的最佳解决方案平台完全理解用户的真正的出价。因为计算SRA问题的最佳解决方案是非常耗时的,不能计算在合理的时间随着问题规模的增长,我们使用最好的上限,而不是最好的本身作为基准。

针对用户的数量的影响,预算,和社会福利上的任务数量,实验参数设置表1模拟SRA的问题和实验观察。设置我的固定数量的任务是500,和预算将于600年和800年。用户的数量从100年到300年是作为一个独立的变量。在设定二世,固定任务的数量设置为100年和200年。在这种情况下,预算从100年至500年作为一个独立的变量。在制定三世,固定预算限制是200,100年和200年和用户组。任务是作为一个独立变量的数量从100年到500年。其中,遥感数据质量问_我由用户提供,检测成本c_我,任务质量要求问_j,任务集由用户选择将生成均匀和随机选择的范围在表1。其中,最大的任务用户可以执行任务随机选择从T。

表2显示了用户的实验设置合理性、可行性、预算和报价的真实性验证。设置的用户数量,预算和任务在第四,观察用户的收入和支出在此设置是否满足用户的合理性。在设定V,考虑到用户数量和任务的数量,使用预算作为一个独立变量观察是否真正的总开支和预算之间的关系满足预算可行性在此设置。在制定VI,给定的用户数量,预算,和任务,赢得用户和一个失败的用户随机选择在此基础上,观察到和提交的盈利能力不同的报价,和图表显示报价的真实性是否满意。表中的参数设置1和2不是故意选择,所以实验结果不会丢失。,在表1和2,我们只考虑设置连续的质量要求。

5.2。仿真结果

莎拉的社会福利比较,SRC,选择显示在图。可以观察到社会福利增加的用户数量的增加,当预算是固定的,直到预算限制达到从图的饱和水平4。其中,选择最好的解决方案是SRA的问题。从图4,可以得出结论,莎拉接近最好的社会福利和远高于基线SRC的社会福利在相同数量的用户。SRC中表现最差的三个,主要是因为它过分依赖预算和有限的预算。因此,社会福利由SRC图生成4不会增加的用户数量的增加。然而,它可以清楚地看到在图5它是线性增加。然而,用户的数量不会影响它,主要是因为它的过度依赖预算成本。

在图5,它可以观察到,社会福利预算的增长而增加,当用户的数量是固定的。当用户的数量是100,预算是450,莎拉和社会福利的选择往往是稳定的。当预算达到450用户的数量是200,莎拉和选择的社会福利相比仍稳步增加的用户数量为100。SRC增加预算的增加,但远低于莎拉和选择的社会福利。这是因为SRC选择感知用户基于最初的边际社会福利效果选择新赢家,而不是更新的有效边际贡献在每个迭代中如莎拉。

图6表明,莎拉的社会福利,SRC,选择增加数量的任务。莎拉和选择,此设置下的预算是足够的,但由于预算限制SRC增长缓慢。其中,莎拉产生社会福利任务的数量达到200后,逐步方法选择最好的社会福利。主要原因是任务的设置由用户选择莎拉很大。在少数的情况下的任务,用户不能满足他们的支出平衡。可以看出,当前莎拉适用于大规模问题。

用户理性,所示的定义6,要求用户通过传感任务获得的劳动报酬大于用户提交的用户成本,确保用户的好处是积极的。实验设置为四世在表2固定的用户数量、预算和数量的任务。为每个赢得用户、总成本和奖励他收到绘制在图7。在图7,横坐标是序列号的用户赢得了竞标,加号表示奖励,用户接收完成传感任务之后,圆圈代表用户的投标价格。显然,用户的奖励总是大于相应的总成本。它证明了用户莎拉的合理性。

预算可行性要求支出总额由遥感平台用户支付不能超过平台的预算,并在预算应该完成的任务。实验将V在表2。用户的数量和任务的数量是固定的,和预算是作为一个独立的变量不同,从0到1000步长为100。我们观察到的这种机制在不同的总开支预算。对于每个固定预算,我们计算的实际总付款请求者和显示结果如图8。从图8我们可以理解,付款时接近预算预算总额很小。由于工人的数量的限制,总付款预算时将达到饱和程度大。显然,总付款从来没有超过预算,预算莎拉的可行性。

用户报价的真实性,见定义5,要求无论提交或更高的出价低于实际的出价,它不会增加自己的利润,而失败者提交低于真正的出价将不会成为赢得用户。这意味着用户的错误报价不会改变用户的自己的收入。鉴于七世在表的参数设置2、固定的用户数量、预算和数量的任务,我们随机选择与一个真正的赢家投标的7,与一个真正的失败者投标的7组所有工人和使用的实际报价成本的赢家和输家,以了解其效用变化。赢家和输家的成本真实性测试图所示9。在一些情况下,我们可以观察到,当一个工人投标它真正的价值,它的效用最大化。无论用户是赢家还是输家,用户不能通过不诚实的报价增加其效用,这证明了莎拉的投标的真实性。

6。结论

在这篇文章中,一个叫莎拉提出了激励方法,这是一种社会意识基于逆向拍卖的MCS系统的激励机制。有别于传统的MCS平台招聘感应用户,社交网络被用作招聘平台。社交网络中的传感任务扩散通过最初的用户,和知识图用于全面分析用户的潜在价值和影响力来获得用户的社会效益。用户的社会效益和实际遥感数据作为遥感用户的整体贡献,感知用户和用户选择社会福利作为中最大的赢家。比较本文方法与现有的文献和最优)方法,实验表明,在各种因素的影响下,社会福利的SASR远远高于SRC和接近社会福利的选择。同时,它证明了SASR满足占优战略的需求,用户的个人理性、真实性,和计算效率。

在未来的工作中,已被称作的应用群体感知知识地图下将进一步探索。使用提供的复杂语义实体之间的关联知识图推荐匹配的认知用户的感知任务。这已被称作性能指标的提高群体感知的影响。此外,我们只考虑成本的均匀分布传感任务和用户出价在仿真过程中与其他解决方案相比。之后,比较分析在正态分布和指数分布将会介绍。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

现在的研究工作得到了国家自然科学基金(61403109和61403109),专门研究基金会对中国高等教育的博士项目(20112303120007)、黑龙江省自然科学基金(LH2020F034)、中国博士后科学基金会(2019 m651263),黑龙江省教育部门和科研基金(12541169)。