一种基于互信息和偏好感知的空间众包任务分配方法

技术特征：
1.一种基于互信息和偏好感知的空间众包任务分配方法，其特征在于：包括构建基于互信息的偏好模型和基于偏好感知的群组任务分配方法，所述构建基于互信息的偏好模型包括以下步骤：s11：利用工人与任务的历史交互数据通过多层感知机得到每个工人的向量；s12：通过工人与任务的历史交互数据调整工人的向量，并且通过工人的个人偏好预测所有该工人所在的群组的任务偏好；s13：使用kl散度描述采用群组向量预测的群组偏好与真实历史交互信息之间的差别；s14：将群组成员向量与非群组成员向量进行对比学习，并与群组向量一起训练得到判别器；s15：获取工人与群组之间不同的上下文关系，利用工人的任务偏好加权合成群组的任务偏好与群组向量得到的偏好预测进行损失衡量，从而建基于互信息的偏好模型；所述基于偏好感知的群组任务分配方法包括以下步骤：s21：筛选出对于任务而言满足条件的可分配群组集合；s22：对所有的任务构造一个任务依赖图；s23：使用递归树构造算法将类转化为一个平衡树结构，使其兄弟结点不共享相同的可分配工人，即将全局最优分配问题转化为若干个独立的局部最优分配子问题；s24：使用深度优先搜索方法对树进行遍历，在每个兄弟结点上找到局部最优分配方法。2.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s11具体为：利用工人与任务的历史交互数据x
wc
通过多层感知机得到每个工人的向量表示w，即个人任务偏好，公式如下：的向量表示w，即个人任务偏好，公式如下：其中，f
e
表示偏好编码函数，x
w
表示工人与任务的历史交互数据矩阵，x
w
表示工人w在x
w
的对应行向量，与表示权重矩阵，b1和b2表示偏置。3.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s12具体为：通过工人与任务的历史交互数据x
wc
调整工人的向量表示w，并且通过工人w的个人偏好预测所有该工人所在的群组的任务偏好π(w)；目标函数表示为：π(w)＝softmax(w)其中，x
wi
表示工人w对第i种任务的偏好，|x
w
|表示工人w的历史交互任务的数量，k
c
表示预测层的权重矩阵；利用注意力机制学习不同群组成员对最终决定的贡献，群组表示向量的加权计算公式如下：
其中，g
i
和w
j
分别表示第i个群组和第j个工人的表示向量，α(j，i)表示工人w
j
在群组g
i
中的权重，h
t
表示注意力网络的隐藏层参数，k
agg
则是一个参数矩阵。4.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s13具体为：使用kl散度描述使用群组向量g预测的群组偏好与真实历史交互信息之间的差别，损失函数可以表示为：π(g)＝softmax(g)其中，x
gi
表示群组g对第i种任务的偏好，|x
g
|表示群组g的历史交互任务的数量，k
c
表示预测层的权重矩阵。5.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s14具体为：将群组成员向量w与非群组成员向量表示进行对比学习，并与群组向量g一起训练得到判别器d，具体公式如下：d(w，g)＝σ(w
t
wg)其中，σ(
·
)表示非线性函数，w表示参数矩阵判别器输入的向量w可以是群组成员向量w也可以是非群组成员向量群组成员向量w只要保证w∈g即可，而非群组成员向量则是在符合负采样分布的条件下进行负采样，满足：其中，η控制采样率，i(
·
)表示指示函数，|w|表示所有工人数量，表示工人与任务的交互矩阵x
wc
中工人对应的行，x
g
表示群组与任务的交互矩阵x
gc
中群组g所对应的行。6.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s15具体为：基于最大化互信息的方式，判别器d的优化目标表示为：其中，g表示所有的群组，μ
g
表示群组g中所有的工人和所有采样的非群组工人的数量之和，表示期望；因为通过工人w的个人偏好去预测所有该工人所在的群组的任务偏好会导致过拟合的
问题；所以，无法使用目标函数o
worker
来对整体模型进行优化；因此，对群组成员引入偏好权重的动态调整技术，从而获取到工人与群组之间不同的上下文关系，从而利用工人的任务偏好加权合成群组的任务偏好与群组向量得到的偏好预测进行损失衡量：最终，基于互信息的偏好建模部分的目标函数o表示为：o＝o
mi
o
group
λo
wg
在使用标准随机梯度下降方法最小化目标函数o后，得到群组的表示向量g和相应的任务偏好π(g)。7.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s21具体为：首先筛选出对于任务s而言满足条件的可分配群组集合awg((s))：awg((s))＝{{awg1(s)，awg2(s)，
…
，awg
|||awg(s)|||
(s)}}其中，|awg(s)|表示可分配群组集合awg((s))内所有的群组数量；其中，每个可分配群组awg(s)需要满足三个条件：|awg(s)|＝s.numwt
now
t(w
i
.l，s.l)≤w
i
.off上述三个条件分别表示所有在可分配群组里面的工人都要属于对该任务的可分配工人集合aws(s)；每个可分配群里里面的工人数量需要正好满足每个任务s所需的工人数量；每个可分配群组里的工人都需要在其下班之前到达任务地点；其中，可分配工人集合aws(s)需要满足如下四个条件：w.on≤t
now
≤w.offd(w.l，s.l)≤w.rt
now
t(w
i
.l，s.l)≤s.et
now
t(w.l，s.l)≤w.off上述四个条件分别表示：可分配工人集合里的每个工人当前需要处于工作状态；任务s需要在工人w的可达范围之内；工人需要在任务过期之前到达执行地点；工人需要在其下班之前到达任务地点。8.根据权利要求1所述的基于互信息和偏好感知的空间众包任务分配方法，其特征在于：所述步骤s22中，对所有的任务构造一个任务依赖图g(v，e)，每个顶点代表一个待分配的任务，两个任务分配方案中若有共同的可用工人，则两个任务顶点之间添加一条边，而后将任务依赖图分成若干个类，每一个类均是一个最大团。

技术总结
本发明公开了一种基于互信息和偏好感知的空间众包任务分配方法，本发明首先通过注意力机制得到群组的表示向量，然后使用对比学习的方法训练得到一个判别器以得到不同工人与不同群组之间的相关性，从而去优化得到工人和群组的表示向量，而后通过预测层得到群组的任务偏好，最后实现了一个考虑群组偏好的树分解算法以生成最优的群组任务分配方案。在不引入其它数据的情况下，通过最大化工人之间的互信息对群组任务偏好进行有效的建模，并结合树分解的方法提高群组任务分配数量及完成率。本发明能够有效地提高任务成功率和分配任务总数，实现了在群组交互历史信息稀疏情况下对任务偏好感知的群组任务分配。偏好感知的群组任务分配。偏好感知的群组任务分配。


技术研发人员：郑凯 李云川 刘佳欣 赵艳
受保护的技术使用者：电子科技大学（深圳）高等研究院
技术研发日：2022.01.27
技术公布日：2022/5/20