众包平台中任务安排的端到端深度强化学习框架
机器学习
2019-11-05 v1 数据库
机器学习
摘要
在本文中，我们提出一种用于任务安排的深度强化学习（RL）框架，这是众包平台成功的关键问题。以往工作通过监督学习方法对工人进行任务的个性化推荐。然而，它们大多仅独立考虑工人或请求者的利益。此外，它们无法处理动态环境并可能产生次优结果。为解决这些问题，我们利用深度 Q 网络（DQN）——一种结合神经网络以估计推荐任务的期望长期回报的基于 RL 的方法。DQN 固有地同时考虑即时与未来奖励，并可实时更新以应对演化数据与动态变化。此外，我们设计了两个 DQN 以捕获工人与请求者的利益并最大化平台收益。为有效学习 DQN 中的价值函数，我们还提出了新颖的状态表示，仔细设计 Q 值的计算，并预测转移概率与未来状态。在合成与真实数据集上的实验证明了我们框架的优越性能。
引用
@article{arxiv.1911.01030,
title = {An End-to-End Deep RL Framework for Task Arrangement in Crowdsourcing Platforms},
author = {Caihua Shan and Nikos Mamoulis and Reynold Cheng and Guoliang Li and Xiang Li and Yuqiu Qian},
journal= {arXiv preprint arXiv:1911.01030},
year = {2019}
}