空间众包中考虑影响力的任务分配（技术报告）

随着智能手机的广泛普及，旨在将空间任务分配给移动工人的空间众包（Spatial Crowdsourcing, SC）在学术界和工业界引起了越来越多的关注。主要问题之一是如何将任务最优地分配给工人。给定一个工人和一项任务，工人将根据其对任务的亲和力选择接受该任务，并且该工人可以传播任务信息以吸引更多工人执行该任务。这些因素可度量为人-任务影响力。由于工人对任务的亲和力不同，且任务发布者可能要求执行过任务的工人传播任务信息以吸引更多工人执行，因此在分配时分析人-任务影响力十分重要。我们提出并解决了 SC 中一个新颖的考虑影响力的任务分配问题，其中以实现高人-任务影响力的方式将任务分配给工人。具体而言，我们旨在最大化已分配任务的数量和人-任务影响力。为解决该问题，我们首先通过识别工人的历史任务执行模式来确定工人对任务的亲和力。接下来，提出一种历史接受度（Historical Acceptance）方法来度量工人执行任务的意愿，即工人在被告知后访问任务地点的概率。接下来，我们提出一种基于随机反向可达集的传播优化（Random reverse reachable-based Propagation Optimization）算法，利用反向可达集计算工人在社交网络中被通知任务的概率。基于上述三个因素导出的人-任务影响力，我们提出三种考虑影响力的任务分配算法，旨在最大化已分配任务的数量和人-任务影响力。在两个真实数据集上的大量实验详细揭示了我们解决方案的有效性。