基于图神经网络的低复杂度协同移动众包招募
机器学习
2021-06-03 v1 计算机与社会
社会与信息网络
摘要
协同移动众包（CMCS）允许实体（如地方当局或个人）从联网人群雇佣一组工人来执行复杂任务。本文研究两种不同的 CMCS 招募策略，使任务请求者能够组建由具有社交联系且具备技能的工人组成的团队：i）基于平台的策略，平台利用自身对工人的了解来组建团队；ii）基于组长的策略，平台指定一名组长，该组长根据自身对其社交网络（SN）邻居的了解来招募合适的团队。我们首先将招募表述为一个整数线性规划（ILP），依据四个基于模糊逻辑的标准最优地组建团队：专业水平、社交关系强度、招募成本和招募者置信水平。为应对 NP 难问题，我们设计了一种新颖的低复杂度 CMCS 招募方法，依赖图神经网络（GNN），具体为图嵌入与聚类技术，以缩减工人搜索空间，随后利用元启发式遗传算法筛选合适工人。在真实数据集上的仿真结果展示了两种所提 CMCS 招募方法的性能。结果表明，我们提出的基于 GNN 的低复杂度招募算法取得了与基线 ILP 相近的性能，且显著节省计算时间，并能在大规模移动众包平台上运行。结果还表明，与基于组长的策略相比，基于平台的策略招募的团队技能更高，但社交网络关系较弱且成本更高。
引用
@article{arxiv.2106.00717,
title = {Low Complexity Recruitment for Collaborative Mobile Crowdsourcing Using Graph Neural Networks},
author = {Aymen Hamrouni and Hakim Ghazzai and Turki Alelyani and Yehia Massoud},
journal= {arXiv preprint arXiv:2106.00717},
year = {2021}
}
备注
16 pages, 20 figures, 2 tables. Accepted for publications in IEEE Internet-of-things Journal