ICDE2019论文简析:空间众包中的协同感知任务分配-Cooperation-Aware Task Assignment in Spatial Crowdsourcing

1.问题:

• 作者提出了一个 “具有合作意识的空间众包”概念（CA-SC）；
  因为大部分空间任务会受到时间限制（ps：在一栋建筑物中收集WI-FI信号的强度），并且需要许多workers合作去完成（ps：去附近多个地方发放传单），当workers被分配到这类任务时他们需要相互合作沟通，所以workers间的合作质量的好坏对于空间众包任务完成的结果十分重要。
• 证明CA-SC问题为NP-hard问题；

2.现状：

• 作者提出的CA-SC问题是基于批处理的SAT模式，现有SAT下的研究没有关注于最大化总体合作得分，例如关注最大化服务器的已分配任务数、最大化分配的可靠度和多样性得分、最大化worker的接受率或者最大化worker能在截止日期前到达目的地实现的任务的总分配数。
• 同时，workers的质量评价/收益也会受到合作质量的影响，良好的任务合作质量可以使workers、requesters and platform都受益，然而现有关于空间众包的研究中没有考虑workers的合作关系。

3.贡献：
CA-SC的目的是将具有合作意识的移动workers更好的分配给空间任务，使得任务整体合作质量得分最大化。作者通过基于批处理的任务分配过程来处理CA-SC问题，提出了**任务优先贪婪方法（TPG）和一种具有两种优化方法的博弈论方法（GT）**去处理CA-SC问题。

• 证明CA-SC问题为NP-hard问题；
• 提出了任务优先级贪婪方法；
• 提出了一种具有两种优化方法的博弈论方法；
• 在真实数据集上进行了实验分析；
  （数据集为2011.10 - 2012.01从meetup.com爬取的香港地区用户聚会纪录数据，其中包括1282个task和3525个workers）
• 展示了博弈论方法的效率和有效性；

4.方法：
作者通过以下三个算法去阐述CA-SC问题的分析过程

• 基于批处理的框架
• 任务优先级贪婪方法（TPG）
  首先每个任务分配worker，贪婪地完成尽可能多的任务，并选择最有潜力的候选的worker，接着迭代选择best的worker与task配对，以最大程度提高总体合作质量，直到所有任务分配给足够的worker或每个worker都被分配到其最适合的task（局部最优）。
• 一种具有两种优化方法的博弈论方法（GT）
  在TPG基础上进行应用，首先为每个worker随机选择一个策略，然后根据当前迭代为每个worker调整选择一个‘best’策略，直到找到Nash equilibrium（纳什均衡），在这之前其他worker不会改变所选择的策略。为了提高GT方法的效率，作者提出以下两种优化方法：
• 优化一：设置迭代停止阈值（TSI）
• 当本轮次增加的score < € • Qc时停止迭代，Qc代表当前总合作得分。
• 效果：略微损害总体得分，却能大大减少运行时间。
• 优化二：延迟更新players的最佳响应策略（LUB）
  并非所有workers的最佳反应策略都需要重新计算，仅当workers的最佳响应策略可能发生变化时才重新计算（遇到更好的合作伙伴的时候）。
• 满足下列条件时才需要变化：
  task与其他worker合作的得分要更高的时候；
  Q(W’j) − Q(W’j−{wi}) < Q(Wk) − Q(Wk −{wi})

5.效果：
作者将方法TPG和GT与两种基线算法：最大流量的方法（MFLOW）、随机方法（RAND）进行比较。对于GT方法，作者还分别和联合使用两种优化方法来测试其三个变体优化算法：GT + LUB，GT + TSI和GT + ALL的合作质量得分与运行时间：

• 总合作质量得分上：
  GT和GT优化后的方法（GT+LUB、GT+TSI、GT+ALL）的要比TPG方法要高，且均明显高于MFLOW和RAND方法。
• 运行时间上：
  RAND < TPG、GT、GT+LUB、GT+TSI、GT+ALL < MFLOW

6.困惑/思考：

• 对于论文中找到Nash equilibrium过程中策略的比较选择过程用到的一些关于博弈论的方法没怎么能看明白（@-@）。
• 这篇论文主要是在worker与task分配算法上的改进优化研究，作者的思路是引入批处理、量化worker间合作质量和博弈论的思路去进行分析研究。作者是通过分析worker的历史数据去制定出worker间的合作质量score，再去进行task的分配。在之前读过的一些论文中会考虑到worker目前的状态，例如用手机传感器去预测公交车到达时间是利用了worker当下实时的状态数据。或者可以将这两种数据进行某种权重的融合，进一步提高总体工作质量得分。