一种推荐任务发布时间的空间众包方法技术

本发明专利技术公开了一种推荐任务发布时间的空间众包方法，本发明专利技术利用交叉图神经网络提取任务请求者、任务以及任务发布时间的特征，使得其特征包含不同语义空间中的信息，丰富了特征表达。且使用的是轻量级的图卷积神经网络，取消了图的自连接以及特征变换的权重矩阵，在保证高效推荐的同时加快了模型的训练速度。在任务发布序列的多视角关系学习中，首先对任务的多视角属性进行融合，综合考量了可能对任务发布时间产生影响的因素。接着利用Transformer的多头注意力机制来计算序列中其他任务对当前任务的重要程度，从而得以进一步挖掘序列中的上下文信息。最后用一个全连接层预测任务发布的时间段能在一定程度上解决数据的稀疏性问题，提高预测的准确率。提高预测的准确率。提高预测的准确率。

【技术实现步骤摘要】
一种推荐任务发布时间的空间众包方法


[0001]本专利技术涉及信息
，尤其涉及一种推荐任务发布时间的空间众包方法。

技术介绍

[0002]近年来，随着配备GPS的智能设备和无线移动网络(如5G网络)的发展和广泛使用，人们可以作为传感器移动，并参与一些基于位置的任务，如监测交通状况和报告当地热点。空间众包(SC)是最近提出的一个概念和框架，已在许多应用中得到广泛应用。在SC中，平台收集空间任务，并要求工作人员实际移动到特定位置以完成分配的任务。目前SC不同应用场景中的任务分配技术已经得到了广泛的研究，这些技术通常基于任务发布时间由任务请求者指定的假设。然而，在实践中，不合适的任务发布时间会导致任务请求者在SC平台上等待很长时间，或者导致任务分配/完成失败。SC中的推荐问题，主要是为工人推荐合适的任务或者是为工人推荐合适的完成任务的路线，基本没有涉及任务发布时间的推荐。传统的任务推荐方法大多使用静态特征(如自定义的工人对任务的打分、工人技能和任务类别)来捕获工人偏好。比较典型的方法是基于某个或某几个静态特征，利用矩阵分解(MF)或者是协同过滤(CF)来学习工人对于任务的偏好，从而实现任务推荐。由于CF在数据集上的可扩展性较差，因此又引入了概率矩阵分解(PMF)来代替CF，PMF可以随数据量线性扩展，在大型、稀疏和不平衡数据集上表现良好。然而，在相同条件下，工人会优先去完成自己喜欢的任务，因此工人执行任务的先后顺序也会一定程度上体现工人的偏好，这些方法都忽略了工人移动轨迹的顺序模式。此外，工人对任务执行时间的偏好也是对工人进行建模时的一个重要因素，现有的方法基本上也没有涉及这一因素。对于路线推荐方法，主要是动态场景中的路线推荐(任务和工人动态变化)，其中每个任务都有对应的起点和终点，工人在执行任务时必须从任务的起点出发再到任务的终点。以上的所有方法都是从工人的角度出发，在考虑任务请求者的推荐方面有所欠缺。

技术实现思路

[0003]本专利技术的目的是要提供一种推荐任务发布时间的空间众包方法。
[0004]为达到上述目的，本专利技术是按照以下技术方案实施的：
[0005]本专利技术包括任务相关表达学习、多视角关系学习、任务发布时间预测，所述任务相关表达学习部分消除图的自连接以及特征变换权重矩阵，在保证高效推荐的同时加快模型的训练速度；所述多视角关系学习部分针对任务发布序列进行，先对序列中每个任务的多视角属性进行融合，接着使用Transformer的多头注意力机制，进一步挖掘序列中蕴含的上下文信息，所述任务发布时间预测部分利用全连接层预测任务发布时间得到每个任务的推荐发布时间，然后分别利用贪心算法和基于最小费用最大流算法进行动态的任务分配，最后利用最小费用最大流算法计算出网络流图中的最大流量，此最大流量就对应当前时刻的最大的任务完成数。
[0006]本专利技术能有效解决SC中任务请求者等待时间过长的问题。本专利技术首先构建交叉图
神经网络对任务请求者，任务，任务发布时间的特征进行提取；然后对任务发布序列中的每个任务进行多属性融合(任务，任务发布时间，任务在序列中的位置)得到新的实体并代替原来的任务；接着利用Transformer的多头自注意力机制挖掘任务请求者的历史发布任务序列中的上下文信息；最后将任务发布序列和任务请求者的特征数据进行连接，输入全连接层(FC)预测最终的任务发布时间。本专利技术能显著提高任务分配过程中的任务完成率，同时减少任务请求者的平均等待时间。
[0007]本专利技术的有益效果是：
[0008]本专利技术是一种推荐任务发布时间的空间众包方法，与现有技术相比，本专利技术利用交叉图神经网络提取任务请求者，任务以及任务发布时间的特征，使得其特征包含不同语义空间中的信息，丰富了特征表达。且使用的是轻量级的图卷积神经网络(Light GCN)，取消了图的自连接以及特征变换的权重矩阵，在保证高效推荐的同时加快了模型的训练速度。在任务发布序列的多视角关系学习中，首先对任务的多视角属性进行融合，综合考量了可能对任务发布时间产生影响的因素。接着利用Transformer的多头注意力机制来计算序列中其他任务对当前任务的重要程度，从而得以进一步挖掘序列中的上下文信息。最后用一个全连接层预测任务发布的时间段而不是任务发布时刻，能在一定程度上解决数据的稀疏性问题，提高预测的准确率。
附图说明
[0009]图1是本专利技术的总体架构图；
[0010]图2为本专利技术最小费用最大流网络流图示例。
具体实施方式
[0011]下面结合附图以及具体实施例对本专利技术作进一步描述，在此专利技术的示意性实施例以及说明用来解释本专利技术，但并不作为对本专利技术的限定。
[0012]如图1所示：本专利技术包含三个子部分：任务相关表达学习，多视角关系学习，任务发布时间预测。整个模型的输入数据是任务请求者和任务，任务请求者和任务发布时间的交互数据，任务请求者q在一个时间段t内发布了任务s，那么就意味着任务请求者q和任务s,任务发布时间t产生了交互。网络输出就是推荐的任务发布时间段。
[0013]本专利技术中的任务相关表达学习部分，利用了交叉图神经网络。该图神经网络不是一般的图卷积神经网络(GCN)而是轻量级的图卷积神经网络(Light GCN)，其消除了图的自连接以及特征变换权重矩阵，在保证高效推荐的同时加快了模型的训练速度。首先基于任务请求者和任务，任务请求者和任务发布时间的交互数据，分别构建了两个图卷积神经网络来提取任务请求者，任务，任务发布时间的特征。任务请求者和任务的图卷积神经网络各层的传播过程，如下所示：
[0014][0015][0016]其中Q表示任务请求者的特征向量，S表示任务的特征向量，Q
(i)
和S
(i)
分别表示第i层的任务请求者和任务的特征向量，l1表示神经网络的层数，A
qs
表示任务请求者和任务的交互矩阵的邻接矩阵，是A
qs
的度矩阵，Q
qs
和S
qs
表示网络最终输出的任务请求者和任务的特征矩阵。图神经网络最后一层的输出结果为各层特征矩阵的平均值,任务请求者和任务发布时间对应的图卷积神经网络各层的传播过程类似，最终得到任务请求者的特征矩阵Q
qt
和任务发布时间的特征矩阵T
qt
。
[0017]经过如上操作后，可以得到两个任务请求者的特征矩阵。为了控制信息在两个不同的语义空间中(任务请求者和任务，任务请求者和任务发布时间)的流动，引入门机制融合任务请求者两个不同语义空间中的特征矩阵，其表达方式如下：
[0018]Q
*
＝gate*Q
qt
+(1
‑
gate)*Q
qs
[0019]gate＝σ(W
g
(Concat(Q
qs
,Q
qt
))+b
g
)
[0020]σ表示sigmoid激活函数，W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐任务发布时间的空间众包方法，其特征在于，包括任务相关表达学习、多视角关系学习、任务发布时间预测，所述任务相关表达学习部分消除图的自连接以及特征变换权重矩阵，在保证高效推荐的同时加快模型的训练速度；所述多视角关系学习部分针对任务发布序列进行，先对序列中每个任务的多视角属性进行融合，接着使用Transformer的多头注意力机制，进一步挖掘序列中蕴含的上下文信息，所述任务发布时间预测部分利用全连接层预测任务发布时间得到每个任务的推荐发布时间，然后分别利用贪心算法和基于最小费用最大流算法进行动态的任务分配，最后利用最小费用最大流算法计算出网络流图中的最大流量，此最大流量就对应当前时刻的最大的任务完成数。2.根据权利要求1所述的推荐任务发布时间的空间众包方法，其特征在于：所述任务相关表达学习部分首先基于任务请求者和任务，任务请求者和任务发布时间的交互数据，分别构建两个图卷积神经网络提取任务请求者、任务、任务发布时间的特征，任务请求者和任务的图卷积神经网络各层的传播过程如下式：务的图卷积神经网络各层的传播过程如下式：其中Q表示任务请求者的特征向量，S表示任务的特征向量，Q
(i)
和S
(i)
分别表示第i层的任务请求者和任务的特征向量，l1表示神经网络的层数，A
qs
表示任务请求者和任务的交互矩阵的邻接矩阵，是A
qs
的度矩阵，Q
qs
和S
qs
表示网络最终输出的任务请求者和任务的特征矩阵；图神经网络最后一层的输出结果为各层特征矩阵的平均值,任务请求者和任务发布时间对应的图卷积神经网络各层的传播过程类似，最终得到任务请求者的特征矩阵Q
qt
和任务发布时间的特征矩阵T
qt
。经过如上操作后，得到两个任务请求者的特征矩阵。3.根据权利要求1所述的推荐任务发布时间的空间众包方法，其特征在于：所述多视角关系学习部分针对任务发布序列进行，先对序列中每个任务的多视角属性进行融合，如下式：e
i
＝s
i
+t
i
+pos
i
其中s
i
表示任务的特征矩阵，t
i
表示任务发布时间的特征矩阵，pos
i
表示任务在序列的位置编码矩阵，e
i
表示最终...

【专利技术属性】
技术研发人员：郑凯，赵艳，苏涵，陈轩磊，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：