[論文レビュー] Social-Network-Assisted Worker Recruitment in Mobile Crowd Sensing

Jiangtao Wang, Feng Wang+4 more|arXiv (Cornell University)|May 22, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 20被引用数 5

ひとこと要約

本稿は、冷間スタート時の状況において、ソーシャルネットワーク上の影響力伝播を活用して作業者を効果的に募集する、モバイルクラウドセンシング（MCS）のためのソーシャルネットワーク支援型作業者募集フレームワークを提案する。初期のシードユーザーを選定してMCSタスクを広めるアプローチにより、予算およびシード数の制約のもとで、時間的・空間的カバレッジを最大化する。実世界のデータセット上で高いカバレッジと効率性を達成する2つのアルゴリズム—Basic-SelectorとFast-Selector—を提案する。

ABSTRACT

Worker recruitment is a crucial research problem in Mobile Crowd Sensing (MCS). While previous studies rely on a specified platform with a pre-assumed large user pool, this paper leverages the influenced propagation on the social network to assist the MCS worker recruitment. We first select a subset of users on the social network as initial seeds and push MCS tasks to them. Then, influenced users who accept tasks are recruited as workers, and the ultimate goal is to maximize the coverage. Specifically, to select a near-optimal set of seeds, we propose two algorithms, named Basic-Selector and Fast-Selector, respectively. Basic-Selector adopts an iterative greedy process based on the predicted mobility, which has good performance but suffers from inefficiency concerns. To accelerate the selection, Fast-Selector is proposed, which is based on the interdependency of geographical positions among friends. Empirical studies on two real-world datasets verify that Fast-Selector achieves higher coverage than baseline methods under various settings, meanwhile, it is much more efficient than Basic-Selector while only sacrificing a slight fraction of the coverage.

研究の動機と目的

• 大規模なユーザープールが存在しない冷間スタート段階におけるMCSにおける作業者募集の低さという課題に対処すること。
• ソーシャルネットワーク上の影響力伝播を活用して、初期ユーザーを越えてMCSタスクの到達範囲を拡大すること。
• 初期シード数および総募集作業者数の制約のもとで、MCSタスクの時間的・空間的カバレッジを最大化すること。
• カバレッジと計算コストのバランスをとった効率的なシード選定アルゴリズムの設計。
• 実世界のソーシャルネットワークデータセットを用いて、有効性およびスケーラビリティを検証する。

提案手法

• 影響力の潜在性と地理的分布に基づいて、ソーシャルネットワーク上の初期シードユーザーを選定し、タスク伝播を開始する。
• Basic-Selectorでは、作業者の移動予測を考慮したグリーディな反復プロセスを用い、期待されるカバレッジを最大化するようにシードを選定する。
• Fast-Selectorを提示し、ユーザーの次数と友人同士の空間的依存性に基づくヒューリスティックな利得関数を用いる、効率的な代替手法を提供する。
• 影響力伝播を、影響を受けたユーザーがMCSタスクを友人に受け継ぎ、再送信するキャスケードプロセスとしてモデル化する。
• 全 recruited 作業者に等価のインcentive報酬を適用し、総募集数を予算制約で制限する。
• BrightkiteおよびGowallaの実世界のソーシャルネットワークデータを用い、合成された作業者生成を組み合わせて、募集ダイナミクスをシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルネットワーク上の影響力伝播は、冷間スタート状況下でのMCS作業者募集に有効に機能するか？
• RQ2 制限されたシード数および作業者数のもとで、MCSタスクのカバレッジを最大化する最適な初期シードユーザーの集合をどのように選定できるか？
• RQ3 シード選定アルゴリズムにおいて、カバレッジ性能と計算効率の間にはどのようなトレードオフがあるか？
• RQ4 シードの地理的分布は、MCSタスクの最終的カバレッジにどのように影響するか？
• RQ5 ヒューリスティックに基づくシード選定は、著しく短縮された計算時間で近似的に最適なカバレッジを達成できるか？

主な発見

• Fast-Selectorは、実世界のデータセット上でのさまざまな設定において、ベースライン手法よりも高い時間的・空間的カバレッジを達成する。
• Fast-Selectorは、Basic-Selectorに比べて著しく効率的であり、カバレッジ性能のわずかな犠牲で実現されている。
• 本手法は、従来の方法がユーザープールの不足により失敗する冷間スタートMCS状況においても、作業者を効果的に募集できる。
• BrightkiteおよびGowallaデータセットを用いた実証的評価により、Fast-Selectorのスケーラビリティおよびロバスト性が、さまざまな制約下でも確認された。
• Fast-Selectorにおけるヒューリスティック利得関数は、社会的影響力と空間的近接性を組み合わせており、効率的かつ効果的なシード選定を可能にしている。
• 本研究では、合成データ生成の限界を特定し、都市規模のソーシャルフォーラムと協働することで実世界での検証を求める。