[论文解读] A Socially-Aware Incentive Mechanism for Mobile Crowdsensing Service Market

Jiangtian Nie, Zehui Xiong+3 more|arXiv (Cornell University)|Nov 3, 2017

Mobile Crowdsensing and Crowdsourcing参考文献 18被引用 5

一句话总结

本文提出了一种面向移动众包感知的社会化感知激励机制，利用本地社交网络效应以提升用户参与度和服务提供商收入。通过采用两阶段博弈论模型并结合逆向归纳法，推导出在完全信息下的最优差别化与统一奖励，以及在不完全信息下的近似解，结果表明社交效应显著提升了参与度与CSP收入，其中差别化定价能实现更高的剩余提取。

ABSTRACT

Mobile Crowdsensing has shown a great potential to address large-scale problems by allocating sensing tasks to pervasive Mobile Users (MUs). The MUs will participate in a Crowdsensing platform if they can receive satisfactory reward. In this paper, in order to effectively and efficiently recruit sufficient MUs, i.e., participants, we investigate an optimal reward mechanism of the monopoly Crowdsensing Service Provider (CSP). We model the rewarding and participating as a two-stage game, and analyze the MUs' participation level and the CSP's optimal reward mechanism using backward induction. At the same time, the reward is designed taking the underlying social network effects amid the mobile social network into account, for motivating the participants. Namely, one MU will obtain additional benefits from information contributed or shared by local neighbours in social networks. We derive the analytical expressions for the discriminatory reward as well as uniform reward with complete information, and approximations of reward incentive with incomplete information. Performance evaluation reveals that the network effects tremendously stimulate higher mobile participation level and greater revenue of the CSP. In addition, the discriminatory reward enables the CSP to extract greater surplus from this Crowdsensing service market.

研究动机与目标

• 为解决移动众包感知中因激励不足导致的用户参与度低下的问题。
• 将众包服务提供商（CSP）与移动用户（MUs）之间的互动建模为一种结合社交网络效应的两阶段博弈。
• 在完全信息与不完全信息场景下，设计最优奖励机制——差别化与统一奖励。
• 量化本地（社交）网络效应对接收参与度与CSP收入的影响。
• 证明社交网络效应可同时提升用户参与度与CSP盈利能力。

提出的方法

• 将CSP-MU互动建模为两阶段Stackelberg博弈，CSP首先设定奖励，MUs据此选择参与水平。
• 使用加权邻接矩阵G建模社交网络效应，其中每个MU的效用受其社交关联邻居参与度的影响。
• 应用逆向归纳法求解博弈，推导出均衡参与水平与最优奖励策略。
• 在完全信息下推导出最优差别化与统一奖励的闭式表达式。
• 当CSP对社交网络结构信息不完全时，开发最优奖励的近似方法。
• 采用参数化模型表示邻接矩阵G，以模拟真实的社交影响模式，其中邻居的影响具有基于网络中位置的非对称性。

实验结果

研究问题

• RQ1 本地社交网络效应如何影响移动用户在众包感知平台中的参与度？
• RQ2 在完全信息下，垄断CSP的最优奖励机制（差别化 vs. 统一）是什么？
• RQ3 当CSP对社交网络结构信息不完全时，如何设计有效的激励机制？
• RQ4 社交网络效应在多大程度上提升了参与度与CSP的收入？
• RQ5 在社交网络效应下，CSP采用差别化定价与统一定价时，其收入如何变化？

主要发现

• 社交网络效应显著提升了移动用户参与度，用户因社交关联邻居的贡献而受到激励。
• 由于参与度提升而奖励成本未成比例增加，CSP收入随社交网络效应增强而显著提高。
• 差别化奖励机制可通过仅向高影响力用户发放更高奖励，实现更大的剩余提取，从而降低总体成本。
• 在完全信息下，最优差别化奖励通过精准定位最具社交影响力的用户，相比统一奖励能实现更高的收入增长。
• 在信息不完全时，所推导的最优奖励近似方法仍表现优异，维持了高参与度与高收入。
• 在示例网络中，第27个MU因对称社交影响力而具有最高参与度，而第1个与第51个MU最具影响力，因此在差别化定价下应获得更高奖励。