[论文解读] 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 5

一句话总结

本文提出了一种基于社交网络的移动众包感知（MCS）工人招募框架，利用社交网络中的影响传播机制，在冷启动场景下招募工人。通过选择初始种子用户来传播MCS任务，该方法在预算和种子用户数量的约束下，最大化时空覆盖范围。两种算法——Basic-Selector 和 Fast-Selector——在真实世界数据集上实现了高覆盖度与高效率。

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.

研究动机与目标

• 解决在缺乏大规模用户池的冷启动阶段，MCS中工人招募率低的问题。
• 利用社交网络中的影响传播机制，将MCS任务的传播范围扩展至初始用户之外。
• 在初始种子用户数量和总招募工人数量受限的条件下，最大化MCS任务的时空覆盖范围。
• 设计高效的种子选择算法，平衡覆盖度与计算成本。
• 在真实世界社交网络数据集上评估该方法，以验证其有效性和可扩展性。

提出的方法

• 基于影响潜力和地理分布，在社交网络中选择初始种子用户以启动任务传播。
• 在Basic-Selector中采用贪心迭代过程，预测工人移动性，并选择种子用户以最大化预期覆盖度。
• 提出Fast-Selector作为高效替代方案，其基于用户度数和朋友间空间相关性的启发式效用函数。
• 将影响传播建模为级联过程，其中被影响的用户接受并将其转发给朋友。
• 对所有招募的工人施加固定且相等的激励奖励，总招募人数受预算限制。
• 使用真实社交网络数据（Brightkite 和 Gowalla）并结合合成工人生成方法，模拟招募动态。

实验结果

研究问题

• RQ1 在冷启动场景下，社交网络中的影响传播能否有效招募MCS工人？
• RQ2 在种子用户和工人数量有限的条件下，如何选择最优的初始种子用户集合以最大化MCS任务覆盖度？
• RQ3 在种子选择算法中，覆盖度性能与计算效率之间存在何种权衡？
• RQ4 种子用户的地理分布如何影响MCS任务的最终覆盖度？
• RQ5 基于启发式的种子选择能否在显著降低计算时间的同时实现接近最优的覆盖度？

主要发现

• 在真实世界数据集的多种设置下，Fast-Selector实现的时空覆盖度高于基线方法。
• Fast-Selector在效率方面显著优于Basic-Selector，仅以轻微牺牲覆盖度性能为代价。
• 所提方法在传统方法因缺乏用户池而失效的冷启动MCS场景中，能有效招募工人。
• 在Brightkite和Gowalla数据集上的实证评估证实了Fast-Selector在不同约束条件下的可扩展性和鲁棒性。
• Fast-Selector中的启发式效用函数结合了社交影响力与空间邻近性，实现了高效且有效的种子选择。
• 本研究指出了合成数据生成的局限性，并呼吁通过与城市规模社交论坛合作，开展真实世界验证。