-
公开(公告)号：CN118379091A
公开(公告)日：2024-07-23
申请号：CN202410500963.1
申请日：2024-04-24
Applicant: 哈尔滨理工大学
IPC: G06Q30/0208 , G06Q10/0639 , G06F18/23213 , G06F18/2337
Abstract: 移动群智感知是一种以人为中心的数据获取方式，激励用户参与是其重要研究内容。现有工作主要通过外部激励来提高参与者的积极性，但缺少从内部激励层面对以人作为感知主体的个体行为本质进行挖掘和分析的有效手段。针对这个问题，本发明提出一种融合用户人格结构的三支激励方法，旨在深入分析用户的人格结构，基于个体行为本质采取个性化激励方式，以减少平台支出并提高任务完成率。首先，利用熵权法分析用户属性指标，得到用户的人格属性值；然后，基于动态参考点选择的优劣解距离法，根据人格隶属度，对用户进行划分，形成本我、自我和超我三个用户群体；最后，根据三种人格的本质特征和三支决策思维，采取融合人格结构的三支激励方法。
-
公开(公告)号：CN115002159B
公开(公告)日：2023-10-03
申请号：CN202210630549.3
申请日：2022-06-06
Applicant: 哈尔滨理工大学
IPC: H04L67/12 , H04L67/52 , H04W4/21 , G06F16/906 , G06Q50/00
Abstract: 在稀疏移动群智感知中，一个关键问题是用户招募，即组织者希望在预算限制下招募数量有限的用户，通过这些用户在子区域采集的数据进行数据推理得到完整的感知地图。然而，由于用户移动性的可变，无法准确预测哪些子区域将被用户覆盖并更具价值。针对这个问题，本发明提出了一种面向稀疏群智感知系统的社区分类和用户选择方法。首先，考虑结合用户的社交关系直接招募高质量的用户，采用类深度自动编码器非负矩阵分解方法进行社区检测，将感知用户分类；然后，基于感知任务的位置属性与社区中心进行匹配，决定招募的社区，再从社区中根据感知成本的限制招募用户；最后基于得到的感知数据进行感知地图重构。
-
公开(公告)号：CN115563577A
公开(公告)日：2023-01-03
申请号：CN202211196935.2
申请日：2022-09-29
Applicant: 哈尔滨理工大学
IPC: G06F18/25 , G06F18/241 , G06N3/0442 , G06N3/048 , G06Q50/00
Abstract: 移动群智感知行为决策过程中，采用单一类型的历史行为来预测用户的单一偏好标签，模型的泛化能力弱，推荐效率不高，基于此本发明提出了一种融合多视图用户行为预测的移动群智感知任务推荐方法。特别地，该方法从多时间行为序列出发，采用注意力机制，根据不同用户社交影响力的强弱，为不同的用户个体行为设定不同的权重，计算群用户行为在不同时间粒度下的聚合表示。再将单个用户多尺度行为序列特征与社交网络中群用户多尺度行为序列特征融合，提取单用户多视图嵌入行为序列特征。最后通过多标签预测，获取用户对多种任务类型的偏好概率。本发明提出的方法有效地提高任务推荐的准确率和降低感知成本的同时，可以有效应对冷启动问题。
-
公开(公告)号：CN117273544A
公开(公告)日：2023-12-22
申请号：CN202311356628.0
申请日：2023-10-19
Applicant: 哈尔滨理工大学
IPC: G06Q10/0639 , G06Q10/0631 , G06F18/23 , G06F16/9536 , G06Q50/00
Abstract: 社会参与式群智感知作为新兴的研究领域，如何在稀疏用户背景下招募值得信赖和活跃度强的高价值用户具有极大挑战，而用户的社会自组织性和中心效应提供了新的研究思路。针对这个问题，本发明提出了一种群智感知稀疏用户角色提取与可信参与式分析方法。首先基于用户的重叠社交关系分解挖掘用户的多重身份信息，筛选出高质量的感知用户；其次，基于角色导向的网络表示学习建模用户的角色信息并建立角色层次模型，评估用户的社交功能和角色价值；最后，本发明首次提出时序社交中心性概念，用于综合用户社会和网络结构特征评估用户的整体价值，有效保证在稀疏用户池下的任务分配效率及任务覆盖率。
-
公开(公告)号：CN115510482A
公开(公告)日：2022-12-23
申请号：CN202211176894.0
申请日：2022-09-26
Applicant: 哈尔滨理工大学
Abstract: 在群智感知中，现有的关于隐私保护的研究主要是将数据上传到感知平台，通过服务器来进行模型训练。这将会延长通信时间，还会造成个人信息泄露。针对以上的不足，本发明采用联邦学习方法，它不需要共享感知数据，在本地对感知用户提交的数据进行存储、训练形成本地模型。其次利用差分隐私加入高斯噪声来扰动感知用户上传的本地模型，防止信息泄露。将处理后的本地模型上传到感知平台进行聚合。最后采用自适应差分隐私机制，实时调整剪裁值，减少噪声和参数剪裁所造成的误差，降低通信代价。采用差分隐私与联邦学习结合的方法来研究群智感知中的隐私保护问题，不仅提高了隐私保护效率，还具有较低的时间和计算开销。
-
Patent Agency Ranking
公开(公告)号：CN114971047A
公开(公告)日：2022-08-30
申请号：CN202210626610.7
申请日：2022-06-04
Applicant: 哈尔滨理工大学
Abstract: 现有移动群智感知中如何在保证感知质量、降低成本的前提下，快速地将感知任务分配给最优执行用户的任务分配问题是研究的重点。为了解决这一问题，本文提出了一种基于麻雀搜索算法的选择感知用户的CSSA优化方法。该方法首先对感知用户进行建模，提出用户适应度的概念，将用户的基础信息依次归为位置、电量、设备和信誉四个方面，依次计算适应度。其次，依据这些适应度值综合考虑感知用户的优先级，依据用户优先级对用户进行分类，采用智能优化算法模拟用户完成任务的过程，最后选出适合感知任务的最优用户。通过本文提出的算法与其他优化算法在相同环境下的对比实验，结果表明在求解任务分配问题时具有更高的性能。
-
公开(公告)号：CN119691444A
公开(公告)日：2025-03-25
申请号：CN202411604489.3
申请日：2024-11-12
Applicant: 哈尔滨理工大学
IPC: G06F18/214 , G06F18/24 , G06N3/0475 , G06N3/094
Abstract: 在移动群智感知平台，请求者发布任务分配给参与者执行，任务包括真实任务和虚假任务。其中高容量虚假任务由深度学习手段模仿真实任务生成，因此很难被检测。对此本发明提出了一种基于对抗性训练的群智感知高容量虚假任务检测方法，旨在采用高容量虚假任务训练一个有针对性的检测模型，以提高群智感知针对高容量虚假任务的识别能力。首先，采用“距离因子”和转置操作优化多头自注意力机制，优化后的注意力机制称为特征距离注意力机制；然后，构建检测器，检测模型由特征距离注意力机制和多头自注意力机制，以及卷积等模块组成；最后，采用合法任务和生成的高容量虚假任务训练检测模型，得到的检测器可以针对高容量虚假任务进行检测。
-
公开(公告)号：CN116841741A
公开(公告)日：2023-10-03
申请号：CN202310800310.0
申请日：2023-06-30
Applicant: 哈尔滨理工大学
Abstract: 任务推荐是目前移动群智感知研究的热点和难点，现有的任务分配方法存在无法应对动态环境下感知任务和感知用户的变化，以及没有考虑用户的持续感知时间等问题。针对以上的不足，本发明通过引入“自省”、“自配置”和“自调节”概念，将其应用于构建MCS知识图谱的完整周期。“自省”对系统内外部环境变化产生实时响应。“自配置”筛选出高质量感知用户，并将MCS知识图谱进行路径过滤，保证感知用户的可靠性。“自调节”根据过滤后的路径，计算节点的邻居权重矩阵以更新节点嵌入，挖掘节点之间的潜在联系。本发明提出的方法通过节点关系自演化推理，生成了与感知用户偏好更匹配的任务推荐，提高了感知用户参与任务的积极性，保障了感知数据质量。
-
公开(公告)号：CN115002159A
公开(公告)日：2022-09-02
申请号：CN202210630549.3
申请日：2022-06-06
Applicant: 哈尔滨理工大学
IPC: H04L67/12 , H04L67/52 , H04W4/21 , G06F16/906 , G06Q50/00
Abstract: 在稀疏移动群智感知中，一个关键问题是用户招募，即组织者希望在预算限制下招募数量有限的用户，通过这些用户在子区域采集的数据进行数据推理得到完整的感知地图。然而，由于用户移动性的可变，无法准确预测哪些子区域将被用户覆盖并更具价值。针对这个问题，本发明提出了一种面向稀疏群智感知系统的社区分类和用户选择方法。首先，考虑结合用户的社交关系直接招募高质量的用户，采用类深度自动编码器非负矩阵分解方法进行社区检测，将感知用户分类；然后，基于感知任务的位置属性与社区中心进行匹配，决定招募的社区，再从社区中根据感知成本的限制招募用户；最后基于得到的感知数据进行感知地图重构。
-
公开(公告)号：CN114943340A
公开(公告)日：2022-08-26
申请号：CN202210623494.3
申请日：2022-06-03
Applicant: 哈尔滨理工大学
IPC: G06N5/04 , G06N3/04 , G06N3/08 , G06Q50/00 , G06F16/9536 , G06F16/9537 , G06F16/958
Abstract: 在群智感知系统中，任务被推荐给具有相应传感器的感知用户完成。针对群智感知背景下推荐准确率不高，激励成本高的问题，本发明基于社交网络提出了一种新颖的任务推荐框架MV‑SNTR，旨在通过多视图构建社交网络保证任务推荐准确率，进而提高数据质量。首先，通过位置匹配视图，时间序列视图和偏好视图共同构建社交网络；其次，经过提取任务名称特征，任务主体特征，任务类别特征来学习感知用户偏好及候选任务表示。最后，利用关键节点划分社交子网络，关键节点的偏好表示和候选任务表示做内积得到社交子网络选择任务的概率，进而完成任务推荐。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.098 seconds)
