摘要
随着移动设备和无线网络的全面普及和覆盖，空间众包(SpatialCrowdsourcing,SC)概念应运而生。空间众包系统由众包工人、众包任务、任务发布者、空间众包平台组成。在空间众包系统中，携带便携设备的工人需要移动前往用户指定的任务位置执行任务。 任务分配是空间众包领域的一个关键问题。任务分配要求空间众包平台在工人和任务的时空约束下为工人分配/推荐合适的任务。在不同的场景下，工人对不同的任务的偏好不同。为了学习工人对任务的各类偏好，本文研究基于推荐的空间众包任务分配技术，取得了如下研究成果： 1）本文将兴趣点推荐与任务分配相结合，研究基于推荐的空间众包任务分配技术，形式化定义了基于工人时空偏好的任务分配问题和基于工人序列偏好的任务分配问题，并分别提出了对应的技术框架。 2）针对基于时空偏好的任务分配问题，本文提出了一个数据驱动的基于工人时空偏好的任务分配技术框架，该框架分为时空偏好学习阶段和任务分配阶段。在时空偏好学习阶段，本文采用基于关系翻译的推荐模型来预测工人的时空偏好分数，对工人的时间、空间动态偏好进行联合建模。在任务分配阶段，考虑工人的时空偏好分数，本文设计了基于贪心和基于Kuhn-Munkras(KM)的任务分配算法实现最优分配。 3）在基于工人序列偏好的任务分配问题中，为了学习工人的序列偏好，本文采用图卷积神经网络模型和循环神经网络模型进行联合学习。在任务分配部分，本文将基于序列偏好的任务分配问题转化为最小费用最大流问题，并设计了两种任务分配算法。 4）本文通过真实的签到数据集进行了广泛的实验，实验结果验证了本文所提两个技术框架的有效性，能较好地解决本文提出的两个新问题。
NETL