摘要
空间众包（SpatialCrowdsourcing,SC）在当今网络世界中无处不在。随着越来越多的网络应用与线下活动相结合，人们逐渐从传统的众包应用程序（例如维基百科）转至空间众包应用程序（例如优步）。 尽管现实中已经存在大量的空间众包平台应用，但是随着时代的变化，人们对个人数据隐私愈发看重。因此，今后的空间众包平台不仅有责任提供更有效的任务分配服务，还需要提供隐私方面的保护。由于当前数据存储分散且传输数据具有一定风险，所以传统的偏好学习框架无法很好地应用。同时，现有的隐私保护方案缺少对全局偏好信息的学习。 为了解决这些经常相互冲突的目标，本文提出了一个基于联邦偏好学习的任务分配框架，即在考虑工人偏好下进行任务分配工作，同时使得每个平台中心（例如每个空间众包公司的配送中心）中的数据保持分散且私有。该框架包括两个阶段，即联邦偏好学习阶段和任务分配阶段。具体来说，在第一阶段，本文为每个平台中心设计了一个基于历史数据的多粒度本地偏好模型。同时，本文提供了横向联邦学习的方法，使得这些本文偏好模型能在中央服务器的协调下能够进行合作训练。具体来说，为了加速联邦偏好模型训练，本文提供了一种实用的方法，即基于随机控制平均和动态惩罚项，在考虑各平台中心之间数据异质性的情况下实现了低通信成本。在任务分配阶段，本文旨在考虑工人偏好的情况下，能够实现有效和高效的任务分配。具体来说，本文将任务分配问题转化为二部图匹配问题，并且基于KM（Kuhn-Munkras）算法对其进行求解。而在求解过程中，由于原始算法及过往改进算法的时间成本较高，本文提出了基于KM的双边top-??相交的算法对二部图进行大幅度地剪枝以提高算法的运行效率。同时，为了减小任务分配数量上的损失，本文引入了任务再分配的模块。最终，本文在一个真实的签到数据集上进行了广泛的实验，而实验结果也证明了本文所提出的两阶段框架与改进算法的可行性与有效性。
NETL