动态选取工作者模型的长时众包质量控制策略

作     者：高丽萍 金涛 GAO Li-ping;JIN Tao

作者机构：上海理工大学光电信息与计算机工程学院上海200093 复旦大学上海数据科学重点实验室上海200093 

基　　金：国家自然科学基金项目(61202376,61572325)资助 上海市自然科学基金项目(17ZR1429100)资助 上海市数据科学重点实验室重点开放课题项目(201609060003)资助 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2020年第41卷第10期

页      码：2017-2023页

摘      要：质量控制是众包环境下一个极其关键的设计目标.传统策略的研究主要集中在如何通过对结果的质量评估、工作者的组织管理和众包任务的优化分配,达到质量控制的目的.但这些策略仍受到欺骗类型的工作者的影响,存在无法排除所有欺骗类型的工作者的问题,会导致结果的质量参差不齐.为了选取高质量的工作者,提高众包结果的质量,本文提出了一种基于动态选取工作者的质量控制模型(WST).将长时间的众包活动分为多个轮次,每个轮次分为两个阶段:离线阶段和在线阶段.离线阶段将已完成的任务使用聚类方法分为不同的同质簇,并计算每个簇与工作者的属性的关联度;在线阶段将发布的任务与已经存在的每个簇进行匹配,利用基于学习的模型为每个任务选取目前在线的最合适的工作者.实验研究了不同因素对准确率的影响,实验结果表明,与现有方法相比,WST模型能够取得更高的准确率,进一步验证了算法的有效性.

主 题 词：众包 质量控制 工作者选取 聚类和学习 

学科分类：08[工学] 081202[081202] 0812[工学-测绘类] 

馆 藏 号：203986089...