《计算机工程》2019年(第45卷)总目次

在物联网、移动互联网的快速发展和大数据的深层驱动下,群体智能进入2.0时代。通过介绍群体智能2.0的定义,分析国内科研团队在群智感知计算、联邦学习及众包等方面的研究成果,明确群体智能2.0的发展趋势,并指出群智感知计算与众包技术将成为群体智能2.0的主要研究方向,数据获取、数据处理及用户隐私保护为需要解决的关键技术难点。     

众包软件测试技术研究进展

众包测试是一种新兴的软件测试方式,得到了学术界和工业界的广泛关注。本文系统地总结了近年来众包软件测试研究的学术文献以及工业界实践进展：首先从学术文献涉及的研究主题演变,涵盖的软件测试问题和众包测试流程,采用的实验对象及测试人员规模等多个角度对相关文献中提出的技术和方法进行了汇总。然后从测试领域、测试对象、工人召集方式、绩效考核方式等方面分析对比了当前应用最广泛的20个众包测试商业平台。最后,探讨了众包软件测试的未来发展趋势,机遇和挑战。     

软件众包开发者的能力价值率模型研究

为了更好地评价众包软件开发者的能力,分析了众包模式下软件众包开发的三个基本要素,即大众开发者、任务发布者、众包平台,提出了一种软件众包开发者能力价值率模型。该模型将软件众包任务从子任务、时间阶段、质量特性三个维度进行细分,首先评价众包原子单元,进而综合评估整个众包软件的质量。模型在评价过程中充分考虑了开发者的价值贡献因素,推演了开发者能力价值率的计算方法。验证实验表明软件众包开发者的综合能力价值率随着任务量的增加,其变化和能力大小关系趋于一致,所设计模型具有更好的稳定性,能够有效地评估软件众包开发者能力。     

移动众包环境下一种多阶段质量感知的在线激励机制

随着移动人群感知成为收集数据的一种新范式,越来越多的移动众包应用应运而生．如何有效地激励工人参与任务并提供高质量的传感数据一直是该领域的关键问题,然而在线场景下的移动众包平台往往缺乏真实数据和未来信息,导致工人提交的数据质量参差不齐．所以本文考虑了在线场景下工人选择问题,提出一种多阶段质量感知的在线激励机制（SQOI）．在预算和任务时限的约束下将整个活动周期分为多个阶段,每个阶段对上线的工人进行筛选采样、评估质量和更新参数,为下一阶段的选择策略提供依据．本文从理论上证明了该机制具有预算可行性、个体合理性、真实性和计算效率,同时,实验验证了该机制在提升数据质量上的有效性．     

移动情景和用户轨迹感知的众包服务推荐

随着移动互联网的快速发展和智能终端设备的迅速普及,服务类型与服务内容的日新月异,为移动用户带来严重的移动信息过载问题,如何为用户提供更好的服务推荐是亟待解决的难题。提出了一个移动情景和用户轨迹感知的众包服务推荐策略,首先对历史日志中的位置坐标通过聚类算法聚合成区域,然后挖掘出用户在不同移动情景下的轨迹模式,进而提取出移动规则并判断每条规则所属的情景;在进行众包服务推荐时,通过实时感知到的位置轨迹和移动情景信息,预测用户即将到达的位置区域,从而将区域内的众包服务推送给该用户。提出的预测方法避免了额外增加用户执行任务的时间、行程、费用等成本,给用户推荐更适合的任务,提高用户服务满意度。     

一种移动众包系统在线激励机制优化算法

为提高移动众包系统的有效性和可靠性,设计了一套完整的在线激励机制优化算法,针对用户到达和参与任务的异步行为,提出一种改进的多阶段反向拍卖算法,通过在线学习自适应确定密度阈值,动态选择最优用户集,并在每次交易后对用户的信誉进行更新,以指导下次任务分配。仿真结果表明,该优化算法满足计算有效性、利益双方正收益性和真实性,能在一定预算和时间约束下获得更好的性能。     

互联网电子商务众包模式在政府中的创新应用研究

众包是一种新的商业模式,在企业组织中已有成功的运用,该文在此基础上将众包的应用范围扩展到政府组织,从可行性和具体模式两方面分析众包在政府组织中的运用,并提出了政府组织建立众包模式的突破点。     

基于众包模式的移动警情系统设计与实现

随着智能手机的普及,人们对信息的要求越来越高,现有的警情通报存在实时获取困难等问题。为解决这些问题,本文提出了一种基于众包模式的移动警情系统,移动端采用Arc GIS Runtime SDK for Android接口进行二次开发。移动端通过无线网络实现与服务器端的数据通信以及移动端之间的警情信息共享,最终达到"人人为警"的目的。     

环境信息监控中基于压缩感知的移动众包成本控制研究

基于压缩感知的移动众包模式是解决环境信息监控中成本问题的有效途径.压缩感知能够通过部分采样点恢复出全部数据,而其恢复质量取决于采样点所包含信息与噪声的数量.本文针对这两方面对压缩感知进行了优化,从而进一步减少环境信息监控所需成本.首先,本文提出了一种基于经验的采样点选择算法EBCS(Experience Based Cell Selection),通过选取包含信息更多的采样点,减少了数据恢复所需要的采样点数量.其次,本文提出了一种改进的k-means算法IK(Improved K-means),对参与者提交的任务数据中可能存在的伪造数据进行检测,避免了众包平台为了抵消伪造数据对恢复算法性能造成的负面影响而不得不对更多的采样点进行采样.经实验证明,本文提出的方法在成本控制上有非常好的表现.     

基于复杂适应性系统的众包翻译平台的模型与仿真

众包系统是一个复杂适应性系统,这一性质是提出新的众包平台研究方法的重要基础.众包是社会计算中一门新兴的研究领域,基于网络是众包的主要特征,互不相识的人们通过互联网进行合作创新和利润分成.不同的众包平台采用了不同的机制设计,良好的机制设计是众包平台稳定发展的基础.基于复杂适应系统,为研究众包平台提供了新的思路.以众包翻译平台为例,使用复杂适应性系统中的"主体"来模拟众包中各个角色,初步构建了众包平台中的主体模型,定义了主体的状态转换以及主体间行为和交互规则,最后,建立了一个简单的仿真框架,通过对多主体合作博弈过程的动态模拟来演示一个众包平台的发展过程,从而验证各种众包机制的合理性,为众包系统的平台设计、机制设计提供可靠和可信的依据,为研究众包平台提供了方便的模拟环境.     

基于移动众包的地磁传感器阵列室内指纹定位技术

针对有源的室内定位技术应用场景局限,布置设备成本高昂的现状,提出了一种无源高效的基于移动众包方式的地磁指纹定位技术。创新地提出了基于传感器阵列的地磁指纹采集与匹配方法,通过移动众包的方式来解决指纹采集更新工作量大、专业性强的技术适用性难题。通过基于核模糊C均值地磁指纹聚类算法训练离线指纹库,在20次重复实验的情况下,地磁指纹定位平均定位误差为1. 87 m,90%的定位误差小于3 m,较地磁线图匹配算法定位精度及性能均有较大的提升。     

一种结合众包的排序学习算法

针对有监督排序学习所需带标记训练数据集不易获得的情况,引入众包这种新型大众网络聚集模式来完成标注工作,为解决排序学习所需大量训练数据集标注工作耗时耗力的难题提供了新的思路。首先介绍了众包标注方法,着重提出两种个人分类器模型来解决众包结果质量控制问题,同时考虑标注者能力和众包任务的难度这两个影响众包质量的因素。再基于得到的训练集使用RankingSVM进行排序学习并在微软OHSUMED数据集上衡量了该方法在NDCG@n评价准则下的性能。实验结果表明该众包标注方法能够达到95%以上的正确率,所得排序模型的性能基本和RankingSVM算法持平,从而验证了众包应用于排序学习的可行性和优越性。     

考虑用户时空行为的众包任务推荐方法

当前的时空众包任务推荐方法大都是针对有奖励约束、全职做众包任务的众包工人,忽略了有兴趣偏好、不受奖励约束完成任务的兴趣型众包工人,如何将众包任务推荐给这些兴趣型工人,是亟待解决的问题。针对此情况,提出考虑兴趣型时空众包工人的时空行为规律和兴趣偏好的推荐方法。引入基尼系数,在数据中筛选出兴趣型时空众包工人的数据,利用地理-社会关系模型的聚类方法对众包任务进行聚类,用高斯分析的马尔可夫模型预测众包工人在下一转移时间点可能到达各个地点的概率,把位于众包工人可能到达地点的任务按概率降序推荐给兴趣型工人。实验结果表明,所提方法有效提高了兴趣型时空众包任务的完成率。     

基于众包数据的OTT业务行为建模分析

针对传统以话音和数据业务为主的业务模型在刻画新型移动互联网业务上的局限性,提出一种OTT业务行为建模方法。基于以众包方式采集的海量真实用户业务行为数据,利用OTT业务行为建模方法对3类典型OTT业务的行为特征进行分析与对比,并对部分业务关键参数的分布特征进行建模。通过分析OTT业务行为的分布特征,可全面揭示出不同移动互联网业务类型之间的行为差异,对于无线网络产品设计、网络规模预测、网络规划和建设具有一定的参考价值。     

众包全景拼接系统下基于图像质量的酬劳分配策略

大量高质量的图像数据是全景地图构建的基本需求.然而,传统的街景图像采集方法大多需要雇佣专业的采集人员和配备专门的采集设备,这是耗时耗力且昂贵的.移动众包这一新型工作模式的发展与广泛运用启发我们借助群体智慧的力量共同采集街景图像.然而,任务中可能面临的资源损耗与参与者的利己主义心理使得他们大多并不乐意无偿地付出劳动.因此,我们考虑采用金钱激励措施来调动参与者的感知积极性并吸引他们加入感知任务.此外,由于参与者的个人能力、专业度等个人因素的差异性导致采集的街景图像质量参差不齐.考虑到大量低质量图像的掺杂会降低全景地图的构建性能,因此,我们将街景图像质量与参与者酬劳相结合,提出基于图像质量的酬劳分配机制,鼓励参与者采集高质量的、对全景构建高贡献度的图像.我们提出了基于权值和基于夏普利值的酬劳分配机制,分别命名为WPM(Weighted-based Pricing Mechanism)和SVPM(Shapley Value-based Pri-cing Mechanism).我们通过提取图像的SIFT(Scale-Invariant Feature Transform)特征值来表征图像内容,并通过量化图像对全景地图构建(即有效SIFT特征)的贡献度来确定图像质量.贡献度越大意味着图像质量越高.具体来说,在WPM中,单张图片质量被定义为该图中所有SIFT特征的价值之和.在SVPM中,图像质量被定义为该图片在不同街景拼接组合下的边际贡献的平均值.最后,平台根据图像质量给参与者分配酬劳.在实验部分,我们将提出的酬劳分配机制与传统分配方法进行性能对比.结果 表明,我们的机制具有鲁棒性,并在公平性方面优于传统方法.     

基于声誉的移动众包系统的在线激励机制

在大数据环境下,对移动众包系统的研究已经成为移动社会网络（MSN）的研究热点。然而由于网络个体的自私性,容易导致移动众包系统的不可信问题,为了激励个体对可信策略的选取,提出一种基于声誉的移动众包系统的激励机制——RMI。首先,结合演化博弈理论和生物学中的Wright-Fisher模型研究移动众包系统的可信演化趋势;在此基础上,分别针对free-riding问题和false-reporting问题建立相应的声誉更新方法,从而形成一套完整的激励机制,激励感知用户和任务请求者对可信策略的选取;最后通过模拟实验对提出的激励机制的有效性和适应性进行了验证。结果显示,与传统的基于社会规范的声誉更新方法相比,RMI有效地提高了移动众包系统的可信性。     

支持O2O的时空众包激励技术研究

在这个流行元素日新月异的时代,消费者的口味越来越难以把控,商家的判别标准将极大决定店铺的业绩水平.文章介绍了时空众包的概念,研究在商城背景下,利用时空众包思想设计一种能持续有效执行的机制来提高O2O模式的资源利用率问题.     

移动应用众包测试质量影响因素分析

针对移动应用众包测试质量影响因素复杂多样致使测试质量难以评估的问题，提出一种基于皮斯尔曼相关系数分析的质量影响因素分析方法。首先，通过对测试平台、任务、人员三方面的分析获取潜在质量影响因素；然后，利用斯皮尔曼相关系数分析法计算潜在因素与测试质量的关联程度并筛选出强关联因素；最后，通过多元逐步回归法建立强关联因素与测试质量间的线性评价关系。实验结果表明，与传统专家人工评价方式相比，所提方法在面向大量测试任务质量评价时，能够保持更小的评价误差波动，可以准确地筛选出移动应用众包测试质量关键影响因素。     

众包模式下课程思政资源建设模型

针对当前课程思政资源建设中存在建设成本高、效率低、数量少、质量不可控等问题,本文设计并实现了一款课程思政资源众包管理系统。系统中的平台组件可以提供资源建设的创作空间,发包和接包组件分别发布课程思政资源建设任务和选择合适的知识条目创作思政资源。该系统可为广大教师提高课程思政资源建设的时间效率提供帮助。