[发明专利]一种融合多模态信息的移动群智感知任务推荐方法

说明书

任务推荐是当前移动群智感知研究的热点和难点，现有任务推荐忽略任务历史数据的多样性，及不同的感知任务之间可能存在某种关联性，本发明提出了一种多模态相似度网络融合方法，通过融合用户历史参与任务在各模态信息下的相似度网络，构建历史任务之间的相似度网络，然后采用谱聚类方法对相似度网络进行剪枝分类，将历史任务进行划分，最后计算新任务与历史任务之间的多模态相似度，进而判断新任务是否适合推荐给用户。本发明提出的方法，通过从多模态角度研究移动群智感知的任务推荐问题，融合多种有效信息，最终使得对感知用户群的剖析更细致，对感知任务的划分更明确，从而进行的任务推荐更加合理，有效避免资源浪费、节约能耗的同时，提高参与者的积极性，减少恶意用户的数量，提高感知质量。

技术领域

本发明属于移动群智感知领域，具体涉及一种融合多模态历史信息发掘历史任务之间以及历史任务与新任务之间潜在关系的任务推荐方法。

背景技术

移动群智感知（Mobile Crowd Sensing，MCS）是近年来涌现出的新型感知技术，有着传统无线传感器网络（Wireless Sensor Network，WSN）无法比拟的优势。它将用户移动设备（智能手机、平板电脑、可穿戴式智能设备等）作为基本感知单元，通过不同拓扑结构的移动网络进行连接构成大规模的感知系统，从而实现感知数据的收集，是群体智慧在移动数据感知领域的体现。MCS系统通常包含服务器平台、任务发布者以及任务执行者三类角色，其中，服务器平台作为系统管理者，用于完成感知任务的分发、感知数据的处理等一系列核心运算；任务发布者和执行者均是感知用户，他们既可以发布感知任务，也能执行感知任务。

由于社会中移动智能设备的用户群数量巨大且分布广泛，MCS模式可以令闲置的移智能设备资源创造价值，它利用感知用户的手持智能设备所携带的GPS、加速度计、麦克风等功能，以及用户自身的移动性，能够完成一些传统传感网络无法完成的感知任务，比如交通拥堵情况感知，由此可见，MCS具备良好灵活性和高效性。其相关领域的研究包括任务发布、任务分配、数据收集以及结果反馈等方面。如今，也都已被许多传感应用广泛使用，如城市环境监测，基础设施监测，公共安全，交通控制和规划，地理空间信息收集和天气状况等应用，因此，对MCS系统相关问题进行研究是非常有必要的。

任务推荐是MCS的一个基本问题，对MCS应用的效率和有效性至关重要。在现有的感知系统中，单个感知任务可能会被多个感知用户同时执行，这在一定程度上会导致感知数据的冗余。此外，不同的感知任务之间可能存在某种关联性，若各个感知任务都需要独立地被感知将会造成资源的极大浪费。因此，如何设计高效的多模态数据融合机制识别并剔除冗余数据，以及如何准确地将新任务与已经完成任务关联以降低感知成本、提高系统性能还有待进一步研究。

目前的移动群智感知任务推荐均忽略了历史数据的多样性，如任务执行过程中需要的传感器类型可以是速度加速器、摄像头、麦克风等等。而且，不同的感知任务之间可能存在某种关联性，需要设计高效的数据融合机制识别并剔除冗余数据，准确地将新任务与已经完成任务关联以降低感知成本、提高系统性能。本发明通过融合用户历史参与任务在各模态信息下的相似度网络，从而构建历史任务之间的相似度网络，通过计算新任务与历史任务之间的多模态相似度，进而判断新任务是否适合推荐给用户。该方法综合多种类型的历史数据，使得为用户推荐的都是适合自己的任务类型，故而提交的感知数据也会是真实且优质的，借此进一步保障了感知数据质量。

发明内容

本发明的目的是针对现有技术的不足，提供一种融合多模态信息的移动群智感知任务推荐方法。

本发明是通过以下技术方案来实现的：一种融合多模态信息的移动群智感知任务推荐方法，融合用户参与任务的多种模态历史数据，构建历史任务之间的相似度网络，通过计算新任务与历史任务之间的多模态相似度，更加细致的剖析感知用户群，进而为用户推荐新的任务。

本发明的逻辑框架如图1所示，包括如下步骤：构建历史任务在图像信息下的相似度网络：本发明使用Siamese相似度网络模型，借助双通道卷积神经网络，实现两个图像之间的特征提取与相似度计算。