群体感知与群智计算

群体感知与群智计算目录从众包说起群体感知与群智计算MCSC主要工作与成果总结与展望3从众包说起众包（Crowdsourcing）是一种分布式的问题解决和生产模式；从AI角度，这是人类智能与机器智能的有机结合，解决机器目前还无法完全自动化的问题（人工的人工智能）。WikiPedia、OpenStreetMap等均为成功的众包应用，亚马逊推出了提供众包服务的平台MechanicalTurk（土耳其机器人）。Crowdsourcingistheactofoutsourcingtasks,traditionallyperformedbyanemployeeorcontractor,toanundefined,largegroupofpeopleorcommunity(a“crowd”),throughanopencall.——JeffHowe,Wired,no.6,2006众包例子GigwalkB2C任务众包平台，2011年开始，微软通过Gigwalk召集了35个城市的10万人，为它提供商户和餐馆的3D全景图，融入Bing地图。Twitter翻译中心，Twitter长期以来都支持基于众包技术的翻译，提供一个自愿提供其他语言服务的平台，支持多达30种语言。InfoScout以返利的激励让消费者通过移动应用扫描零售店消费票据；在后台则解析识别这些票据，包括消费地点、品类和价格等，一方面给消费者电子存档，更重要的是从中挖掘有价值的消费信息提供给消费品牌。从众包到众感，从群体协作在线任务完成到时空感知数据、用户生成数据的收集与共享；以数据为中心，实现在线线下社群协同感知。目录从众包说起群体感知与群智计算MCSC主要工作与成果总结与展望城市与社会感知人类社会正面临一系列复杂生态和发展问题，普适感知技术能为解决这些问题提供重要保障。“对人和环境的感知”一直以来都是重要科学研究课题，属国家重大需求：2016年国家重点研发计划“云计算与大数据”专项确定的四个方向之一为“云端融合的感知认知与人机交互”国家十三五国家科技创新规划“新一代信息技术”中人本计算、智能感知为重点发展方向，且在智慧城市部分指出要“突破城市多尺度立体感知”技术。城市管理公共安全环境监测传统感知网络社会及城市感知任务具有范围广、规模大、任务重等特点。目前感知系统还主要依赖于预安装的专业传感设施（如摄像头、空气检测装置等）和专业人员。PM2.5城市摄像头具覆盖范围受限，投资及维护成本高等特点，使用范围、对象和应用效果得到了很多限制。8群体感知与群智计算(MobileCrowdSensingandComputing)以大量普通用户及其携带的智能设备作为感知源，利用大众的广泛分布性、移动性和连接性进行大规模感知。融合显式或隐式群体智能实现对低质冗余、碎片化感知数据的优选和增强理解，进而为城市及社会管理提供智能辅助支持。群体感知与群智计算8B.Guo,etal.MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm",ACMComputingSurveys,2015.线上、线下多种参与模式隐式群体智能：个体profile、群体结构、群物交互等群体感知典型应用2013波士顿爆炸案FBI通过群体数据寻找嫌犯GoogleWaze-群体交通感知2016法国尼斯恐怖袭击，警方通过Twitter为群众寻找庇护所SeeClickFix-群体公共管理10MCSC特征与挑战(1)草根感知(2)跨空间协作(3)复杂数据处理Spatial-temporalcoverage参与者选择;Incentivemechanisms激励机制

Online/offlinecollaborationCross-communitysensingDataquality,trust,privacy数据质量，可信，隐私；Cross-spacedatamining跨空间数据挖掘两个科学问题：如何选择和调谐泛在、互补的群体感知能力实现高质量感知？如何实现对低质、冗余群体感知数据的高效处理和语义理解？目录从众包说起群体感知与群智计算MCSC主要工作与成果总结与展望研究进展群体感知参与者选择跨空间协作增强感知参与式感知数据优选多模态群体数据融合(1.1)面向单任务的参与者选择问题定义群体感知是协作式感知，社会因素会影响用户的参与性；针对城市空间中的单个感知任务，研究如何选择合适的参与者实现任务参与度最大化。研究方案综合考虑任务内容、时空情境和社会影响特征，对感知节点能力进行多角度刻画；提出基于信用分布的影响力最大化算法(CD-UIP)发现高社会影响力的参与者。感知任务任务内容时空情景社会影响感知节点集合面向单任务的参与者选择感知群体参与任务的历史记录提取任务时空、内容等特征，建立参与者对任务的偏好模型。基于参与者交互关系和信用分布计算参与者的交互影响力。CD-UIP利用参与者偏好优化节点的交互影响力，并采用贪心算法确定任务参与度最大化的感知节点集。时空任务内容交互感知群体交互网络感知节点偏好信用分布参与度最大化感知节点集CD-UIP交互影响力最大影响力面向单任务的参与者选择WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents,ACMUbiComp’15,2015(CCFA类).为了验证基于信用分布的影响力最大化算法（CD-UIP）对高影响力感知节点的发现能力，以感知群体参与城市空间任务为背景，采用豆瓣同城用户活动数据集进行实验。实验结果表明CD-UIP算法能有效发现高影响力的感知节点，提高群体对感知任务的参与度。与多个基准方法相比，CD-UIP算法实现了最小的任务参与度预测误差，以及最高的群体参与度。问题定义在多任务感知环境下，为提高感知资源的有效利用率，需要对感知能力进行优化组合。感知节点和感知任务的数量关系存在两种情况：感知节点资源匮乏或充足。研究方案针对感知节点资源匮乏情况，提出改进的最小费用最大流多任务分配模型，在最小化移动距离的同时，实现任务完成率最大化；针对感知节点资源充足情况，提出双目标优化的多任务分配方法，最小化移动距离和激励成本。感知节点匮乏感知节点充足(1.2)面向多任务的参与者选择情况1：感知节点匮乏问题定义

n个位置不同的任务T={t1,t2,...,tn}，m个位置不同的感知节点U={u1,u2,...,um}约束为保证感知质量，每个任务由至少p个感知节点完成，任务不同p值不同感知节点资源不足，为保证工作质量，每个感知节点需要完成q个任务任务多为紧急任务，需获取感知节点的具体位置以提高任务完成效率双优化目标最小化完成任务所移动的距离最大化完成的任务个数

最小费用最大流多任务分配模型基于最小费用最大流模型进行求解最小费用

最小化移动距离最大流

最大化完成任务数结合感知能力优化问题对该模型进行三方面改进在流网络中添加源点和汇点，从源点流入的最大流为m*q，流入汇点的最大流为n*p。添加绿色的节点层代表用户完成的任务集合。添加黄色节点层表示任务的完成情况。为了验证最小费用最大流多任务分配模型的效率，以城市感知任务为背景，采用了法国电信D4D数据集初始化感知节点和感知任务的位置进行实验验证。实验结果表明，相对于贪婪算法我们提出的模型可以选出完成任务移动距离较短的参与者；当任务个数从10增加到20时，移动距离的减少量从4%提高到了30%。实验结果1情况2：感知节点充足问题定义n个位置不同的任务T={t1,t2...,tj...,tn}，m个位置不同的区域A={A1,A2...Ai...Am}，每个区域包含多个感知节点Ai={u1,u2,u3...}约束每个任务由p个感知节点完成，任务不同p值不同感知节点资源充足，每个感知节点只需要完成一个任务为保证感知节点隐私，只获取感知节点所在的区域目标最小化完成任务所移动的距离最小化激励成本

多目标优化的多任务分配方法提出两种双目标优化方法：线性加权法：通过设置不同的权重，将多个缩放的优化目标组合起来目标函数约束法：将其中的一个优化目标作为主要的优化目标，其余的通过添加不同的约束作为约束条件目标函数约束条件（移动距离最短）（激励成本约束）

为了验证多目标优化的多任务分配方法，采用与实验结果一相同的数据进行实验。实验结果表明相对于贪婪算法，提出的算法在感知节点充足情况下可最小化移动总距离和激励成本，完成多任务分配。实验结果2综合考虑成本和移动距离，图中红色点的非劣解相对较好。与贪心算法相比，提出的两种优化方法可以得到单目标优化问题的最优解。TaskMe:Multi-TaskAllocationinMobileCrowdSensing,ACMUbiComp,2016(CCFA类).ActiveCrowd:AFrameworkforOptimizedMulti-TaskAllocationinMobileCrowdsensingSystems,IEEETHMS,2016(CCFB类)研究进展332235334454553443参与者任务群体感知参与者选择跨空间协作增强感知参与式感知数据优选跨空间异构数据融合跨空间协作增强感知问题：物理空间与信息空间在信息感知和收集能力方面具有差异性和互补性，如何利用其协作而提高信息感知能力？方案：物理空间与信息空间关联，为实现城市公共信息快速有效传输和共享，进行跨空间转发，利用物理空间交互特征来对信息空间内容进行增强感知和理解。物理世界的海报往往具有有限时空覆盖范围和较低传播速度，为信息共享带来局限性跨空间协作增强感知分布式采集可能带来重复信息转发，采用SIFT方法进行重复转发发现与分组；在每个分组中根据物理空间感知情境信息(如光强、加速度、拍摄角度等)在信息空间进行高质量数据选择。跨空间协作增强感知提出一系列物理空间群物交互特征(交互信息熵、交互偏好、数量分布等)对信息空间语义进行理解

(hot,pop,surprise,social,…)采用多标签分类和启发式规则相结合方法进行语义标注。实验验证38参与者，8周数据采集，2035张海报信息。FlierMeet:AMobileCrowdsensingSystemforCross-SpacePublicInformationReposting,Tagging,andSharing,IEEETrans.onMobileComputing,2015(CCFA类).研究进展群体感知参与者选择跨空间感知协作增强参与式感知数据优选多模态群体数据融合群体协作式可视事件感知与呈现社交网络的重要功能“拍照、分享”照片除了社交用途之外，还可以用来事件分析收集事件素材事件回溯事件总结

问题：目前工作多关注于照片事后检索，可否做到实时事件感知及呈现？巴黎暴恐案（Flickr）自行车撞人案（新闻）事件总结（论文）群体协作式可视事件感知与呈现InstantSense：群体协作式实时事件感知与多粒度呈现（幼儿园表演）事件发现与协作式感知数据选择与多粒度呈现自发->协作分散->汇聚子事件挖掘关键、细节群体智能融合的事件定位拍照位置和感知对象位置之间有差异（几米到几十米），地理临近的多个事件需要做区分；用梯形框模型刻画拍照情境；划分空间网格，基于概率分布（拍照行为空间特征）计算单照片覆盖不同网格的定位权重；通过群体感知数据融合，计算各网格的累积权重并定位。基于个体/群体行为的子事件分割方法a)Multi-reportertriggeredsegmentation(MR)b)Twice-presstriggeredsegmentation(TP)c)Multi-reporterconstraintedTP(TP_MR)根据群体拍照人数比例分割事件依赖阈值平衡召回率和精度根据个体再拍照行为分割事件高召回率，低精度结合MR和TP低召回率，高精度三种方法各有优缺点，不同的应用场景选择不同的方法MachineIntelligence，已有工作基于图像相似度进行分割；HumanIntelligence，根据机会社群中用户拍照行为规律进行分割多粒度事件呈现关键帧式子事件总结Highlightsummary(HLSM)全覆盖式子事件总结Sub-eventsummary(SESM)多方位覆盖每个子事件覆盖全部子事件基于信息熵排序dd:拍照人离事件中心的距离，θ

:拍照方向根据拍照人是否多样，判断事件是否为关键时刻，从而挑选最具代表性的k张照片内容封面F:拍照人集合“子事件分割”从时间轴对照片流进行分割，“多方位覆盖”（远近、方位）从空间角度保证照片集对事件的全面展示，“时间优先”及时展示事件的发展变化。实验结果HuihuiChen,BinGuo,etal.,TowardReal-timeandCooperativeMobileVisualSensingandSharing,IEEEINFOCOM’16,2016(CCFA类)与图片新闻对比数量多尺度Highlight相似性对比人工对事件总结进行评价训练合适的阈值rAR_th=0.4评估定位精度与定位误差子事件分割方法的比较研究进展群体感知参与者选择跨空间感知协作增强参与式感知数据优选多模态群体数据融合36多模态数据融合的微博社会事件刻画问题：目前工作多关注于用文本对事件进行总结；研究融合多模态数据，用其互补性对事件进行细粒度刻画（多侧面、动态演化、语义关联）。微博实时分享、传播信息的平台用户众多（群体感知）多模态数据文本时间图像用户交互…37多模态数据融合的微博社会事件刻画CrowdStory：多模态数据融合的微博社会事件刻画（天津爆炸事件）多模态数据融合的微博社会事件刻画

基于多模态数据融合的动态演化事件脉络生成将群体贡献数据根据时空情境和文本聚类形成多线索动态演化描述根据视觉相似性和交互情境等群体智能实现线索间关联关系生成39多模态数据融合的微博社会事件刻画跨媒体可视数据优选在各个子事件线索内，通过最小支配集和子模性方法进行文本数据优选；针对各子事件文本集合，通过SIFT特征聚类得到图像词袋模型，进而对成对文本和图像训练映射到共享子空间；通过图像聚类确保选择图像的多样性，通过跨媒体挖掘确保相关性。40数据集及示例结果EventOri-PostsImageRepostsCommentTianjin3031,119572,446275,850Paris5121,339456,88261,612数据来自新浪微博CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData,ACMUbiComp’16跨空间异构数据融合的商业推荐问题：来自不同空间的群体贡献数据内在关联、互为影响，如何对其融合实现智能决策？实施：提出基于跨空间感知数据关联的智能推荐算法;具体应用于城市商业领域，对于某城市商业区新开的商铺，为投资者推荐最合适的商铺类型。场景地点A计划开餐饮类型店西餐？火锅？川菜？自助？……跨空间异构数据融合的商业推荐商铺基本数据名称类型地点评价评分…地理数据周围环境信息交通数据利用不同空间提供的数据，互相补充，将信息空间和物理空间相关联，对商铺类型选择进行理解和决策。跨空间异构数据融合的商业推荐

特征提取与地理相关到市中心的距离交通便利性人群密度与商业相关竞争性

多样性

互补性预测算法提出基于特征融合的偏好学习的矩阵分解算法。实验结果ShopTypeRecommendationLeveragingtheDatafromSocialMediaandLocation-basedServices,ACMTransactionsonKnowledgeDiscoveryfromData,2016.WheretoPlacetheNextOutlet?HarnessingCross-SpaceUrbanDataforMulti-ScaleChainStoreRecommendation,ACMUbiComp’16,poster,2016数据集：国内典型的第三方点评网站-大众点评结合百度LBS的数据进行实验得到的结果表明，BL-G-CoSVD能够较好地对新开商铺的人气值进行预测。TimeInterval2013-6-1to2014-6-1Numberofchafingdish624Numberofcafe997Numberofsnackshop11087Numberofdessertshop4130群体感知智能市政服务系统传统市政问题感知基于热线、巡视员等方式，具有感知不及时、不完全等特点；通过群体感知实现精细化市政问题采集和管理，并提供数据分析和智能决策支持。问题上报维修跟踪施工公告群体感知智能市政服务系统信息空间物理空间社会空间感知层方法/技术层应用层智能养护问题预警突发任务参与者选择出行辅助可视化决策跨空间数据感知增强基于时空关联的数据优选跨空间数据关联表达…47群体感知智能市政服务系统物理空间智能辅助式问题上报，进一步将通过微博、电信等通道获得信息空间信息，形成跨空间群体感知数据集。群体感知智能市政服务系统PublicSense:RefinedUrbanSensingandPublicFacilityManagementwithCrowdsourcedData,IEEEUIC’15,2015.ComplaintRoadPearsonCoefficientPipelinePrimary0.414**Residential0.588**RoadsurfacePrimary0.417**Residential0.565**ManholecoverPrimary0.378**Residential0.435**SidewalkPrimary0.348**Residential0.428**ReferencesYanLiu,BinGuo*,etal."TaskMe:Multi-TaskAllocationinMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,2016.JiafanZhang,BinGuo*,etal."CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.QianruWang,BinGuo*,etal."CrowdWatch:PedestrianSafetyAssistancewithMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.HuihuiChen,BinGuo*,etal.,“TowardReal-timeandCooperativeMobileVisualSensingandSharing,”IEEEINFOCOM’16,SanFrancesco,USA,2015.BinGuo*,etal.“TaskMe:ACross-Community,Quality-EnhancedIncentiveMechanismforMobileCrowdSensing”,ACMUbiComp’15,Poster,September7-11,Japan.ZhiwenYu,RongDu,BinGuo,etal.,“WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents”,ACMUbiComp’15.BinGuo,etal.“FlierMeet:Cross-SpacePublicInformationRepostingwithMobileCrowdSensing”,ACMUbiComp’14,Poster,Seattle,USA,2014.RongDu,ZhiwenYu,TaoMei,ZhitaoWang,ZhuWang,andBinGuo.“PredictingActivityAttendanceinEvent-BasedSocialNetworks:ContentContextandSocialInfluence,”ACMUbiComp’14,Seattle,USA,2014.HuangXu,ZhiwenYu,HuiXiong,BinGuo.“LearningCareerMobilityandHumanActivityPatternsforJobChangeAnalysis”,

IEEEICDM’15,

AtlanticCity,USA,2015.ReferencesBinGuo,etal.“OpportunisticIoT:ExploringtheHarmoniousInteractionbetweenHumanandtheInternetofThings”,

JournalofNetworkandComputerApplications,Vol.36,No.6,2013(ESI高被引和热点论文).BinGuo,etal.“MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm”,ACMComputingSurveys,2015(SCI一区).BinGuo,etal.“FlierMeet:AMobileCrowdsensingSystemforCr