.png){kind=icon}
返回
A gradient descent matrix factorization for microtask crowdsourcing
.png){kind=icon}
OA
AI
DOI：10.1016/j.engappai.2025.111003.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统众包算法将所有任务分配给所有工作者并收集他们的最终答案。然而，这些基准方法的一个主要问题是无法识别和剔除来自低质量或非真实工作者的答案。为应对这一挑战，已提出新型微任务算法，通过估算工作者的专业知识来相应分配任务。这些算法依赖于工作者-任务矩阵，但常见问题是该矩阵可能因并非所有工作者回答分配的任务以及任务与工作者比例过高而出现稀疏性。为解决此问题，本文介绍了一种基于优化的矩阵分解方法，使用梯度下降法，称为GRADi。GRADi旨在在分解工作者-任务矩阵的同时预测不同工作者的缺失答案。在此过程中，GRADi融入工作者相似性信息以提升分解精度。GRADi的有效性通过Amazon Mechanical Turk及类似平台的数据集进行评估，评估指标包括准确率和均方根误差。与其他矩阵分解算法（包括优化和非优化技术）以及现有微任务算法的比较分析表明，GRADi始终优于这些方法。它通过更准确地预测工作者响应并处理工作者-任务矩阵固有的稀疏性挑战，显示出在改善微任务成果方面的良好效果。
Keyword:
Microtasking
Crowdsourcing
Gradient descent
Matrix factorization
Task assignment
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
Crowd Decision Making: Sparse Representation Guided by Sentiment Analysis for Leveraging the Wisdom of the Crowd人群决策: 利用人群智慧的情感分析指导下的稀疏表示
PREAI
分享收藏分享收藏
查看更多内容