.png){kind=icon}
返回
A label knowledge graph powered multi-task framework for crowdsourcing and mobile crowd sensing tasks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126562.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
众包和移动众包感知（MCS）平台已经革新了数据收集方式，利用众包感知的集体智能。在MCS任务中，准确分类和提取异构传感器等核心信息对平台的执行效率起着关键作用。然而，现有方法在从开放域、隐式表达和语言多样的任务描述中提取关键信息方面存在困难，最终阻碍了任务分配和执行效率。为克服这些挑战，我们提出了LKG-MF，一种基于标签知识图（Label Knowledge Graph）的多任务框架，以在众包和移动众包感知任务中实现更好的核心信息挖掘性能。具体而言，我们首先构建了一个包含7个平台超过10,000个真实任务的MCS任务数据集。然后，我们设计了一个标签知识图来捕捉标签间的异构语义和关系，并增强标签表示。此外，我们提出了一种多粒度特征提取网络，以捕获精确的任务特定特征。为优化不同任务的性能，我们引入了一个任务自适应损失函数，能够灵活平衡其优化速率。实验结果表明，LKG-MF平均优于基线模型2.3%，显著提高了多任务分类准确率。值得注意的是，当我们将LKG-MF模型集成到MCS平台中时，任务分配效率提高了38.6%，任务完成时间减少了45.1%，这证明了我们的模型在提升MCS平台性能方面的实际影响和有效性。
Keyword:
Heterogeneous label knowledge graph
Multi-task Hybrid Reasoning
Crowdsourcing
Mobile crowd sensing tasks
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Contrastive classification: A label-independent generalization model for text classification对比分类: 一种与标签无关的文本分类泛化模型
.png){kind=icon}
PREAI
分享收藏分享收藏
分享收藏When Crowdsensing Meets Smart Cities: A Comprehensive Survey and New Perspectives当群体感知遇上智慧城市：一项全面的综述与新视角
PREAI
分享收藏分享收藏
查看更多内容