.png){kind=icon}
返回
Learning to Maintain: Towards Human-Machine Collaborative Spatial Task Assignment
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3583407.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着移动互联网和具备GPS功能的智能手机的广泛普及，空间众包已作为一种主流计算范式出现。在此范式中，允许工作者根据自身偏好选择任务的“人机协作任务分配模式”已成为共享出行和外卖等众多应用的优选方案。通常，平台会持续向个人工作者展示一组综合考虑了出行距离等因素的top-$k$任务，并允许工作者从该集合中选择任务。这种决策方法对平台和工作者均有利。然而，它在维护大规模动态结果方面仍面临显著挑战，这会带来相当大的计算开销。本文提出了一种具有自适应双层缓存结构的创新解决方案框架，用以高效解决动态top-$k$结果更新的问题。此外，我们提出了两种基于学习的有效方法，可显著提升结果维护的效率。更进一步，我们提出了一种新颖的方法来识别和处理在严格时限内触发密集更新的缓存，从而大幅降低更新缓存的高峰需求。最后，在真实数据集上的大量实验结果表明，我们提出的算法在各类参数配置下均表现出优异的性能。
Keyword:
Location-based service
task assignment
adaptive matching
human-machine collaboration
optimization
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容