工人的偏好信息是MSC招募中的关键参数之一，主要包括任务类型偏好和时空偏好。以任务类型偏好为例，Wu等人 [11] 设计了一个个性化任务推荐系统框架，该系统通过利用用户的隐式反馈描述任务偏好，并基于工人偏好与任务可靠性进行匹配，从而选择合适的工人执行任务。Li等人 [12] 则从用户历史任务记录中提取潜在偏好，并据此生成个性化推荐列表。Xiong等人 [13] 通过任务类型、时间等多个维度构建任务向量和用户向量，并计算余弦相似度来匹配任务和用户，选择合适的用户作为任务候选者。以时空偏好为例，Ngo等人 [14] 提出了一种基于流动性估计模型(CAMP)的上下文感知工人招聘框架，结合RNN模型预测工人流动性和加权效用工人选择算法，考虑工人不同位置和感知周期之间任务分配的变化，从而使工人的选择更加准确和高效，提高任务的完成率。Wang等人 [15] 提出了一种结合时空概率和感知任务属性的用户选择方法，通过计算任务完成概率来优化工人招募过程。Zhang等人 [16] 根据工人的轨迹预测来选择能够收集高价值数据的参与者，提出了一种STGCN-GRU用户轨迹预测算法，该算法利用STGCN算法提取与时空信息相关的特征，并将特征序列输入到GRU中进行轨迹预测，提高了用户轨迹预测的精度。Ma等人 [17] 提出了FUP的偏好学习模型，同时考虑工人对任务类型的偏好和时空偏好，通过创建图形会话发现用户的动态类别偏好，从而将任务分配给最匹配的工人。

工人信誉度是指工人在感知平台上的声誉和表现，通常是通过对工人过去的工作表现、准确性、及时性等指标来建立的。王等人 [18] 提出了一种面向任务代价差异的移动群智感知激励模型(MCIP)，该模型在分析任务间代价差异的基础上，结合任务代价分类、信誉度评估和参与者优选，实现了预算的合理制定和成本的有效分配。通过动态信誉度更新和合理的任务分配，提升了用户参与度和数据质量。Gao等人 [19] 提出了一种基于动态信任的MCS招募计划(DTRF)来搜索高质量的工人，实时直接信任和轻量级反馈聚合信任相结合，以选择适合的参与者。Wang等人 [20] 针对物联网环境中工人可能无意提供损坏或伪造数据，或出于恶意故意传播虚假信息的问题，提出了一种名为“体验信誉”的新型信任模型，用于评估MCS平台上任意两名移动设备工人之间的信任关系。

在上述现有MCS招募方法中，当工人的任务历史记录不足或未参与过任务时，会导致偏好和信誉度特征的稀疏性问题，这使得上述方法难以准确评估工人的任务完成质量。此外，上述研究多集中于工人特征对任务完成质量的主观影响，而忽略了工人的待执行任务对工人招募的客观影响。

由于MCS系统启动之初执行过任务的工人很少，这会导致工人的偏好特征和信誉度特征信息稀疏。为此，如 图1 所示，本文将执行过任务和未执行过任务工人的特征(社交特征、偏好特征以及信誉度特征)一并嵌入到社交网络关系图中，通过FSL-GNN模型对工人的节点特征的泛化，估计所有工人与任务特征相关的偏好矩阵 $P^{\prime }$和工人与任务特征相关的信誉度矩阵 $Q^{\prime }$。将两个矩阵分别与目标任务特征 $F^{\text{goal}}$相结合，最终得到工人与任务的偏好相关性矩阵 $P^{\text{rel}}$以及工人与任务的信誉度相关性矩阵 $Q^{\text{rel}}$两个主观相关性矩阵。

首先，本文构建工人的社交关系图 $G=\left(V,E\right)$， $V$表示工人节点， $E$表示工人之间的社交关系，其中 $e_{lu}\in E$，表示工人 $w_l$和 $w_u$之间是否有社交关系，如果有 $e_{lu}=1$否则 $e_{lu}=0$。每个工人节点的初始信息如公式所示：

$\begin{array}{c}{y}_l^{\left(0\right)}=\text{concat}\left(S_l,{\delta }_l\right)\end{array}$ (5)

其中 ${\delta }_l\in \left\{P_l,Q_l\right\}$， $\text{concat}(\cdot )$表示将工人 $w_l$社交特征向量分别和工人与任务特征相关的偏好向量，工人 $w_l$与任务特征相关的信誉度向量相结合。

随后，本文使用FSL-GNN模型进行小样本学习，模型会根据节点特征的相似性动态更新社交网络图中相邻节点边的权重，提高图神经网络在小样本中的泛化能力，其过程如公式(6)所示：

$\begin{array}{c}{\eta }_{l,u}^{\left(r\right)}={\text{MLP}}_{\theta }\left(\text{abs}\left(y_l^{\left(r\right)}-y_u^{\left(r\right)}\right)\right)\end{array}$ (6)

其中 $y_l^{\left(r\right)}$和 $y_u^{\left(r\right)}$分别表示第 $r$层相邻工人节点 $l$与 $u$的节点特征。输入两个节点特征向量的绝对差值到 ${\text{MLP}}_{\theta }$中，用于计算节点之间对应边的权重 ${\eta }_{l,u}^{\left(r\right)}$，其中 $\theta$为可学习参数，将权重与原特征矩阵相结合，若两名工人之间没有社交关系，那么两者之间边的权重始终为0，通过计算得到邻接矩阵 ${\eta }^{\left(r\right)}\in R^{n\times n}$。

在社交网络中工人节点彼此之间连接分布不均匀，导致部分节点拥有大量邻居节点，部分节点邻居节点非常稀少，进而使邻接矩阵内部元素差值非常巨大，同时节点需要保留自己的特征。为此本文做了以下处理：

$\begin{array}{c}{\hat{\eta }}^{\left(r\right)}=D^{-\frac{1}{2}}{\eta }^{{\left(r\right)}^{\prime }}{D}^{-\frac{1}{2}}\end{array}$ (7)

$\begin{array}{c}{\eta }^{{\left(r\right)}^{\prime }}={\eta }^{\left(r\right)}+I\end{array}$ (8)

其中 $D\in R^{n\times n}$表示节点的度矩阵，这种处理让信息传播更加稳定，且避免了高连接节点的特征被过度放大。 $I$表示单位矩阵，其目的是为了节点在卷积时考虑自身因素。

通过GCN更新节点的特征，捕捉更高阶的社交关系，其更新过程如公式所示：

$\begin{array}{c}{y}^{\left(r+1\right)}=\text{GCN}\left(y^{\left(r\right)}\right)=\text{ReLu}\left({\hat{\eta }}^{\left(r\right)}{y}^{\left(r\right)}{\xi }^{\left(r\right)}\right)\end{array}$ (9)

其中，输入特征为 $y^{\left(p\right)}\in R^{n\times d_r}$，输出特征为 $y^{\left(r+1\right)}\in R^{n\times d_{r+1}}$， $d_{r+1}$和 $d_r$表示工人节点特征在卷积第 $r$层的维度。 ${\xi }^{\left(r\right)}\in R^{d_r\times d_{r+1}}$表示卷积第 $r$层的可训练参数。在最后一层输出中得到工人与任务特征相关的偏好矩阵 $P^{\prime }$和工人与任务特征相关的偏好矩阵 $Q^{\prime }$。

为了降低估计值与真实值之间的差距，本文采用多标签损失函数来对模型进行调参。损失函数公式如下：

$\begin{array}{c}\text{Loss}=-{\displaystyle \sum \left[x_{lj}\cdot \log \left(\sigma \left({\hat{x}}_{lj}\right)\right)+\left(1-x_{lj}\right)\cdot \log \left(1-\sigma \left({\hat{x}}_{lj}\right)\right)\right]}\end{array}$ (10)

其中， $x_{lj}$表示工人 $w_l$与任务 $s_j$特征相关的偏好或工人与任务特征相关的偏好特征真实标签， ${\hat{x}}_{lj}$表示工人 $w_l$这两个特征的估计值。

最后，本文将两个矩阵 $P^{\prime }$和 $Q^{\prime }$分别与待招募工人的目标矩阵特征 $F^{\text{goal}}$相乘，得出工人与任务特征的偏好相关性以及工人与任务特征的信誉度相关性矩阵 $P^{\text{rel}}\in R^{n\times m}$和 $Q^{\text{rel}}\in R^{n\times m}$。

本文针对工人待完成任务对目标任务完成质量的影响，构造了一个包含具有待完成任务的工人，任务，任务特征的异质图。其中，任务节点包括具有待完成任务工人的已完成任务、待完成任务和待招募的目标任务。如 图2 所示，本文通过定义任务元路径，利用图卷积神经网络对任务特征向量进行表征学习，并通过语义聚合计算不同元路径的重要性，获得任务特征的整体嵌入表示。随后，结合工人待完成任务特征与目标任务特征的相似度计算，最终得出有待完成执行记录工人与目标任务特征的相关。

定义1. 异质图。用 $G^{\prime }=\left(V^{\prime },E^{\prime }\right)$表示异质图， $V^{\prime }$代表节点集合， $E^{\prime }$代表关系边集合，存在映射关系 $V^{\prime }\to \varphi$， $E^{\prime }\to \phi$， $\varphi$表示节点的类型，该图包括工人 $W$，任务 $S$，任务特征 $F$， $\phi$表示关系的类型，还包括任务与任务特征的所属关系和任务与工人的执行关系。

定义2. 元路径。图 $G^{\prime }$上的元路径是由多种节点类型和多种关系组成的有序序列，为了学习任务节点的表征，本文选取了以下核心元路径：

$\begin{array}{c}任务元路径\{\begin{array}{l}任务-任务特征-任务\left(\text{SFS}\right)\hfill \\ 任务-工人-任务\left(\text{SWS}\right)\hfill \end{array}\end{array}$ (11)

SFS表示两个任务(待招募任务或未完成任务)具有相同任务特征。SWS表示具有待完成任务的工人执行过的任务与左右两边任务(待招募任务或未完成任务)有相同的任务特征。

特征嵌入分为两个步骤，元路径内聚合和元路径间聚合。元路径内聚合是为了聚合元路径中目标节点和其邻居节点的特征，元路径间聚合需要学习不同元路径的重要性，以捕获高阶邻居对目标节点的影响。

首先是元路径内聚合，在异质图中，同样会出现节点彼此之间连接分布不均匀的情况。因此为正确学习节点在元路径下与各类节点之间的内部联系，使用元路径内图卷积，对元路径中的节点特征进行更新操作。设“任务–任务特征–任务”接矩阵为 ${\Lambda }_{\text{S-F-S}}$，“任务–工人–任务”邻接矩阵为 ${\Lambda }_{\text{S-W-S}}$，元路径间节点聚合过程如下：

$\begin{array}{c}{h}^{\left(\Phi +1\right)}=\text{GCN}\left({\tilde{\Lambda }}^{\prime }{h}^{\Phi }{\tau }_h^{\Phi }\right)\end{array}$ (12)

$\begin{array}{c}\tilde{\Lambda }=\Lambda +I\end{array}$ (13)

$\begin{array}{c}{\tilde{\Lambda }}^{\prime }={\tilde{D}}^{-\frac{1}{2}}\tilde{\Lambda }{\tilde{D}}^{-\frac{1}{2}}\end{array}$ (14)

其中 $\Lambda \cup \left\{{\text{Adja}}_{\text{S-F-S}},{\text{Adja}}_{\text{S-W-S}}\right\}$， $h^{\Phi }$表示第 $\text{Φ}$层的特征矩阵， ${\tau }_h^{\Phi }$代表第 $l$层可训练的输入权重矩阵， $\tilde{D}$为节点的度矩阵。经过GCN处理后，分别得到基于元路径的任务特征嵌入 $F_{\text{S-F-S}}$和 $F_{\text{S-W-S}}$。

在元路径内聚合节点特征仅考虑了邻居节点的影响，不能充分反映任务节点之间的结构和语义联系，想要更全面地学习任务节点表征，需要进行元路径间聚合。使用语义级注意力学习不同元路径的重要性，元路径(SFS)和(SWS)的与语义级注意力可以表示为 $\left(h_{\text{SFS}},h_{\text{SWS}}\right)=at{t}_{Sem}\left(F_{\text{S-F-S}},F_{\text{S-W-S}}\right)$。为计算语义级注意力权重，先将节点在某条元路径下的嵌入进行非线性转化，乘以使用一个可学习的语义级注意力向量 $q$，然后对同一元路径下所有节点的运算结果求平均值，得到特定元路径的重要性 ${\mathscr{H}}_{\lambda }\in \left\{{\mathscr{H}}_{\text{SFS}},{\mathscr{H}}_{\text{SWS}}\right\}$，计算公式表示为：

$w_{{\mathscr{H}}_{\lambda }}=\frac{1}{\left|N\right|}{\displaystyle \underset{i\in N}{\sum }{q}^{\text{T}}\tanh \left(W\cdot F_i^{{\mathscr{H}}_{\lambda }}+b\right)}$ (15)

其中，N表示 ${\mathscr{H}}_{\lambda }$中的节点数量， $W$为线性方程的权重矩阵， $b$为偏置向量。然后，使用softmax函数对所有元路径的重要性 $w_{{\mathscr{H}}_{\lambda }}$进行规范化，得到元路径 ${\mathscr{H}}_{\lambda }$，的注意力权重 $h_{{\mathscr{H}}_{\lambda }}$。 $h_{{\mathscr{H}}_{\lambda }}$代表元路径 ${\mathscr{H}}_{\lambda }$的贡献率， $h_{{\mathscr{H}}_{\lambda }}$越高，意味着重要性越强。使用 $h_{{\mathscr{H}}_{\lambda }}$对经过节点级注意力处理后的任务特征 $F_{{\mathscr{H}}_{\lambda }}$。进行加权求和，得到节点最终的特征表示 $F^{\prime }$，计算公式为：

$\begin{array}{c}{F}^{\prime }=h_{{\mathscr{H}}_{\text{SFS}}}\cdot F_{{\mathscr{H}}_{\text{SFS}}}+h_{{\mathscr{H}}_{\text{SFS}}}\cdot F_{{\mathscr{H}}_{\text{SFS}}}\end{array}$ (16)

本文从最终的任务特征节点嵌入 $F^{\prime }$中，分出每个工人的待完成任务工人的待执行任务特征矩阵 $F_l^{\text{wai <msup> t <mo> ′ </mo> </msup>}}\in R^{o\times \left(\alpha +\beta +\gamma \right)}$，没有待完成任务的，矩阵为空。目标任务特征矩阵 $F^{\text{goa <msup> l <mo> ′ </mo> </msup>}}\in R^{m\times \left(\alpha +\beta +\gamma \right)}$，如下所示。通过计算工人 $w_l$待完成任务特征和目标任务特征的相似度累积得出工人与目标任务特征的相似度 $z_{l,j}$。其公式如下：

$\begin{array}{c}{z}_{l,j}=\underset{\partial =1}{\overset{\delta }{{\displaystyle \sum }}}\frac{F_{l\partial }^{\text{wai <msup> t <mo> ′ </mo> </msup>}}\cdot F_j^{\text{goa <msup> l <mo> ′ </mo> </msup>}}}{\Vert F_{l\partial }^{\text{wai <msup> t <mo> ′ </mo> </msup>}}\Vert \cdot \Vert F_j^{\text{goa <msup> l <mo> ′ </mo> </msup>}}\Vert }\end{array}$ (17)

$\partial$代表工人 $w_l$的待完成任务序号。最终得到待完成任务工人与任务特征相关性矩阵 $Z^{\text{rel}}$。

经过以上步骤，本文得到了工人与任务特征的偏好相关性 $P^{\text{rel}}$和工人与任务特征的信誉度相关性 $Q^{\text{rel}}$以及待完成任务工人与任务特征相关性矩阵 $Z^{\text{rel}}$。为了考虑以上相关性对任务执行质量的影响，本小节利用注意力机制获取所有相关性信息的权值，并计算出权值总和对工人的任务完成质量的指标进行估计。在本研究中评论任务完成质量好坏是由工人l的任务j及时性，任务执行完整性 ${\mathcal{Q}}_{lj}$，任务结果可靠性 ${ℛ}_{lj}$这三个指标来决定的，以上三个指标由主观性和客观相关性决定，且指标之间互相不影响。具体公式如下：

$\begin{array}{c}{\lambda }_{lj}^{\varrho ,\Upsilon }={\text{Softmax}}_l\left(W^{\Upsilon }{\Upsilon }_{lj}+b^{\Upsilon }\right)\end{array}$ (18)

$\begin{array}{c}{x}_{lj}={\displaystyle \sum {\lambda }_{lj}^{\varrho ,\Upsilon }\cdot {\Upsilon }_{lj}}\end{array}$ (19)

其中， $\Upsilon \in \left\{P^{\text{rel}},Q^{\text{rel}},Z^{\text{rel}}\right\}$，， ${\lambda }_{lj}^{\varrho ,\Upsilon }$为工人l对任务 $j$指标 ${\varrho }_{lj}$的相关性 $\Upsilon$的注意力权重，向量 $W^{\Upsilon }\in R^{m\times m}$和 $b^{\Upsilon }\in R^{1\times m}$为可训练的权重矩阵与偏置矩阵。在这里本文同样使用多标签损失函数，利用梯度下降算法最小化任务执行结果的估计概率和真实标签之间的交叉熵损失。具体过程如公式所示：

$\begin{array}{c}L=-\underset{j=1}{\overset{N}{{\displaystyle \sum }}}\left({\sigma }_{lj}{\log }_e^{{\chi }_{lj}}+\left(1-{\chi }_{lj}\right){\sigma }_{lj}{\log }_e^{\left(1-{\chi }_{lj}\right)}\right)\end{array}$ (20)

其中， ${\chi }_{lj}\in R^{1\times m}$， ${\sigma }_{lj}\in R^{1\times m}$分别代表工人 $l$任务执行结果的估计标签和真实标签。

如 表1 所示，本文使用两个开放数据集，Yelp数据集和Gowalla数据集。Gowalla数据集记录了用户在Gowalla平台上的签到信息，详细反映了用户的地理移动轨迹和社交互动行为及用户之间的社交关系。由于两个数据集过于庞大，针对Yelp和Gowalla数据集本文分别选择2019年费城区域和纽约区域有执行任务记录和社交关系的工人数据来进行实验，将用户数据大概分为80%的训练集，10%的验证集，10%的测试集。

为了确保本实验的模型准确度，我们将对FSL-GNN和异质图神经网络去估计出的工人与任务特征相关的偏好向量和工人与任务特征相关的偏好向量真实值( ${\text{observed}}_t$)和预测值( ${\text{predicted}}_t$)进行求余弦相似度，其中t和N代表没有执行过任务工人的编号和总数，公式如(21)：

$\begin{array}{c}\text{Accuracy}=\frac{1}{N}\underset{t=1}{\overset{N}{{\displaystyle \sum }}}\frac{{\text{observed}}_t\cdot {\text{predicted}}_t}{\Vert {\text{observed}}_t\Vert \cdot \Vert {\text{predicted}}_t\Vert }\end{array}$ (21)

经过对两个数据集的精确度评估，其结果 表2 所示。

由结果可知，两个数据的精确值都在0.85以上，精确度高，可以进行后续实验。

在本实验中，任务的完成质量考虑了工人完成任务时的任务响应时间，任务完成率，任务可靠性。其计算方法如公式(22)所示。

$\begin{array}{c}任务的完成质量=\left(1-\frac{任务响应时间}{24}\right)\times 任务完成率\times 任务可靠性\end{array}$ (22)

这三个指标的真实值计算如下。

1) 任务响应时间，用于反应响应任务的时间长短，为任务响应时间总和的平均值，其计算过程公式(22)所示。

$\begin{array}{c}任务响应时间=\frac{{\displaystyle \sum \left(工人响应时间-任务分配时间\right)}}{已执行目标任务数量}\end{array}$ (22)

2) 任务完成率，用来描述工人在任务执行中的有效工作量比值，值越接近1，表示任务完成率越高，其计算过程公式(23)所示。

$\begin{array}{c}任务完成率=\frac{{\displaystyle \sum \left(\frac{工人完成工作量}{目标任务工作量}\right)}}{已执行目标任务数量}\end{array}$ (23)

3) 数据可靠性，用来描述工人执行结果与任务预期结果的偏离程度，不同的任务有不同的可靠性计算方法，在本实验中通过所有任务结果的预期结果值与真实结果值的差异进行非线性归一化平均来求得，其计算过程公式(24)所示。

$\begin{array}{c}数据可靠性=\frac{{\displaystyle \sum 1-\text{Tanh}\left(预期结果值-真实结果值\right)}}{已执行目标任务数量}\end{array}$ (24)

4) 任务完成质量精确度(MSE)，通过平方误差的平均值来反映模型预测结果的精确程度，值越小，表示工人的任务完成质量越接近实际结果，其计算过程公式(25)所示。

$\begin{array}{c}\text{MSE}=\frac{{{\displaystyle \sum \left(真实任务完成质量-预测任务完成质量\right)}}^2}{已执行目标任务数量}\end{array}$ (25)

本文将本文算法与以下现有招募算法进行对比：

1) 偏好和信誉度NUR [21] ：这种方法结合用户历史数据，采用随机半代数混合系统(SSAHS)建模用户的移动性和行为，预测用户对任务的偏好。通过综合用户的时间、空间和类别偏好，优先招募高质量用户上传可靠数据。目标在于优化数据可靠性和任务及时性。

2) 信誉度基于社交网络信任的招募方法RSUT [22] ：这种方法提出了基于社交用户信任的招募机制，通过该方法通过分析社交网络中的用户信任关系，解决冷启动问题并提高任务完成质量。RSUT设计了一种实时信任更新机制，以识别恶意用户，并根据任务需求调整奖励，从而确保公平性和高质量任务完成率。主要评估指标包括用户招募数量、任务完成率和任务质量。

3) 个性化任务匹配机制PTOM [23] ：此方法通过分析用户偏好(任务内容、时间和位置)与任务需求的匹配程度，采用Logit模型预测任务–工人配对的概率。平台根据匹配概率主动招募最合适的工人，确保实时高质量的数据收集。该方法的主要指标包括响应时间、任务完成率和数据质量。

4) 信誉度基于服务质量的参与者选择方法QoS-PR [24] ：该方法提出了一种根据工人服务质量预测的招募方法，基于参与者的历史任务完成情况、积累的声誉和意愿来预测数据质量。通过最大化服务质量，使用启发式贪婪算法来选择最适合的参与者。重点指标包括任务完成率、数据可靠性以及响应时间。

上述不同模型在Yelp数据集和Gowalla数据集的中的对比实验结果如 图3 和 图4 所示。随着任务数量的增加，三种指标的变化趋势分别为任务响应时间逐渐上升、任务完成率逐渐下降、任务可靠性逐渐下降，可知随着任务数量增加，模型性能会减弱。在每个任务数量下，本研究模型在三种指标上的表现始终优于其他模型，尤其是在在任务完成率上展现出较大的优势。此外，随着任务数量的增加，本研究模型的三种指标结果始终保持较高水平，就算在高负载任务场景下依然能够维持较好的执行效果。相比之下，其他对比算法在任务数量增大时，三种指标都呈现较大幅度的改变。实验表明，本研究模型在能招募高任务完成质量工人的同时，具有更强的稳定性和适应性。

为了系统性地评估不同相关性因素对任务完成质量的实际贡献，本文通过控制单一相关性的权重，设定了3种变体。变体1将工人与任务特征的偏好相关性权重降低，变体2将工人与任务特征的信誉度相关性权重降低，变体3将工人与任务的客观相关性权重降低。其目的是在后续的实践中能够针对性地强化关键因素，提升任务完成的整体质量。本实验将权重降低的相关性权重设置为0.2，其余为0.4。所有变体的实验对比结果如 图5 和 图6 所示。

由实验结果可知，三种变体在Yelp和Gowalla两个数据集上的实验结果表现出类似的趋势，验证了工人与任务特征的偏好、信誉度两种主观相关性与工人与任务的客观相关性在任务完成质量中的重要性。通过控制单一相关性的权重，实验将每种变体的表现进行了比较，从而进一步揭示了不同相关性对任务完成率、任务响应时间、任务可靠性以及MSE的影响。

在考虑任务响应时间时，随着任务数量的增加，变体1和变体3相比于变体2在Yelp和Gowalla数据集上均表现出较高的数值。在考虑任务完成率时，随着任务数量的增加，变体1和变体2相比于变体3均呈现较低的任务完成率。在考虑任务可靠性时，随着任务数量的增加，变体1和变体2相比于变体3均呈现较低的任务完成率。在考虑MSE时，随着任务数量的增加，变体1和变体2相比于变体3均呈现较高的任务完成率。综合来看，任务完成质量受工人与任务特征的偏好相关性影响较大，其次是工人与任务特征的信誉度相关性，工人与任务的客观相关性。