m0_38051901的博客

车辆众包中好奇心驱动的节能工人调度：一种深度强化学习方法摘要—空间众包（SC）利用人群的潜力来完成某些基于位置的任务。尽管最近已经对工人调度进行了很好的研究，但是大多数现有的工作仅集中于工人的静态部署，而忽略了它们的临时运动连续性。在本文中，我们明确考虑使用无人驾驶车辆的工人，例如无人驾驶汽车和无人驾驶汽车，它们更易于控制，并且可以作为车辆众包（VC）运动来部署在偏远或危险区域中以执行长期任务和哈希任务。我们提出了一种用于好奇心驱动的节能工人调度的深度深度强化学习（DRL）方法，称为“ DRL-CEWS

ICDE2020 Price-aware Recommendation with Graph Convolutional Networks 阅读笔记研究现状摘要—近年来，有关推荐的大量研究工作已投入到挖掘用户行为（即协作过滤）以及描述用户或项目的一般信息（例如文本属性，分类人口统计信息，产品图片等）中上。令人惊讶的是，价格是行销中的一个重要因素，它决定了用户是否将对商品做出最终的购买决定。在这项工作中，我们旨在开发一种有效的方法来预测用户的购买意愿，并重点关注推荐系统中的价格因素。主要困难有两个方

ICDE2020 Predictive Task Assignment in Spatial Crowdsourcing: A Data-driven Approach 阅读笔记阅读了ICDE2020关于空间众包中预测性任务分配的一篇 论文(Predictive Task Assignment in Spatial Crowdsourcing: A Data-driven Approach)，作者研究了一个新颖的空间众 包问题:PTA(预测性任务分配)，提出了一个两阶段的 数据驱动框架，称为数...

ICDE2017 Prediction-Based Task Assignment in Spatial Crowdsourcing 阅读笔记摘要：以前关于空间众包的研究主要聚焦于基于进行当前分配时可用的工人和任务信息来最大化分配数，这些策略忽略了未来状态可能加入系统的工人和任务，因此只能获得局部最优方案。这篇文章中，作者通过考虑当前和未来的工人和任务信息来未优化得到全局的分配方案。并且提出新的优化问题-MQA(最大化质量的任务分配)，MQA的优化目标是在旅行预算约束下最大化全局任务质量得分。 为了解决