...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Theoretical computer science >Quality-aware online task assignment mechanisms using latent topic model
【24h】

Quality-aware online task assignment mechanisms using latent topic model

机译：使用潜在主题模型的质量意识到线任务分配机制

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Crowdsourcing has been proven to be a useful tool for the tasks which are hard for computers. Unfortunately, workers with uneven expertise are likely to provide low-quality or even deliberately wrong data. A reliability model that precisely describes workers' performance on the tasks can benefit the development of both task assignment mechanism and truth discovery method. However, existing methods cannot model workers' fine-grained reliability levels accurately. In this paper, we consider dividing tasks into clusters (i.e., topics) based on workers' behaviors and propose a novel latent topic model to describe the topic structure and workers' topical-level expertise. Then, we develop two online task assignment mechanisms that dynamically assign each incoming worker a set of tasks where he can achieve the Maximum Expected Gain (MEG) or Maximum Expected and Potential Gain (MEPG). The experimental results demonstrate that our methods can significantly decrease the number of task assignments and achieve higher accuracy and macro-averaging F1-score than the state-of-the-art approaches. (C) 2019 Elsevier B.V. All rights reserved.
机译：已被证明众包是计算机难以实现的有用工具。不幸的是，具有不均匀专业知识的工人可能提供低质量甚至故意错误的数据。精确描述工作人员对任务表现的可靠性模型可以使任务分配机制和真理发现方法的发展受益。但是，现有方法不能准确地模拟工人的细粒度可靠性水平。在本文中，我们考虑根据工人行为将任务分成集群（即主题），并提出一种新的潜在主题模型来描述主题结构和工人的主题专业知识。然后，我们开发两个在线任务分配机制，动态地分配一组任务，其中他可以实现最大预期增益（MEG）或最大预期和潜在增益（MEPG）。实验结果表明，我们的方法可以显着降低任务分配的数量，并实现比最先进的方法更高的准确度和宏观平均值F1分数。 （c）2019 Elsevier B.v.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号