Fan, J., Li, G., Ooi, B. C., Tan, K. L., & Feng, J. (2015, May). iCrowd: An Adaptive Crowdsourcing Framework. InProceedings of the 2015 ACM SIGMOD International Conference on Management of Data (pp. 1015-1030). ACM.

转载本文请注明来自http://boweihe.me/?p=1661
翻论文翻到一篇新鲜的货，赶紧拿出来分享，如果不发帖我想是没有兴趣能精读啦~为了督促自己，所以就写了这篇东西。
目前来说应该是分三个部分：

1. 基本思路及框架
2. 算法（努力中, 本篇）
3. 实验（努力中）

准确率估计（对应章节3）

基本思路是考虑微任务之间的“相似性”，因为文章第6章的实验结果表明，参与者在相似领域的准确率是有可比性的（尽管领域差距变大以后可比性变差）。藉此，如果我们观察到某个参与者w正确作答了某些问题，我们可推断她也能胜任相似领域的一些问题。

打个比方，给定一组已经全局完成的微任务，包括那些qualification microtasks（Fig4. t₁, t₂, t₃）以及那些已经达成共识的任务(t₆, 在任务数量k=3时)；同时给定一参与者w₁。那么所谓的准确率估计问题就是想计算出参与者w₁对于那些待分配给他的问题（如t₄, t₇）的回答准确率。

基于图的估计模型(Graph-Based Estimation Model)

基于图的估计模型，其主要思路就是利用微任务在图中的相似度（边的权值）估计某些问题作答的准确度：如果对于某些已经全局完成的微任务能拿到观测的准确率q^w，我们就能据此推测图中相连的其他微任务（节点）的准确率。以Fig.3为例，给定参与者w已回答问题的准确度，比如正确回答了t₂，错误回答t₃，那我们可以预测w在作答与t₂相似的问题（如图中的t₇, t₈, t₉）会有相对较高的准确率，而作答与t₃类似问题（如t₁₀, t₁₁, t₁₂）时准确率就会相对较低。
然而，照上述方法算出这么个估计值是不实际的，因为估计出的准确率p^w既要保证每组相邻节点算出的准确度的局部相似性(local similarity)，又要保证所属子图准确度的全局相似性(global similarity)。此外，p^w还要和观察准确率q^w有一致性：估计出来的值不能和观测值有很大偏差。下面给出问题的形式化描述方法，方便起见，

引理1. 公式(2)的解为如下形式

引理2. 基于公式（4）的迭代算法能够算出公式（3）中的最优解p*
证明：见引文[35]

算法1如下图：

 

Fan, J., Li, G., Ooi, B. C., Tan, K. L., & Feng, J. (2015, May). iCrowd: An Adaptive Crowdsourcing Framework. In Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data (pp. 1015-1030). ACM.

转载本文请注明来自http://boweihe.me/?p=1661
翻论文翻到一篇新鲜的货，赶紧拿出来分享，如果不发帖我想是没有兴趣能精读啦~为了督促自己，所以就写了这篇东西。
目前来说应该是分三个部分：

1. 基本思路及框架（本篇）
2. 算法（努力中）
3. 实验（努力中）

一句话概括

iCrowd能实时地通过评估参与者完成任务的成绩来估计他作答的准确性，并且能够借此分析出他擅长作答的领域。

问题描述（对应章节2.1）

iCrowd框架（对应章节2.2）