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：
- 基本思路及框架
- 算法（努力中, 本篇）
- 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qw，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pw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，pw还要和观察准确率qw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：
