基于聲譽的移動眾包系統(tǒng)的在線激勵機制

王瑩潔　蔡志鵬　童向榮　潘慶先　高洋　印桂生

摘要：在大數(shù)據(jù)環(huán)境下，對移動眾包系統(tǒng)的研究已經成為移動社會網絡（MSN）的研究熱點。然而由于網絡個體的自私性，容易導致移動眾包系統(tǒng)的不可信問題，為了激勵個體對可信策略的選取，提出一種基于聲譽的移動眾包系統(tǒng)的激勵機制——RMI。首先，結合演化博弈理論和生物學中的Wright-Fisher模型研究移動眾包系統(tǒng)的可信演化趨勢；在此基礎上，分別針對free-riding問題和false-reporting問題建立相應的聲譽更新方法，從而形成一套完整的激勵機制，激勵感知用戶和任務請求者對可信策略的選??；最后通過模擬實驗對提出的激勵機制的有效性和適應性進行了驗證。結果顯示，與傳統(tǒng)的基于社會規(guī)范的聲譽更新方法相比，RMI有效地提高了移動眾包系統(tǒng)的可信性。

關鍵詞：大數(shù)據(jù)；移動眾包系統(tǒng)；演化博弈；Wright-Fisher模型；激勵機制

中圖分類號：TP393

文獻標志碼：A

0引言

近年來，隨著互聯(lián)網技術和無線通信技術的快速發(fā)展，在線社會網絡，如Facebook、Myspace和Twitter等，變得越來越流行。隨著智能手機和移動開放平臺的普及，用戶可以隨時隨地獲得各種類型的服務、輕松獲得自己當前的位置信息。最近一項研究表明，智能手機上Web應用的最重要的目標就是在線社會網絡[1-2]。目前，智能手機上已經有很多可用的在線社會網絡的應用，像Apple iPhone系統(tǒng)和Google Android系統(tǒng)中的Facebook、Myspace、Twitter、人人網和微信等。在線社會網絡中的服務，方便用戶和朋友之間分享想法、活動、照片以及其他信息來增強彼此的友誼。

大數(shù)據(jù)時代的到來給網絡科學提供了新的發(fā)展機遇和挑戰(zhàn)，“眾包”也成為了驅動網絡科學理論與工程發(fā)展的新動力。傳統(tǒng)的基于Web的眾包系統(tǒng)，如Amazon Mechanical Turk和Microworkers，其執(zhí)行過程為：首先，任務請求者將感知任務提交給眾包平臺，同時將“任務報酬”和“所需任務完成證明”等信息提交給眾包平臺；感興趣的用戶參與完成相應的任務，并將“任務完成證明”提交給眾包平臺；任務請求者根據(jù)用戶提交的“任務完成證明”，判斷其任務完成情況，并付給用戶相應的報酬[3]。

由于移動設備的普及，對移動社會網絡的研究在理論和應用上都具有十分重要的意義。在大數(shù)據(jù)時代，網絡中的數(shù)據(jù)流一直處于動態(tài)變化的狀態(tài)，且具有較高的速率，因此對計算的響應速度提出很高的要求[4]。為了適應大數(shù)據(jù)環(huán)境下移動社會網絡的發(fā)展，“移動眾包”（mobile crowdsourcing）的概念應運而生。具有移動設備的用戶群體蘊藏著巨大的潛力，許多任務可以通過移動社會網絡中的用戶參與完成，用戶利用自己的移動設備收集到感知的數(shù)據(jù)，上傳給云平臺，云平臺通過對數(shù)據(jù)進行處理，最終將集成的數(shù)據(jù)發(fā)送給任務請求者。利用移動社會網絡中的巨大資源，結合“移動眾包”概念進行任務的發(fā)布、處理、感知以及集成，不僅可以減小傳統(tǒng)方法中為了完成任務帶來的巨大開銷，還可以提高完成任務的效率，因此對移動社會網絡中“移動眾包”的研究具有十分重要的意義和很好的應用前景。與傳統(tǒng)基于Web的眾包系統(tǒng)不同，移動眾包系統(tǒng)具有更強的實時性。在移動眾包系統(tǒng)中，當用戶到達某個區(qū)域時，如果對發(fā)布的任務感興趣，用戶會及時地上傳自己的競價（包括所需報酬、感知時間等信息）。眾包平臺在收到用戶的競價后，必須立即確定是否接受用戶的競價請求。因此，與傳統(tǒng)的基于Web的眾包系統(tǒng)相比，移動眾包系統(tǒng)具有更強的實時性，不能用傳統(tǒng)的離線方法來解決移動眾包系統(tǒng)中的相關問題。

在眾包系統(tǒng)中，如何激勵用戶積極地參與任務感知，使得整個系統(tǒng)的收益最大化，是保證眾包系統(tǒng)性能的重要因素。目前大多的激勵懲罰策略都是基于monetary rewards提出的，以微支付（micro-payment）的形式對用戶進行激勵懲罰[5]。該方法簡單易行，然而不能解決用戶和平臺之間的社會困境問題（social dilemma問題）。由于個體的本性都是自私的，他們的目的都是最大化自身的收益。對于當前的價格機制，主要存在兩種social dilemma問題：1）如果任務請求者在任務執(zhí)行之前，將報酬付給感知用戶，即ex-ante情況，則感知用戶更傾向于付出很少的努力來進行任務的感知（甚至不進行任務的感知），從而導致感知數(shù)據(jù)質量的降低，這就產生了搭便車問題（free-riding問題）；2）反之，如果任務請求者在任務完成后，將報酬付給感知用戶，即ex-post情況，則任務請求者有可能謊報感知數(shù)據(jù)的質量，從而減少所付報酬（甚至拒絕付報酬），這就產生了虛報問題（false-reporting問題）[6]。

本文針對移動眾包系統(tǒng)的free-riding和false-reporting問題，建立基于聲譽的移動眾包系統(tǒng)的在線激勵機制——RMI。結合移動眾包系統(tǒng)的實時性特征及生物學特性，首先結合演化博弈和Wright-Fisher模型對移動眾包系統(tǒng)的演化趨勢進行預測分析，在此基礎上分別針對任務請求者和感知用戶建立two-side在線激勵機制。本文提出的在線激勵機制RMI的基本框架如圖1所示，通過建立相應的激勵機制，有效地解決移動眾包系統(tǒng)中出現(xiàn)的free-riding和false-reporting問題，從而最大化移動眾包系統(tǒng)的收益。

基于以上分析，本文研究移動眾包系統(tǒng)的在線激勵機制，主要工作為：

1）為了更準確地預測移動眾包系統(tǒng)的可信演化趨勢，結合演化博弈理論和Wright-Fisher模型對移動眾包系統(tǒng)的可信演化進行預測分析；

2）針對移動眾包系統(tǒng)中的free-riding和false-reporting問題，基于social norms設計個體的聲譽更新方法，分別建立任務請求者和感知用戶的在線激勵策略。

1國內外研究現(xiàn)狀

在移動社會網絡的激勵機制方面，對實體自私行為的控制和用戶隱私的保護的研究獲得了一定的成果，本文主要從激勵機制框架設計、拍賣算法的建立以及激勵懲罰策略的制定三個角度來介紹移動社會網絡激勵機制的國內外研究現(xiàn)狀。

1）激勵機制框架。

離線激勵機制（offline setting）和在線激勵機制（online setting）是兩種典型的激勵機制框架。Yang等[7]利用Stackelberg博弈提出了一種離線激勵機制，在這種激勵機制中，分別以平臺和用戶為中心研究了兩種系統(tǒng)模型。以平臺為中心的系統(tǒng)模型為參與的用戶提供相應的獎勵；而以用戶為中心的系統(tǒng)模型則根據(jù)他們預計獲得的收益來控制其參與任務感知的貢獻量。離線激勵機制的框架如圖2（a）所示。然而在離線激勵機制中，假設在任務發(fā)布后，所有用戶在同一時間段上傳自己的競價，即該方法沒有考慮移動感知的動態(tài)性特征，將用戶的到來完全假設為靜態(tài)競價。Zhang等[8]提出了一種在線激勵機制，分別提出了基于閾值的拍賣算法（Threshold-based Auction， TBA）和可信的在線激勵機制（Truthful Online Incentive Mechanism， TOIM）。然而在線激勵機制框架根據(jù)用戶到來的先后順序進行任務分配，假設用戶均為可信用戶，容易產生惡意攻擊，影響移動社會網絡的可信性。在線激勵機制的框架如圖2（b）所示。

2）拍賣算法。

兩階段拍賣算法（two-stage）是目前比較流行的拍賣算法之一[9-12]。兩階段拍賣算法是指將拍賣過程分為兩個階段，對于第一階段進入拍賣中的出價者，系統(tǒng)均拒絕他們的競價，并將在第一階段給出競價的出價者的競價信息進行記錄，根據(jù)第一階段的競價計算出競價閾值，從第二階段起，根據(jù)該閾值決定是否接受該出價者。兩階段拍賣算法具有很好的實用價值，然而，對于新進來的出價者來說，該方法有失公平性，從而導致出價者不愿意過早地參與競拍過程，降低了拍賣效率。

3）激勵懲罰策略。

為了解決移動社會網絡中的free-riding問題，很多激勵懲罰策略被提出。在移動社會網絡領域中，大多的激勵懲罰策略都是基于monetary rewards提出的，以micro-payment的形式對用戶進行激勵懲罰[13-16]。該方法簡單易行，然而不能解決用戶和平臺之間的social dilemma問題。Zhang等[6]基于社會規(guī)范提出一種激勵協(xié)議，該方法通過對用戶的聲譽進行更新來激勵用戶選擇可信策略。然而該方法在更新用戶的聲譽時，只設置了唯一的系統(tǒng)聲譽閾值，在這種情況下，一旦用戶在某次任務感知時選擇“非可信”策略，他將被系統(tǒng)永久淘汰，從而導致對一些潛在可信用戶造成不公平的問題，引起過度懲罰。

針對感知用戶的感知數(shù)據(jù)質量，將其分為可信報告（高質量）和非可信報告 （低質量）?？尚艌蟾媸侵父兄臄?shù)據(jù)質量較高，即感知的數(shù)據(jù)在可靠性和正確性方面具有較高的置信水平；然而由于感知用戶的先天自私性，感知用戶希望付出最小的代價得到最大的收益，因此，從而導致感知數(shù)據(jù)的低質量，即非可信報告。本文針對感知數(shù)據(jù)的可信報告和非可信報告來預測分析感知用戶的策略演化趨勢。

為了預測在ex-ante情況下，移動眾包系統(tǒng)的信任演化趨勢，利用非對稱博弈來分析感知用戶和任務請求者之間的關系。所謂非對稱博弈是指博弈雙方具有不同的策略集合。例如，最后通牒博弈和獨裁者博弈都是非對稱博弈，這類博弈中的博弈者具有不同的策略。我們定義：在一個任務感知過程中，任務請求者和感知用戶之間的交互，稱為一次交易，本文用非對稱的Gift-giving博弈來表示任務請求者和感知用戶之間的博弈關系。如表1所示為ex-ante情況下任務請求者和感知用戶之間的博弈收益矩陣。對于任務請求者bj來說，其策略集合為（選擇， 不選擇）；對于感知用戶wi來說，其策略集合為（可信， 非可信）。任務請求者會根據(jù)用戶的競價來決定是否選用該用戶為感知用戶，并根據(jù)該感知用戶的競價，付給其相應的報酬pi。由表1可以看出，針對ex-ante情況，即在感知工作之前付報酬給感知用戶的情況，感知用戶會更傾向于選擇非可信策略，這是因為pi≥λ·pi-ci；然而，如果感知用戶選擇非可信策略，此時，任務請求者的收益為-pi。

在ex-ante情況下，由于感知用戶的先天自私性，導致用戶為了眼前利益放棄長遠利益。為了預測分析移動眾包系統(tǒng)可信的演化趨勢，需要找到演化穩(wěn)定策略 （Evolutionary Stable Strategy， ESS）。ESS是指種群的大部分成員所采取的某種策略，這種策略的好處為其他策略所不及。本文基于移動眾包系統(tǒng)的復雜性和生物學特征，結合演化博弈理論和Wright-Fisher模型，分析移動眾包系統(tǒng)的可信演化趨勢。

Wright-Fisher過程具有廣泛的使用范圍，它進行的是同步更新，即所有個體根據(jù)適應性的強弱同時產生后代，得到一個后代集合，而更新后的下一代則從這個后代集合中隨機產生。因此，基于移動社會網絡的生物學特征，通過結合演化博弈理論和Wright-Fisher模型建立可信演化模型。假設有n個感知用戶參與某個任務的感知，其中：可信用戶數(shù)量為nT，非可信用戶數(shù)量為nD，且nT+nD=n。則根據(jù)表1中感知用戶的收益，結合Wright-Fisher模型中不同種群適應性的計算方法，分別計算可信和非可信感知用戶的適應性，計算方法分別如式（3）、（4）所示。其中：表示平均報酬，表示平均代價。

則根據(jù)該演化預測模型便可預測不同類型感知用戶的演化趨勢。為了找到演化穩(wěn)定策略（ESS），即納什均衡策略，需要同時滿足F（x）=dxdt=0和F′（x）<0兩個條件。通過計算，得到納什均衡點為x=0，即在ex-ante的情況下，移動眾包系統(tǒng)中感知用戶的ESS為非可信策略，這也正符合用戶的自私特性。然而，當用戶為了自身利益而選擇非可信策略時，雖然最大化了眼前的利益，但是從長遠看，卻影響了系統(tǒng)的整體收益，從而產生了free-riding問題。

2.2ex-post演化分析

針對ex-post情況，即在任務完成之后，任務請求者將報酬付給感知用戶。本文設定在ex-post情況下，感知用戶的收益和任務請求者的收益的計算方法與ex-ante情況相同。則ex-post情況下，感知用戶和任務請求者之間的博弈關系矩陣如表2所示。

由表2可以看出，當感知用戶完成任務后，任務請求者付報酬給感知用戶，這樣將導致任務請求者的自私特性，即為了提高自身收益，拒絕付報酬給感知用戶。為了分析選擇不同策略任務請求者的演化趨勢，同樣建立任務請求者的可信演化預測模型。首先設定，給出真實報酬的任務請求者為可信，反之為非可信。相應地，這兩類任務請求者所占總體的比例分別為x′和y′；同樣假設在博弈矩陣中，可信感知用戶和非可信感知用戶所占總體的比例分別為x和y。則式（10）所示為可信任務請求者的演化預測模型，式（11）為非可信任務請求者的演化預測模型。

則根據(jù)任務請求者的演化預測模型便可預測不同類型任務請求者的演化趨勢。同樣，為了找到ESS，即納什均衡策略，需要同時滿足F（x′）=dx′dt=0和F（x′）<0兩個條件。則納什均衡點為x′=0，即在ex-post的情況下，移動眾包系統(tǒng)中任務請求者的ESS為“不付報酬”策略。針對移動社會網絡中的ex-post情況，由分析可知移動眾包系統(tǒng)容易產生false-reporting問題。

3基于social norm的激勵機制

為了解決移動眾包系統(tǒng)中的free-riding問題和false-reporting問題，本文基于social norm設計用戶的聲譽更新方法，從而激勵感知用戶及任務請求者對可信策略的選取。

3.1ex-ante情況下的激勵機制

根據(jù)感知用戶在每次感知任務中的表現(xiàn)，動態(tài)地更新用戶的聲譽值，即基于用戶的歷史表現(xiàn)及感知能力來決定在今后的任務感知中是否雇傭該用戶作為感知用戶。因此，用戶為了長遠的利益，將趨于選擇能夠提高自身聲譽的策略作為其首選策略。

不同于傳統(tǒng)的聲譽更新方法，本文提出的任務請求者的聲譽更新方法針對不同類型的任務設置了不同的聲譽閾值。因此，本文提出的任務請求者聲譽更新方法不僅可以激勵懲罰任務請求者的可信行為，而且還可以避免對一些潛在可信任務請求者過度懲罰的問題。

4模擬實驗分析

為了驗證本文所提出的可信演化模型和聲譽更新方法的有效性，設計了兩組模擬實驗：第一組模擬實驗針對ex-ante情況，通過模擬實驗分析移動眾包系統(tǒng)中感知用戶的可信演化趨勢，并找到產生free-riding問題的臨界點，然后驗證感知用戶聲譽更新方法的有效性；第二組模擬實驗針對ex-post情況，通過模擬實驗分析移動眾包系統(tǒng)中任務請求者的可信演化趨勢，并找到產生false-reporting問題的臨界點，然后驗證任務請求者聲譽更新算法的有效性。

本文模擬實驗環(huán)境為Windows 7（x64）操作系統(tǒng)，Intel Core i5-3230M CPU @ 2.60GHz， 12GB內存，Matlab 7.0仿真平臺。本文采用event-based模擬實驗方法，具體的實驗設置將在每組模擬實驗中分別介紹。

4.1ex-ante情況實驗驗證

首先根據(jù)表1中ex-ante情況下的博弈收益矩陣，驗證移動眾包系統(tǒng)中的free-riding現(xiàn)象（感知用戶），并驗證所提感知用戶聲譽更新方法RMI的有效性。具體實驗設置如表3所示。

為了確定移動眾包系統(tǒng)中產生free-riding問題的邊界值（感知用戶），分別針對x=0.4，0.5，0.6，0.7，0.8，0.9來進行對比實驗，從而驗證感知用戶的自私行為導致free-riding現(xiàn)象的產生。根據(jù)本文提出的演化預測模型，當x采取不同初始值時，其演化趨勢如圖3所示。其中：橫坐標表示演化世代數(shù)，縱坐標表示系統(tǒng)內可信感知用戶的比例。由該實驗結果可以看出，當x≤0.6時，系統(tǒng)會產生free-riding現(xiàn)象，即感知用戶為了最大化自身收益，選擇非可信策略作為自身的首選策略。因此，需要建立有效的激勵機制來激勵感知用戶對可信策略的選取。

為了驗證不同系統(tǒng)聲譽閾值θ0對實驗結果的影響，分別針對θ0=6，7，8，9來進行對比實驗，結果如圖4所示。其中：橫坐標為交易時間序列，縱坐標為系統(tǒng)中可信感知用戶的數(shù)量。在該實驗中沒有選取更小的系統(tǒng)聲譽閾值，由于0≤θ0≤10，則當θ0<6時（例如θ0=5），聲譽閾值過小，即意味著感知用戶只需付出較小的代價便可順利完成任務，而獲得報酬。當聲譽閾值趨于0時，無論感知用戶表現(xiàn)如何，系統(tǒng)都視其為可信用戶，因此，基于專家經驗，當θ0<6時，不能達到懲罰不可信感知用戶的目的，系統(tǒng)聲譽閾值過小，會導致感知用戶更趨于選擇非可信策略，從而降低系統(tǒng)的整體可信度。由該結果可以看出，當θ0=6時，系統(tǒng)中剩余的可信感知用戶最多，隨著θ0的增大，系統(tǒng)中剩余的可信感知用戶數(shù)量越來越少，結果越來越差。當θ0=9時，該聲譽更新方法退化為傳統(tǒng)的聲譽更新方法，則為了提高整個移動眾包系統(tǒng)的可信性，設定θ0=6。

為了驗證本文所提激勵機制RMI在對感知用戶可信行為激勵方面的有效性，與文獻[6]中基于social norm的聲譽更新方法進行對比。在模擬實驗中，設置初始的可信感知用戶的數(shù)量為100，對比結果如圖5所示。其中：橫坐標表示交易的時間序列，縱坐標表示系統(tǒng)中可信感知用戶的數(shù)量。為了簡化模擬過程，固定系統(tǒng)內初始的可信感知用戶數(shù)量，即在演化過程中，不再有新的感知用戶加入。因此，隨著交易的進行，可信的感知用戶會相應地減少。由該實驗結果可以看出隨著交易的時間推移，在本文提出的聲譽更新方法RMI下，系統(tǒng)內可信感知用戶的數(shù)量逐漸收斂到80左右；而在文獻[6]提出的聲譽更新方法下，系統(tǒng)內可信感知用戶的數(shù)量逐漸減少，當交易的時間序列為22時，其可信感知用戶的數(shù)量減少到17。由該實驗結果可以看出，本文提出的聲譽更新方法RMI在感知用戶行為激勵方面具有更優(yōu)的性能。這是因為在傳統(tǒng)聲譽更新方法下，系統(tǒng)只設置一個聲譽閾值，從而導致一些潛在的可信感知用戶被過度懲罰，退出系統(tǒng)，不能再參與其他任務的感知。而本文提出的聲譽更新方法除了設置系統(tǒng)聲譽閾值外，每類任務還設置了相應的聲譽閾值，只要感知用戶的聲譽不低于系統(tǒng)聲譽閾值，該感知用戶便可以通過可信行為來提高自身聲譽度，從而有機會參加其他任務的感知，避免了過度懲罰問題。

4.2ex-post情況實驗驗證

同樣，本文根據(jù)表2中ex-post情況下的博弈收益矩陣，驗證移動眾包系統(tǒng)中的false-giving現(xiàn)象（任務請求者），并驗證所提任務請求者聲譽更新方法RMI的有效性。具體實驗設置如表4所示。

為了確定移動眾包系統(tǒng)中產生false-giving問題的邊界值（任務請求者），類似于感知用戶的free-riding現(xiàn)象驗證實驗，分別針對x′=0.4，0.5，0.6，0.7，0.8，0.9來進行對比實驗，從而驗證任務請求者的自私行為導致false-giving現(xiàn)象的產生。根據(jù)本文提出的演化預測模型，當x′采取不同初始值時，其演化趨勢如圖6所示。其中：橫坐標表示演化世代數(shù)，縱坐標表示系統(tǒng)內可信感知用戶的比例。由該實驗結果可以看出，當x≤0.6時，系統(tǒng)會產生false-giving現(xiàn)象，即任務請求者為了最大化自身收益，選擇非可信策略作為自身的首選策略。因此，需要建立有效的激勵機制來激勵任務請求者對可信策略的選取。

同樣，為了驗證不同系統(tǒng)聲譽閾值0對實驗結果的影響，對系統(tǒng)聲譽閾值0進行實驗對比，分別針對0=6，0=7和0=8進行實驗驗證，實驗對比結果如圖7所示。其中：橫坐標為交易時間序列，縱坐標表示系統(tǒng)中可信感知用戶的數(shù)量。由該實驗結果可以看出，當0=6時，系統(tǒng)中的可信任務請求者數(shù)量最多，當系統(tǒng)聲譽閾值增加到8時，其性能退化到傳統(tǒng)的聲譽更新方法。因此，為了最大化本文提出的聲譽更新方法RMI的性能，在本文的實驗中選取系統(tǒng)聲譽閾值0=6。

為了驗證本文所提激勵機制RMI在任務請求者可信行為激勵方面的有效性，同樣與文獻[6]中基于social norm的聲譽更新方法進行對比。在模擬實驗中，設置初始的任務請求者數(shù)量為50，其實驗結果如圖8所示。其中：橫坐標表示交易的時間序列，縱坐標表示系統(tǒng)中可信感知用戶的數(shù)量。與ex-ante情況下實驗類似，固定初始固定任務請求者的數(shù)量。由該實驗結果可以看出，隨著交易次數(shù)的增加，在本文提出的聲譽更新方法RMI下，系統(tǒng)內可信任務請求者的數(shù)量逐漸收斂到45左右；而在文獻[6]中的聲譽更新方法下，系統(tǒng)內可信任務請求者的數(shù)量逐漸減少到18。由該實驗結果可以看出，本文提出的信譽更新方法RMI在任務請求者行為激勵方面具有更優(yōu)的性能。這是由于本文所提的聲譽更新方法RMI不僅為系統(tǒng)設置了系統(tǒng)聲譽閾值，還為不同的任務類別設置了聲譽閾值，這樣不僅激勵了任務請求者的可信行為，還有效地避免了過度懲罰問題。

5結語

本文提出了一種基于聲譽的移動眾包系統(tǒng)的激勵機制——RMI。分別針對free-riding問題和false-reporting問題，首先結合演化博弈和Wright-Fisher模型對移動眾包系統(tǒng)的演化趨勢進行預測分析，在此基礎上分別針對任務請求者和感知用戶，建立two-side在線激勵機制。最后通過模擬實驗驗證了本文提出的激勵機制的有效性和適應性，與文獻[6]中基于social norm的聲譽更新方法相比，RMI有效地提高了移動眾包系統(tǒng)的可信性。

在未來的工作中，我們將進一步研究移動眾包系統(tǒng)的激勵懲罰機制，并考慮如何保證感知用戶和任務請求者的隱私，從而保證移動眾包系統(tǒng)的安全性和可信性。

參考文獻：

[1]CHATZIMILIOUDIS G， KONSTANTINIDIS A， LAOUDIAS C， et al. Crowdsourcing with smartphones [J]. IEEE Internet Computing， 2012， 16（5）： 36-44.

[2]HE Z， CAI Z， WANG X. Modeling propagation dynamics and developing optimized countermeasures for rumor spreading in online social networks [C]// ICDCS 2015： Proceedings of the 2015 IEEE 35th International Conference on Distributed Computing Systems. Washington， DC： IEEE Computer Society， 2015： 205-214.

[3]LI J， CAI Z， YAN M， et al. Using crowdsourced data in location-based social networks to explore influence maximization [C]// INFOCOM 2016： Proceedings of the 35 Annual IEEE International Conference on Computer Communications. Piscataway， NJ： IEEE， 2016.

http：//grid.cs.gsu.edu/～yli/papers/infocom16.pdf

[4]HAN M， YAN M， CAI Z， et al. An exploration of broader influence maximization in timeliness networks with opportunistic selection [J]. Journal of Network and Computer Applications， 2016， 63： 39-49.

[5]WANG Y， CAI Z， YIN G， et al. An incentive mechanism with privacy protection in mobile crowdsourcing systems [J]. Computer Networks， 2016， 102： 157-171.

[6]ZHANG Y， VAN DER SCHAAR M. Reputation-based incentive protocols in crowdsourcing applications [C]// Proceedings of the IEEE INFOCOM 2012. Piscataway， NJ： IEEE， 2012： 2140-2148.

[7]YANG D， XUE G， FANG X， et al. Crowdsourcing to smartphones： incentive mechanism design for mobile phone sensing [C]// Mobicom 12： Proceedings of the 18th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2012： 173-184.

[8]ZHANG X， YANG Z， ZHOU Z， et al. Free market of crowdsourcing： incentive mechanism design for mobile sensing [J]. IEEE Transaction on Parallel and Distributed Systems， 2014， 25（12）： 3190-3200.

[9]BABAIOFF M， IMMORLICA N， KEMPE D， et al. Online auctions and generalized secretary problems [J]. ACM SIGecom Exchanges， 2008， 7（2）： Article No. 7.

[10]BATENI M， HAJIAGHAYI M， ZADIMOGHADDAM M. Submodular secretary problem and extensions [C]// APPROX/RANDOM 10： Proceedings of the 13th International Conference on Approximation， and the 14th International Conference on Randomization， and Combinatorial Optimization： Algorithms and Techniques. Berlin： Springer-Verlag， 2010： 39-52.

[11]ZHAO D， LI X-Y， MA H. How to crowdsource tasks truthfully without sacrificing utility： online incentive mechanisms with budget constraint [C]// Proceedings of the IEEE INFOCOM 2014. Piscataway， NJ： IEEE， 2014： 1213-1221.

[12]SODAGARI S， BILN S G. On cost-sharing mechanisms in cognitive radio networks [J]. European Transactions on Telecommunications， 2011， 22（8）： 515-521.

[13]MASON W， WATTS D J. Financial incentives and the “performance of crowds” [J]. ACM SIGKDD Explorations Newsletter， 2009， 11（2）： 100-108.

http：//xueshu.baidu.com/s？wd=paperuri%3A%28ec2e3a3c1ac92da99e1892d79f79d6ad%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fdl.acm.org%2Fcitation.cfm%3Fid%3D1809422&ie=utf-8&sc_us=14451877034144833940等

原Proceedings of ACM SIGKDD Workshop on Human Computation. New York： ACM， 2009： 77-85.

[14]DIPALANTINO D， VOJNOVIC M. Crowdsourcing and allpay auctions [C]// EC 09： Proceedings of the 10th ACM Conference on Electronic Commerce. New York： ACM， 2009： 119-128.

[15]JAIN S， CHEN Y， PARKES D C. Designing incentives for online question-and-answer forum [J]. Games and Economic Behavior， 2014， 86： 458-474.

http：//xueshu.baidu.com/s？wd=paperuri%3A%2867521c26866306d1504f5e818b614dcd%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwww.sciencedirect.com%2Fscience%2Farticle%2Fpii%2FS0899825612001674&ie=utf-8&sc_us=2611507051408957624等

原 EC 09： Proceedings of the 10th ACM Conference on Electronic Commerce. New York： ACM， 2009： 129-138.

[16]SINGER Y， MITTAL M. Pricing mechanisms for crowdsourcing markets [C]// WWW 13： Proceedings of the 22nd International Conference on World Wide Web. New York： ACM， 2013： 1157-1166.