Видобування надійної інформації з пасивно та активно краудсорсингових даних

SUNY Буффало, Баффало, Нью-Йорк, США

LinkedIn, Mountain View, Каліфорнія, США

Baidu Research Big Data Lab, Саннівейл, Каліфорнія, США

Університет Іллінойсу в Урбана-Шампейн, Урбана, Іллінойс, США

Додано нове сповіщення про цитування!

Це попередження успішно додано та буде надіслано на адресу:

Ви отримаєте повідомлення про те, що коли цитується вибраний вами запис.

Щоб керувати налаштуваннями сповіщень, натисніть на кнопку нижче.

Оповіщення про нове цитування!

Зберегти в Binder

KDD '16: Матеріали 22-ї Міжнародної конференції ACM SIGKDD з питань виявлення знань та видобутку даних

АНОТАЦІЯ

Останні роки засвідчили дивовижний ріст даних, внесених натовпом, які стали потужним джерелом інформації, що охоплює майже всі аспекти нашого життя. Ця велика скарбниця інформації принципово змінила способи пізнання нашого світу. Краудсорсинг привернув значну увагу різними підходами, розробленими для використання цих величезних краудсорсингових даних з різних точок зору. З точки зору збору даних краудсорсингові дані можна розділити на два типи: "пасивно" краудсорсингові дані та "активно" краудсорсингові дані; з точки зору завдання, дослідження краудсорсингу включає агрегування інформації, розподіл бюджету, механізм стимулювання робітників тощо. Щоб відповісти на необхідність систематичного введення галузі та порівняння методів, ми представимо організовану картину методів краудсорсингу в цьому навчальному посібнику. Висвітлені теми зацікавлять як досвідчених дослідників, так і початківців у цій галузі.