群智感知在日常生活中发挥了重要作用。数据质量评估和用户选择都是群智感知研究中的重要问题。选择能够提供高质量数据的用户保障了群智感知任务的成功。在本文中,我们将基于数据质量进行用户选择。首先,通过利用用户在任务上执行的历史数据,我们使用压缩感知预测用户在那些他从未做过的任务上能够达到的数据质量。另外通过刻画用户之间的相似性,将其与原来的压缩感知结合提出Grouping Compressive Sensing(分组压缩感知,简称GCS)。与原来的压缩感知相比,GCS更加高效,精确。然后,我们使用预测的数据质量来指导用户选择。我们考虑现实世界中出现的一般情景。对于任务,我们希望尽可能短的时间来实现预期的质量。我们考虑了离线和在线的场景,分别设计了具有对数近似比的贪心算法Off-QBUR(离线的用户选择)和具有线性近似比的贪心算法On-QBUR(在线的用户选择)。我们使用真实世界的数据集来评估分组压缩感知,实验结果表明我们的方法是有效的,预测的数据质量具有较高精准度。