群體決策是人們?nèi)粘Ｉ钪谐Ｒ姷默F(xiàn)象，無論是選擇餐廳還是決定度假目的地，群體決策系統(tǒng)（GDM）都在幫助參與者達(dá)成共識(shí)方面發(fā)揮著重要作用。傳統(tǒng)的GDM系統(tǒng)通常要求參與者提供明確的意見值，但在現(xiàn)實(shí)生活中，參與者往往通過自然語言表達(dá)他們的意見，如在評(píng)論、社交媒體和消息中。這種表達(dá)方式給計(jì)算機(jī)系統(tǒng)帶來了挑戰(zhàn)，因?yàn)樗鼈冃枰幚砗屠斫膺@些非結(jié)構(gòu)化的文本數(shù)據(jù)。

8 月 22 日學(xué)術(shù)交流平臺(tái)arXiv發(fā)表的論文《Sentiment and Emotion-aware Multi-criteria Fuzzy Group Decision Making System》提出了一種情感和情緒感知的多準(zhǔn)則模糊群體決策系統(tǒng)，旨在提高群體決策中的共識(shí)達(dá)成效率。通過整合自然語言處理（NLP）技術(shù)和模糊邏輯，該系統(tǒng)能夠分析文本數(shù)據(jù)中的情感和情緒，從而更全面地理解參與者的意見。這種方法不僅考慮了參與者的明確偏好，還納入了他們?cè)谟懻撝械那楦泻颓榫w表達(dá)，從而顯著提高了決策的準(zhǔn)確性和參與者的滿意度。

該研究由英國技術(shù)大學(xué)信息技術(shù)與工程學(xué)院的Adilet Yerkin、Pakizar Shamoi和Elnara Kadyrgali共同完成。該團(tuán)隊(duì)專注于開發(fā)創(chuàng)新的決策支持系統(tǒng)，致力于將先進(jìn)的人工智能技術(shù)應(yīng)用于實(shí)際問題解決。

研究的主要貢獻(xiàn)包括：

1. 提出了一種新的群體決策框架：該框架整合了投票系統(tǒng)、情感分析和模糊推理系統(tǒng)，能夠在群體決策過程中同時(shí)考慮定量和定性信息。
2. 驗(yàn)證了系統(tǒng)的有效性：通過實(shí)驗(yàn)，證明了該系統(tǒng)在提高參與者共識(shí)水平和決策滿意度方面的顯著效果。
3. 提供了實(shí)際應(yīng)用的案例：研究展示了該系統(tǒng)在選擇度假酒店這一具體決策場景中的應(yīng)用，證明了其在實(shí)際生活中的潛在價(jià)值。

通過這項(xiàng)研究，團(tuán)隊(duì)展示了情感和情緒分析在群體決策中的重要性，并為未來的研究和應(yīng)用提供了新的思路和方法。

相關(guān)工作

自1970年代以來，模糊邏輯和模糊集在群體決策系統(tǒng)（GDM）中得到了廣泛應(yīng)用。這些方法允許群體成員在表達(dá)意見時(shí)考慮決策過程中的模糊性和不確定性。模糊邏輯和模糊集能夠表示不精確或模糊的數(shù)據(jù)，從而捕捉群體背景下復(fù)雜的偏好和意見。

模糊邏輯是一種處理不確定性和模糊性的數(shù)學(xué)工具，它通過使用模糊集合和隸屬函數(shù)來表示和處理模糊信息。模糊集合允許元素具有部分隸屬度，而不是傳統(tǒng)集合中的完全隸屬或完全不隸屬。這種方法特別適用于處理人類語言中的模糊性和不確定性，例如“高”、“低”、“中”等模糊描述。

在群體決策中，模糊邏輯和模糊集的應(yīng)用可以幫助捕捉和處理參與者的模糊偏好和意見。例如，當(dāng)參與者對(duì)某個(gè)選項(xiàng)的偏好不明確時(shí)，模糊邏輯可以通過隸屬函數(shù)將這些模糊偏好轉(zhuǎn)換為可處理的數(shù)值，從而在決策過程中更好地反映參與者的真實(shí)意圖。

Kahraman等人比較了四種用于選擇設(shè)施位置的模糊GDM方法，包括Yager的加權(quán)目標(biāo)方法、Blin的模糊群體決策模型、模糊層次分析法和模糊綜合評(píng)價(jià)法。這些方法都旨在通過多屬性GDM系統(tǒng)選擇最佳設(shè)施位置。

Yager的加權(quán)目標(biāo)方法：該方法通過為每個(gè)目標(biāo)分配權(quán)重，并根據(jù)這些權(quán)重計(jì)算每個(gè)選項(xiàng)的總得分，從而選擇最佳選項(xiàng)。

Blin的模糊群體決策模型：該模型使用模糊邏輯來處理參與者的模糊偏好，并通過模糊推理系統(tǒng)計(jì)算每個(gè)選項(xiàng)的總得分。

模糊層次分析法（Fuzzy AHP）：該方法通過構(gòu)建層次結(jié)構(gòu)模型，并使用模糊邏輯計(jì)算每個(gè)選項(xiàng)的相對(duì)重要性，從而選擇最佳選項(xiàng)。

模糊綜合評(píng)價(jià)法：該方法通過綜合考慮多個(gè)評(píng)價(jià)指標(biāo)，并使用模糊邏輯計(jì)算每個(gè)選項(xiàng)的綜合得分，從而選擇最佳選項(xiàng)。

不完全模糊偏好關(guān)系自動(dòng)化了無主持人的共識(shí)達(dá)成過程，使用共識(shí)和一致性標(biāo)準(zhǔn)，并向?qū)＜姨峁┓答佉哉{(diào)整他們的偏好。這種方法在沒有主持人的情況下，通過自動(dòng)化的方式幫助群體達(dá)成共識(shí)。該方法通過計(jì)算參與者之間的共識(shí)度和一致性度，自動(dòng)調(diào)整參與者的偏好，以提高群體決策的共識(shí)水平。該系統(tǒng)向參與者提供反饋，幫助他們調(diào)整偏好，以達(dá)到更高的共識(shí)度。

在群體決策過程中，人們通常使用自然語言表達(dá)他們的意見。自然語言處理（NLP）技術(shù)能夠從大量文本數(shù)據(jù)中提取有價(jià)值的信息，支持決策過程。通過情感分析，NLP可以捕捉群體成員對(duì)決策或選項(xiàng)的集體情感和情緒，從而指導(dǎo)決策。

NLP技術(shù)包括文本預(yù)處理、特征提取、情感分析等多個(gè)步驟。文本預(yù)處理包括去除停用詞、詞干提取等步驟，以便提取有用的特征。特征提取包括詞袋模型、TF-IDF等方法，用于將文本轉(zhuǎn)換為數(shù)值特征。情感分析則通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型，識(shí)別文本中的情感傾向，如正面、負(fù)面或中性。

情感分析技術(shù)廣泛應(yīng)用于理解聊天對(duì)話或社交媒體討論中的整體情感，幫助決策者考慮群體的集體情感。例如一項(xiàng)研究提出了一種大規(guī)模GDM方法，使用情感分析管理大量專家的信息，重點(diǎn)關(guān)注與積極性和攻擊性相關(guān)的情緒。該方法通過情感分析技術(shù)，從大量專家的評(píng)論中提取有價(jià)值的情感信息，幫助決策者理解專家的情感傾向。該技術(shù)通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型，識(shí)別文本中的情感傾向，如正面、負(fù)面或中性。

另一項(xiàng)研究提出了一種結(jié)合自由文本輸入和替代方案成對(duì)比較的專家GDM模型。該模型允許專家使用自然語言輸入他們的意見，而不是使用固定格式或數(shù)值。該模型通過成對(duì)比較替代方案，計(jì)算每個(gè)選項(xiàng)的相對(duì)重要性，從而選擇最佳選項(xiàng)。

在動(dòng)態(tài)環(huán)境中，使用感知計(jì)算方案收集專家信息的GDM方法，通過辯論文本的情感分析，為每輪決策選擇最佳替代方案提供有價(jià)值的見解。它通過感知計(jì)算技術(shù)，收集專家在動(dòng)態(tài)環(huán)境中的信息，幫助決策者理解專家的情感傾向。通過情感分析技術(shù)，分析專家在辯論中的情感傾向，為每輪決策選擇最佳替代方案提供有價(jià)值的見解。

大規(guī)模GDM方法是使用情感分析管理大量專家的信息，提取與積極性和攻擊性相關(guān)的情緒。這種技術(shù)通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型，識(shí)別文本中的情感傾向，如正面、負(fù)面或中性。該方法通過情感分析技術(shù)，從大量專家的評(píng)論中提取有價(jià)值的情感信息，幫助決策者理解專家的情感傾向。

動(dòng)態(tài)社交網(wǎng)絡(luò)GDM場景的共識(shí)模型是以及基于社交媒體數(shù)據(jù)和情感分析的大規(guī)模GDM動(dòng)態(tài)專家權(quán)重確定方法，通過情感分析動(dòng)態(tài)識(shí)別專家權(quán)重。該模型通過計(jì)算參與者之間的共識(shí)度和一致性度，自動(dòng)調(diào)整參與者的偏好，以提高群體決策的共識(shí)水平。該方法通過情感分析技術(shù)，動(dòng)態(tài)識(shí)別專家的權(quán)重，幫助決策者理解專家的情感傾向。

這些方法增強(qiáng)了對(duì)參與者在決策過程中的情緒狀態(tài)的理解，提升了決策的準(zhǔn)確性和參與者的滿意度。通過將模糊邏輯和情感分析技術(shù)結(jié)合，群體決策系統(tǒng)能夠更全面地捕捉和處理參與者的意見和情感，從而提高決策的質(zhì)量和效率。

方法論

1. 偏好和投票系統(tǒng)

圖片

圖1：情感感知多準(zhǔn)則模糊群決策系統(tǒng)。

群體決策系統(tǒng)（GDM）通過整合投票系統(tǒng)、情感分析和模糊推理系統(tǒng)，旨在提高決策的準(zhǔn)確性和參與者的滿意度。系統(tǒng)架構(gòu)如圖1所示，主要包括以下幾個(gè)部分：

1. 輸入模塊：接收專家對(duì)備選方案的偏好和特征權(quán)重。
2. 偏好評(píng)估模塊：計(jì)算每個(gè)專家對(duì)每個(gè)備選方案的偏好值。
3. 情感分析模塊：分析參與者討論中的情感和情緒得分。
4. 模糊推理模塊：結(jié)合定量和定性信息，計(jì)算每個(gè)備選方案的綜合偏好得分。
5. 輸出模塊：輸出最終的決策結(jié)果和參與者的反饋。

在偏好評(píng)估過程中，系統(tǒng)首先接收專家對(duì)備選方案的偏好和特征權(quán)重。設(shè)定一組有限的備選方案，記為

以及一組有限的專家，記為

每個(gè)專家選擇的特征及其權(quán)重記為

和

在GDM系統(tǒng)中，目標(biāo)是根據(jù)每個(gè)專家提供的偏好值Pk對(duì)備選方案進(jìn)行排序。偏好評(píng)估使用以下公式計(jì)算每個(gè)專家對(duì)每個(gè)備選方案的偏好值：

其中，Wk(Xi)表示每個(gè)備選方案的特征權(quán)重，Zk(Ej)表示每個(gè)專家選擇的特征權(quán)重。偏好評(píng)估的結(jié)果將用于后續(xù)的情感分析和模糊推理過程。

圖2:輸入和輸出模糊集。

2. 情感分析

情感分析是該系統(tǒng)的重要組成部分，用于從參與者的討論中提取定量見解。本文使用NLTK庫中的VADER工具進(jìn)行情感分析。VADER是一種基于規(guī)則的情感分析工具，能夠處理社交媒體文本中的情感表達(dá)。

情感分析的過程包括以下幾個(gè)步驟：

1. 文本預(yù)處理：對(duì)參與者的討論文本進(jìn)行預(yù)處理，包括去除停用詞、詞干提取等。
2. 情感得分計(jì)算：使用VADER工具計(jì)算每條評(píng)論的情感得分。VADER提供一個(gè)復(fù)合得分，范圍從-1（負(fù)面）到1（正面）。
3. 情緒得分計(jì)算：使用Text2Emotion庫檢測文本中的情緒，包括“快樂”、“憤怒”、“驚訝”、“悲傷”和“恐懼”等情緒。每種情緒的得分范圍為0到1。
4. 綜合情感得分：將情感得分和情緒得分結(jié)合，計(jì)算每個(gè)備選方案的綜合情感得分。綜合情感得分的計(jì)算公式為：

其中，a和β是平衡情感和情緒影響的權(quán)重。

3. 模糊推理系統(tǒng)

模糊推理系統(tǒng)（FIS）將投票系統(tǒng)的定量結(jié)果與情感分析的定性結(jié)果結(jié)合，計(jì)算每個(gè)選項(xiàng)的綜合總偏好得分。FIS的輸入變量包括：

投票偏好：代表每個(gè)備選方案的投票得分，范圍為0到100。

情感偏好：代表每個(gè)備選方案的平均情感得分，范圍為-1到1。

FIS的輸出變量為：

總偏好：代表每個(gè)選項(xiàng)的最終偏好得分，范圍為0到10。

模糊規(guī)則通過IF-THEN語句定義輸入和輸出變量之間的關(guān)系。例如：

• IF 投票偏好是“高” AND 情感偏好是“正面”，THEN 總偏好是“高”。
• IF 投票偏好是“中” AND 情感偏好是“中性”，THEN 總偏好是“中”。
• IF 投票偏好是“低” AND 情感偏好是“負(fù)面”，THEN 總偏好是“低”。

這些規(guī)則結(jié)合輸入變量的隸屬度，計(jì)算每條規(guī)則的輸出。

去模糊化是將模糊推理的結(jié)果轉(zhuǎn)換為具體輸出值的過程。常用的去模糊化方法包括重心法（Centroid Method）和最大隸屬度法（Max Membership Method）。在本文中，使用重心法計(jì)算總偏好得分。

通過以上步驟，模糊推理系統(tǒng)能夠綜合定量和定性信息，提供更全面的決策支持。

實(shí)驗(yàn)與結(jié)果?

1. 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證情緒與情感感知的多準(zhǔn)則模糊群體決策系統(tǒng)的有效性，研究團(tuán)隊(duì)設(shè)計(jì)了一項(xiàng)實(shí)驗(yàn)，模擬實(shí)際決策場景。實(shí)驗(yàn)參與者包括四名志愿者，他們被邀請(qǐng)參與一個(gè)選擇度假酒店的決策過程。實(shí)驗(yàn)的具體設(shè)置如下：

參與者：四名志愿者，分別代表不同的偏好和觀點(diǎn)，以確保決策過程中的多樣性。

決策任務(wù)：選擇一個(gè)適合度假的酒店。

備選方案：七家不同的酒店，每家酒店具有八個(gè)屬性，包括每周價(jià)格、用戶評(píng)分、餐飲類型、房間面積、距離市中心的距離等。

討論平臺(tái)：參與者通過聊天工具進(jìn)行討論，表達(dá)他們對(duì)每個(gè)酒店的看法和偏好。

圖3：模糊推理系統(tǒng)偏好。

數(shù)據(jù)收集包括參與者對(duì)每個(gè)酒店的偏好評(píng)分和討論文本。具體步驟如下：

偏好評(píng)分：參與者對(duì)每個(gè)酒店的每個(gè)屬性進(jìn)行評(píng)分，評(píng)分范圍為-1（負(fù)面偏好）到1（正面偏好）。這些評(píng)分?jǐn)?shù)據(jù)用于形成初始的偏好矩陣。

討論文本：參與者通過聊天工具討論每個(gè)酒店的優(yōu)缺點(diǎn)，生成大量文本數(shù)據(jù)。這些文本數(shù)據(jù)將用于情感和情緒分析。

數(shù)據(jù)處理：

偏好評(píng)分處理：將參與者的評(píng)分?jǐn)?shù)據(jù)匯總，形成初始的偏好矩陣。每個(gè)參與者對(duì)每個(gè)酒店的評(píng)分都被記錄下來，以便后續(xù)分析。

文本預(yù)處理：對(duì)討論文本進(jìn)行預(yù)處理，包括去除停用詞、詞干提取等步驟，以便提取有用的特征。

情感分析：使用VADER工具計(jì)算每條評(píng)論的情感得分，并使用Text2Emotion庫檢測情緒得分。情感得分范圍從-1（負(fù)面）到1（正面），情緒得分包括“快樂”、“憤怒”、“驚訝”、“悲傷”和“恐懼”等情緒。

綜合情感得分：將情感得分和情緒得分結(jié)合，計(jì)算每個(gè)酒店的綜合情感得分。綜合情感得分的計(jì)算公式為：

其中，a和β是平衡情感和情緒影響的權(quán)重。

2. 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中，參與者對(duì)每個(gè)酒店的每個(gè)屬性進(jìn)行了評(píng)分，形成了初始的偏好矩陣。每個(gè)參與者的評(píng)分?jǐn)?shù)據(jù)被匯總，形成一個(gè)集體偏好矩陣。集體偏好矩陣代表了群體對(duì)每個(gè)酒店的總體偏好。

例如，假設(shè)參與者對(duì)某個(gè)酒店的評(píng)分如下：

• 參與者A：價(jià)格（0.5），評(píng)分（0.8），餐飲類型（0.3），房間面積（0.6），距離市中心（0.4）
• 參與者B：價(jià)格（0.4），評(píng)分（0.7），餐飲類型（0.2），房間面積（0.5），距離市中心（0.3）
• 參與者C：價(jià)格（0.6），評(píng)分（0.9），餐飲類型（0.4），房間面積（0.7），距離市中心（0.5）
• 參與者D：價(jià)格（0.3），評(píng)分（0.6），餐飲類型（0.1），房間面積（0.4），距離市中心（0.2）

這些評(píng)分?jǐn)?shù)據(jù)被匯總，形成一個(gè)集體偏好矩陣，反映了群體對(duì)每個(gè)酒店的總體偏好。

通過情感分析工具VADER和Text2Emotion庫，計(jì)算每條評(píng)論的情感得分和情緒得分。情感得分范圍從-1（負(fù)面）到1（正面），情緒得分包括“快樂”、“憤怒”、“驚訝”、“悲傷”和“恐懼”等情緒。綜合情感得分通過以下公式計(jì)算：

其中，a和β是平衡情感和情緒影響的權(quán)重。

例如，假設(shè)某條評(píng)論的情感得分為0.7，情緒得分為“快樂”（0.8）和“驚訝”（0.6），則綜合情感得分為：

模糊推理系統(tǒng)將投票偏好和情感偏好結(jié)合，計(jì)算每個(gè)酒店的總偏好得分。模糊推理系統(tǒng)的輸入變量包括投票偏好和情感偏好，輸出變量為總偏好。通過模糊規(guī)則和去模糊化過程，計(jì)算每個(gè)酒店的最終偏好得分。

例如，假設(shè)某個(gè)酒店的投票偏好為80，情感偏好為0.74，通過模糊推理系統(tǒng)計(jì)算的總偏好得分為8.5。

實(shí)驗(yàn)結(jié)束后，參與者提供了對(duì)決策的反饋，包括他們對(duì)決策結(jié)果的滿意度和信心水平。通過模糊推理系統(tǒng)計(jì)算反饋得分，并評(píng)估參與者意見的一致性和信心水平。共識(shí)評(píng)估包括計(jì)算參與者之間的共識(shí)度和一致性度，使用四分位距（IQR）和平均共識(shí)水平等指標(biāo)。

例如，假設(shè)參與者對(duì)某個(gè)酒店的反饋如下：

• 參與者A：滿意度（8），信心水平（7）
• 參與者B：滿意度（7），信心水平（6）
• 參與者C：滿意度（9），信心水平（8）
• 參與者D：滿意度（6），信心水平（5）

通過模糊推理系統(tǒng)計(jì)算的反饋得分為7.5，共識(shí)度為0.8。

圖4：推理過程的可視化表示。例如，協(xié)議值為8.8，置信度值為3.4。因此，我們得到的反饋值≈6.94。

實(shí)驗(yàn)結(jié)果表明，情緒與情感感知的多準(zhǔn)則模糊群體決策系統(tǒng)在提高決策準(zhǔn)確性和參與者滿意度方面具有顯著效果。參與者之間的高共識(shí)水平進(jìn)一步驗(yàn)證了該系統(tǒng)的有效性。

討論?

研究提出的情緒與情感感知的多準(zhǔn)則模糊群體決策系統(tǒng)在多個(gè)方面具有重要意義。首先，該系統(tǒng)通過整合自然語言處理（NLP）技術(shù)和模糊邏輯，能夠更全面地捕捉和處理參與者的意見和情感，從而提高決策的準(zhǔn)確性和參與者的滿意度。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)在實(shí)際應(yīng)用中能夠顯著提高參與者之間的共識(shí)水平，驗(yàn)證了其有效性。

其次，該系統(tǒng)在處理非結(jié)構(gòu)化文本數(shù)據(jù)方面表現(xiàn)出色，能夠從參與者的討論中提取有價(jià)值的情感和情緒信息。這種能力使得系統(tǒng)在面對(duì)復(fù)雜和多樣化的決策場景時(shí)，能夠提供更全面和準(zhǔn)確的決策支持。

最后研究展示了情感和情緒分析在群體決策中的重要性，為未來的研究和應(yīng)用提供了新的思路和方法。通過將情感和情緒分析與模糊邏輯結(jié)合，研究團(tuán)隊(duì)成功地開發(fā)了一種能夠在不確定性和模糊性條件下進(jìn)行有效決策的系統(tǒng)。

盡管VADER和Text2Emotion等工具在情感分析方面表現(xiàn)出色，但它們?cè)谔幚韽?fù)雜和多樣化的文本數(shù)據(jù)時(shí)仍存在一定的局限性。情感分析的準(zhǔn)確性可能會(huì)影響系統(tǒng)的決策結(jié)果。模糊邏輯和情感分析的結(jié)合增加了系統(tǒng)的計(jì)算復(fù)雜性，可能在處理大規(guī)模數(shù)據(jù)時(shí)面臨性能瓶頸。系統(tǒng)的偏好評(píng)分和特征權(quán)重依賴于專家的輸入，可能受到專家主觀偏好的影響。

未來研究可以探索更先進(jìn)的情感分析技術(shù)，如深度學(xué)習(xí)模型，以提高情感分析的準(zhǔn)確性和魯棒性。針對(duì)系統(tǒng)的計(jì)算復(fù)雜性問題，可以研究更高效的算法和優(yōu)化技術(shù)，以提高系統(tǒng)在大規(guī)模數(shù)據(jù)處理中的性能。未來研究可以探索該系統(tǒng)在更多實(shí)際應(yīng)用場景中的應(yīng)用，如醫(yī)療決策、教育評(píng)估等，驗(yàn)證其在不同領(lǐng)域的有效性。進(jìn)一步研究用戶在使用該系統(tǒng)過程中的體驗(yàn)，收集用戶反饋，優(yōu)化系統(tǒng)界面和交互設(shè)計(jì)，提高用戶滿意度。探索將文本、圖像、音頻等多模態(tài)數(shù)據(jù)融合到?jīng)Q策系統(tǒng)中，提供更全面的決策支持。

通過以上討論，我們可以看到情緒與情感感知的多準(zhǔn)則模糊群體決策系統(tǒng)在提高決策質(zhì)量和參與者滿意度方面具有重要意義。盡管存在一些局限性，但通過進(jìn)一步研究和優(yōu)化，該系統(tǒng)有望在更多實(shí)際應(yīng)用場景中發(fā)揮重要作用。（END）

參考資料：https://arxiv.org/pdf/2408.11976

本文轉(zhuǎn)載自??大噬元獸??，作者： FlerkenS ????