基于综合评估冲突网络与SMAA方法的社交网络群决策重叠决策者共识模型研究

为解决社交网络群决策(SNGDM)中重叠决策者(DMs)导致的子群内部冲突问题，研究人员提出了一种结合综合评估冲突网络与随机多准则可接受性分析(SMAA)的新型共识模型。该研究通过Floyd-Warshall算法实现重叠聚类，设计两阶段意见调整策略，并采用SMAA方法规避主观权重设定偏差。案例验证表明，该方法能有效识别重叠子群，提升老年护理服务供应商评估等实际决策场景的准确性。

　　

在数字化社交时代，群体决策过程正面临前所未有的复杂性挑战。当美食爱好者社区的成员同时关注健康饮食与地方特色时，当医疗专家委员会的医生横跨多个专科领域时，这些"跨界"决策者(DMs)使得传统社交网络群决策(SNGDM)模型陷入困境——既有的聚类方法假设每个决策者仅属于单一子群，而现实中重叠决策者引发的子群内部冲突常导致共识达成过程(CRP)失效。更棘手的是，决策者往往难以预先提供标准权重偏好，这使得依赖主观赋权的传统方法在实际应用中举步维艰。

针对这一决策科学领域的双重难题，获得国家社会科学基金资助（项目号22AGL032）的研究团队开展了一项创新性研究。他们巧妙融合图论算法与随机模拟技术，构建了首个同时解决重叠决策者聚类与客观权重确定问题的SNGDM框架。这项发表于《Engineering Applications of Artificial Intelligence》的研究，为复杂社交网络环境下的群体决策提供了新范式。

研究团队采用三大关键技术：首先基于Floyd-Warshall算法开发重叠聚类方法，通过综合评估冲突网络（整合信任度与评估冲突度）控制子群内部冲突水平；其次设计两阶段意见调整机制，区分普通决策者与重叠决策者的动态反馈策略；最后引入随机多准则可接受性分析(SMAA)方法，采用9604组蒙特卡洛模拟权重计算排序可接受性指数(RAI)，规避主观赋权偏差。

综合评估冲突网络的构建
研究创新性地定义了综合评估冲突网络，通过信任传播算子计算间接信任度，结合评估冲突度（采用余弦相似度量化意见差异），构建出能同时反映社会关系与观点矛盾的网络模型。该网络成为后续重叠聚类的基础拓扑结构。

基于Floyd-Warshall的重叠聚类
算法首先计算网络中任意两决策者的最小综合冲突度，随后通过预设的组内冲突阈值（案例中设为0.35）和子群数量阈值，识别出可能包含重叠决策者的聚类结构。在老年护理服务供应商评估案例中，该方法成功检测出同时属于"医疗专业性"和"服务可及性"两个子群的重叠决策者。

两阶段意见调整机制
针对重叠决策者的特殊地位，研究提出差异化的调整策略：当所属子群共识状态不一致时，重叠决策者采用加权平均法整合不同子群反馈意见；普通决策者则遵循经典的DeGroot意见动力学模型调整。这种分层处理显著提升了共识效率。

SMAA驱动的共识度量
突破性地将SMAA方法引入共识测量，通过蒙特卡洛模拟生成RAI指数，客观反映各方案在不同权重组合下的优势概率。在案例中，某供应商虽然在不同标准下表现波动，但其总体RAI达68.3%，最终被选为最优方案。

这项研究的创新价值体现在三重维度：方法论上，首次实现评估冲突网络与SMAA的跨学科融合；实践层面，为老年护理服务采购等公共决策提供可靠工具；理论上，拓展了复杂社交网络环境下群体决策的研究边界。尤其值得注意的是，案例研究显示采用该模型后，共识轮次减少23%，且最终决策结果与事后服务质量评估的吻合度提升至89%。正如研究者所言，这种"冲突控制-动态调整-客观验证"的三段式框架，为应对数字化时代日益复杂的群体决策场景提供了普适性解决方案。