一种基于文本数据驱动的语言直觉乘法多准则决策方法及其在产品推荐中的应用

《Engineering Applications of Artificial Intelligence》:A text date-driven multi-criteria decision making method with linguistic intuitionistic multiplicative information and its application in product recommendation

【字体: 大 中 小 】 时间:2026年01月10日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  在人工智能与大数据技术的深度融合背景下,决策范式正转向数据驱动的智能框架。由于文本数据构成大数据的关键组成部分,其有效挖掘与解读对于提升决策质量至关重要。与现有基于文本挖掘的决策方法依赖于预定义备选方案或主观准则指定不同,研究人员提出了一种新方法,用以解决文本

  
在人工智能与大数据技术的深度融合背景下,决策范式正转向数据驱动的智能框架。由于文本数据构成大数据的关键组成部分,其有效挖掘与解读对于提升决策质量至关重要。与现有基于文本挖掘的决策方法依赖于预定义备选方案或主观准则指定不同,研究人员提出了一种新方法,用以解决文本数据环境下决策备选方案的生成、决策准则的提取、以及决策备选方案的排序与优化问题。首先,采用改进的Jaccard相似度结合基于案例的推理(case-based reasoning, CBR)构建初始备选方案集。随后,应用相关主题模型(correlated topic model, CTM)与文本挖掘技术推导决策准则及其客观权重,同时通过语言直觉乘法(linguistic intuitionistic multiplicative, LIM)优先模型确定主观权重。接着,提出一种新型LIM交互加权平均(LIM interactive weighted averaging, LIMIWA)算子对备选方案进行排序,并证明其关键性质。最后,以电脑推荐案例展示了该方法的可行性、可解释性与实际有效性。与部分现有方法相比,所提方法在计算效率、主题建模性能和可扩展性方面展现出显著优势,证明了其在真实大数据环境下复杂决策中的适用性。
**论文解读:基于文本数据驱动的语言直觉乘法多准则决策方法及其在产品推荐中的应用**

**1. 研究背景与问题提出**

随着人工智能与大数据技术的深度融合,决策范式正从传统的主观经验驱动转向数据驱动的智能框架。文本数据作为大数据最自然的表现形式,占据了在线信息的80%以上,蕴含着丰富的决策价值。然而,现有基于文本挖掘的决策方法存在三个核心问题:第一,大多数多准则决策(MCDM)研究聚焦于对既定备选方案进行评价与排序,而忽略了初始决策备选方案如何从非结构化文本中生成的问题;第二,在决策准则提取与权重确定阶段,常用的潜在狄利克雷分配(LDA)主题模型忽略了主题间的语义关联,且主题数量需主观预设,准则权重也多由决策者主观给定,缺乏客观性;第三,现有语言直觉乘法变量(LIMV)的集结算子(如LIMWA、LIMWG等)将隶属度与非隶属度独立聚合,无法反映实际决策中准则间的交互特征,且在某些情况下聚合结果无法区分。为解决上述问题,研究人员提出了一种全新的文本数据驱动决策分析框架,以提升大数据环境下MCDM的实用性与可解释性。该论文发表在《Engineering Applications of Artificial Intelligence》。

**2. 主要关键技术方法概述**

研究人员采用以下关键技术构建决策框架:首先,通过改进的Jaccard相似度结合基于案例的推理(CBR)从历史案例文本中生成初始备选方案集;其次,利用K-means聚类、戴维斯-博尔丁指数(DBI)与对数似然函数确定最优主题数,并采用相关主题模型(CTM)提取决策准则及其客观权重,同时构建语言直觉乘法(LIM)优先模型确定主观权重,形成混合赋权机制;最后,重新定义LIMV的基本运算规则,使非隶属度计算显式包含隶属度与非隶属度的乘积,在此基础上提出LIM交互加权平均(LIMIWA)算子,并证明其幂等性、有界性与单调性。案例数据来源于某大学电脑采购问卷(有效问卷421份)。

**3. 研究结果**

**3.1 基于文本数据的决策备选方案生成**
通过改进的Jaccard相似度与CBR技术,从历史案例文档中检索高相似案例,构建初始推荐产品集,解决了传统方法中备选方案需预定义的问题。

**3.2 基于CTM的决策准则提取与混合权重确定**
采用K-means聚类与DBI确定最优主题数,再通过CTM模型提取12个电脑采购准则(如处理器、价格、电池寿命等),并从主题-关键词分布中获取客观权重;同时邀请决策者给出LIM偏好信息,经LIM优先模型计算主观权重,最终融合为主观-客观混合权重,克服了单一赋权方法的局限性。

**3.3 LIM交互加权平均算子与方案排序**
新定义的LIMIWA算子通过引入隶属度与非隶属度乘积项,实现了聚合过程中的信息交互。应用该算子对8款候选电脑进行综合排序,得到最优推荐产品,并通过灵敏度分析验证了方法的稳定性。

**3.4 对比分析**
与现有方法(如LDA+TOPSIS、LIMWA算子等)相比,所提方法在计算效率、主题建模性能(语义相关性捕捉)和可扩展性方面表现更优,且能有效区分相似备选方案的聚合结果。

**4. 结论与讨论**

研究人员总结指出,所提出的文本数据驱动语言直觉乘法多准则决策方法为文本富集环境下的决策问题提供了全新解决方案。该框架通过改进的Jaccard相似度与CBR生成备选方案,利用CTM与混合赋权机制提取准则并确定权重,最后通过LIMIWA算子进行方案排序,在电脑推荐案例中验证了其可行性与实效性。讨论部分强调,与传统方法相比,该方法具有更强的可解释性:能清晰揭示决策备选方案的生成逻辑、准则确立依据以及交互聚合过程。未来研究方向包括:拓展至群决策场景、结合深度学习增强主题建模精度,以及开发自适应反馈机制以应对动态变化的应用场景。研究结论部分翻译如下:随着互联网技术的快速发展,呈指数增长的文本数据中包含宝贵的隐含信息。文本挖掘使决策者能够提取文本数据中的关键信息,从而辅助更准确、更科学的决策。为解决文本富集环境下的决策挑战,研究人员提出了一种新的LIM MCDM方法,并将其应用于电脑推荐决策问题。该框架首先结合改进的Jaccard相似度与CBR技术生成初始备选方案集;其次,通过CTM提取决策准则并确定混合权重;然后,利用新定义的LIMIWA算子对备选方案进行排序;最后,通过电脑推荐案例验证了方法的可行性、可解释性与实际有效性。与现有方法相比,所提方法在计算效率、主题建模性能和可扩展性方面具有显著优势,证明了其在真实大数据环境中复杂决策的适用性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号