面向大规模应急决策的双指标聚类与个性化语义建模方法

《ADVANCED ENGINEERING INFORMATICS》：Consensus mechanism for large-scale group emergency decision-making in social networks incorporating personalized individual semantics and bi-level trust punishment

　　

摘要 研究人员针对大规模应急决策中专家评价信息的复杂性和不确定性，提出了一种结合信任关系与语义相似度的双指标聚类方法。该方法首先基于最佳-最差法（BWM）的一致性优化原理，构建了面向柔性语言决策矩阵（FLDM）的个性化数值尺度（PNS）优化模型，将专家的多属性权重信息转化为语言项的数值映射。其次，为解决信任不对称问题，设计了融合平均信任度与偏差的信任置信函数，并结合个性化语义向量相关性系数，构建了置信-相关系数作为Louvain社区发现算法的边权重，实现专家群体的自适应聚类。研究进一步依据聚类规模、内部偏好相关性和内部信任度分配集群权重，聚合形成群体期望决策矩阵。实验结果表明，该方法能有效降低大规模决策的计算复杂度，提升群体共识效率与决策结果的合理性，为应急情境下的高效协同决策提供了理论支持。

论文解读

研究背景与意义

在突发公共事件应急响应中，决策者常需在时间紧迫、信息不完全的条件下，综合大规模专家群体的意见进行评估。传统群体决策方法在处理专家间非对称信任关系和差异化语义理解时面临挑战，易导致聚类结果偏差与共识达成困难。现有研究多单独依赖信任网络或语义相似性进行专家分组，忽视了二者的耦合作用，且在语言信息量化过程中较少考虑专家个性化权重偏好。为此，研究人员在《ADVANCED ENGINEERING INFORMATICS》发表研究，旨在构建一种融合信任与语义双指标的聚类框架，并开发相应的个性化语义建模方法，以提升大规模应急决策的可靠性与效率。

主要技术方法

研究人员采用多阶段技术路线：首先基于专家提供的柔性语言决策矩阵（FLDM）与个性化属性权重，逆向应用最佳-最差法（BWM）构建个性化数值尺度（PNS）优化模型，将语言项映射至连续数值区间；其次设计信任置信函数，结合平均信任度与偏差量化专家间互信水平，并通过扩展语义向量计算Pearson相关系数，融合二者得到置信-相关系数；随后以该系数为边权重，采用Louvain算法对专家网络进行自适应社区发现；最终依据聚类规模、内部语义相关性与内部信任度分配权重，聚合形成群体决策矩阵。

研究结果

3. PIS模型用于专家给出的FLDM

研究人员通过逆向应用BWM一致性原理，建立了以属性权重比与偏好度偏差最小化为目标的优化模型（M-1）。模型约束包括语言项有序性、数值尺度范围限制及子集概率分布要求，并转化为线性规划问题（M-2）求解。结果表明，该方法可直接从多属性决策矩阵推导语言项数值尺度，避免了传统成对比较的主观性，且优化后的尺度与专家权重偏好高度一致。

4. 基于语义与信任双指标的聚类方法

研究人员提出信任置信函数，通过计算专家间平均信任度与偏差的影响因子，消除信任不对称影响。同时定义个性化语义向量的Pearson相关系数，融合信任与语义信息构建置信-相关系数矩阵。以该矩阵为权重输入Louvain算法，实现了无需预设聚类数的自适应分组。权重分配模型综合考虑聚类规模、内部语义相关性与信任度，确保大集群、高一致性、高信任度的分组获得更高决策权重。

讨论与结论

研究人员指出，所提方法突破了传统单指标聚类的局限性，通过双指标融合有效提升了聚类合理性与共识达成效率。PIS模型首次实现了从多属性决策矩阵到个性化语义的直接量化，为语言信息处理提供了新范式。Louvain算法的引入在保证计算效率的同时，适应了应急决策中动态变化的群体结构。研究虽未涉及具体案例验证，但为大规模应急决策的理论框架与实践应用提供了重要基础。未来可结合实时数据流进一步优化动态聚类性能。