情感与情绪在决策中的力量，多准则模糊群体决策系统的应用

群体决策是人们日常生活中常见的现象，无论是选择餐厅还是决定度假目的地，群体决策系统（GDM）都在帮助参与者达成共识方面发挥着重要作用。传统的GDM系统通常要求参与者提供明确的意见值，但在现实生活中，参与者往往通过自然语言表达他们的意见，如在评论、社交媒体和消息中。这种表达方式给计算机系统带来了挑战，因为它们需要处理和理解这些非结构化的文本数据。

8 月 22 日学术交流平台arXiv发表的论文《Sentiment and Emotion-aware Multi-criteria Fuzzy Group Decision Making System》提出了一种情感和情绪感知的多准则模糊群体决策系统，旨在提高群体决策中的共识达成效率。通过整合自然语言处理（NLP）技术和模糊逻辑，该系统能够分析文本数据中的情感和情绪，从而更全面地理解参与者的意见。这种方法不仅考虑了参与者的明确偏好，还纳入了他们在讨论中的情感和情绪表达，从而显著提高了决策的准确性和参与者的满意度。

该研究由英国技术大学信息技术与工程学院的Adilet Yerkin、Pakizar Shamoi和Elnara Kadyrgali共同完成。该团队专注于开发创新的决策支持系统，致力于将先进的人工智能技术应用于实际问题解决。

研究的主要贡献包括：

1. 提出了一种新的群体决策框架：该框架整合了投票系统、情感分析和模糊推理系统，能够在群体决策过程中同时考虑定量和定性信息。
2. 验证了系统的有效性：通过实验，证明了该系统在提高参与者共识水平和决策满意度方面的显著效果。
3. 提供了实际应用的案例：研究展示了该系统在选择度假酒店这一具体决策场景中的应用，证明了其在实际生活中的潜在价值。

通过这项研究，团队展示了情感和情绪分析在群体决策中的重要性，并为未来的研究和应用提供了新的思路和方法。

相关工作

自1970年代以来，模糊逻辑和模糊集在群体决策系统（GDM）中得到了广泛应用。这些方法允许群体成员在表达意见时考虑决策过程中的模糊性和不确定性。模糊逻辑和模糊集能够表示不精确或模糊的数据，从而捕捉群体背景下复杂的偏好和意见。

模糊逻辑是一种处理不确定性和模糊性的数学工具，它通过使用模糊集合和隶属函数来表示和处理模糊信息。模糊集合允许元素具有部分隶属度，而不是传统集合中的完全隶属或完全不隶属。这种方法特别适用于处理人类语言中的模糊性和不确定性，例如“高”、“低”、“中”等模糊描述。

在群体决策中，模糊逻辑和模糊集的应用可以帮助捕捉和处理参与者的模糊偏好和意见。例如，当参与者对某个选项的偏好不明确时，模糊逻辑可以通过隶属函数将这些模糊偏好转换为可处理的数值，从而在决策过程中更好地反映参与者的真实意图。

Kahraman等人比较了四种用于选择设施位置的模糊GDM方法，包括Yager的加权目标方法、Blin的模糊群体决策模型、模糊层次分析法和模糊综合评价法。这些方法都旨在通过多属性GDM系统选择最佳设施位置。

Yager的加权目标方法：该方法通过为每个目标分配权重，并根据这些权重计算每个选项的总得分，从而选择最佳选项。

Blin的模糊群体决策模型：该模型使用模糊逻辑来处理参与者的模糊偏好，并通过模糊推理系统计算每个选项的总得分。

模糊层次分析法（Fuzzy AHP）：该方法通过构建层次结构模型，并使用模糊逻辑计算每个选项的相对重要性，从而选择最佳选项。

模糊综合评价法：该方法通过综合考虑多个评价指标，并使用模糊逻辑计算每个选项的综合得分，从而选择最佳选项。

不完全模糊偏好关系自动化了无主持人的共识达成过程，使用共识和一致性标准，并向专家提供反馈以调整他们的偏好。这种方法在没有主持人的情况下，通过自动化的方式帮助群体达成共识。该方法通过计算参与者之间的共识度和一致性度，自动调整参与者的偏好，以提高群体决策的共识水平。该系统向参与者提供反馈，帮助他们调整偏好，以达到更高的共识度。

在群体决策过程中，人们通常使用自然语言表达他们的意见。自然语言处理（NLP）技术能够从大量文本数据中提取有价值的信息，支持决策过程。通过情感分析，NLP可以捕捉群体成员对决策或选项的集体情感和情绪，从而指导决策。

NLP技术包括文本预处理、特征提取、情感分析等多个步骤。文本预处理包括去除停用词、词干提取等步骤，以便提取有用的特征。特征提取包括词袋模型、TF-IDF等方法，用于将文本转换为数值特征。情感分析则通过机器学习或深度学习模型，识别文本中的情感倾向，如正面、负面或中性。

情感分析技术广泛应用于理解聊天对话或社交媒体讨论中的整体情感，帮助决策者考虑群体的集体情感。例如一项研究提出了一种大规模GDM方法，使用情感分析管理大量专家的信息，重点关注与积极性和攻击性相关的情绪。该方法通过情感分析技术，从大量专家的评论中提取有价值的情感信息，帮助决策者理解专家的情感倾向。该技术通过机器学习或深度学习模型，识别文本中的情感倾向，如正面、负面或中性。

另一项研究提出了一种结合自由文本输入和替代方案成对比较的专家GDM模型。该模型允许专家使用自然语言输入他们的意见，而不是使用固定格式或数值。该模型通过成对比较替代方案，计算每个选项的相对重要性，从而选择最佳选项。

在动态环境中，使用感知计算方案收集专家信息的GDM方法，通过辩论文本的情感分析，为每轮决策选择最佳替代方案提供有价值的见解。它通过感知计算技术，收集专家在动态环境中的信息，帮助决策者理解专家的情感倾向。通过情感分析技术，分析专家在辩论中的情感倾向，为每轮决策选择最佳替代方案提供有价值的见解。

大规模GDM方法是使用情感分析管理大量专家的信息，提取与积极性和攻击性相关的情绪。这种技术通过机器学习或深度学习模型，识别文本中的情感倾向，如正面、负面或中性。该方法通过情感分析技术，从大量专家的评论中提取有价值的情感信息，帮助决策者理解专家的情感倾向。

动态社交网络GDM场景的共识模型是以及基于社交媒体数据和情感分析的大规模GDM动态专家权重确定方法，通过情感分析动态识别专家权重。该模型通过计算参与者之间的共识度和一致性度，自动调整参与者的偏好，以提高群体决策的共识水平。该方法通过情感分析技术，动态识别专家的权重，帮助决策者理解专家的情感倾向。

这些方法增强了对参与者在决策过程中的情绪状态的理解，提升了决策的准确性和参与者的满意度。通过将模糊逻辑和情感分析技术结合，群体决策系统能够更全面地捕捉和处理参与者的意见和情感，从而提高决策的质量和效率。

方法论

1. 偏好和投票系统

图片

图1：情感感知多准则模糊群决策系统。

群体决策系统（GDM）通过整合投票系统、情感分析和模糊推理系统，旨在提高决策的准确性和参与者的满意度。系统架构如图1所示，主要包括以下几个部分：

1. 输入模块：接收专家对备选方案的偏好和特征权重。
2. 偏好评估模块：计算每个专家对每个备选方案的偏好值。
3. 情感分析模块：分析参与者讨论中的情感和情绪得分。
4. 模糊推理模块：结合定量和定性信息，计算每个备选方案的综合偏好得分。
5. 输出模块：输出最终的决策结果和参与者的反馈。

在偏好评估过程中，系统首先接收专家对备选方案的偏好和特征权重。设定一组有限的备选方案，记为

以及一组有限的专家，记为

每个专家选择的特征及其权重记为

和

在GDM系统中，目标是根据每个专家提供的偏好值Pk对备选方案进行排序。偏好评估使用以下公式计算每个专家对每个备选方案的偏好值：

其中，Wk(Xi)表示每个备选方案的特征权重，Zk(Ej)表示每个专家选择的特征权重。偏好评估的结果将用于后续的情感分析和模糊推理过程。

图2:输入和输出模糊集。

2. 情感分析

情感分析是该系统的重要组成部分，用于从参与者的讨论中提取定量见解。本文使用NLTK库中的VADER工具进行情感分析。VADER是一种基于规则的情感分析工具，能够处理社交媒体文本中的情感表达。

情感分析的过程包括以下几个步骤：

1. 文本预处理：对参与者的讨论文本进行预处理，包括去除停用词、词干提取等。
2. 情感得分计算：使用VADER工具计算每条评论的情感得分。VADER提供一个复合得分，范围从-1（负面）到1（正面）。
3. 情绪得分计算：使用Text2Emotion库检测文本中的情绪，包括“快乐”、“愤怒”、“惊讶”、“悲伤”和“恐惧”等情绪。每种情绪的得分范围为0到1。
4. 综合情感得分：将情感得分和情绪得分结合，计算每个备选方案的综合情感得分。综合情感得分的计算公式为：

其中，a和β是平衡情感和情绪影响的权重。

3. 模糊推理系统

模糊推理系统（FIS）将投票系统的定量结果与情感分析的定性结果结合，计算每个选项的综合总偏好得分。FIS的输入变量包括：

投票偏好：代表每个备选方案的投票得分，范围为0到100。

情感偏好：代表每个备选方案的平均情感得分，范围为-1到1。

FIS的输出变量为：

总偏好：代表每个选项的最终偏好得分，范围为0到10。

模糊规则通过IF-THEN语句定义输入和输出变量之间的关系。例如：

• IF 投票偏好是“高” AND 情感偏好是“正面”，THEN 总偏好是“高”。
• IF 投票偏好是“中” AND 情感偏好是“中性”，THEN 总偏好是“中”。
• IF 投票偏好是“低” AND 情感偏好是“负面”，THEN 总偏好是“低”。

这些规则结合输入变量的隶属度，计算每条规则的输出。

去模糊化是将模糊推理的结果转换为具体输出值的过程。常用的去模糊化方法包括重心法（Centroid Method）和最大隶属度法（Max Membership Method）。在本文中，使用重心法计算总偏好得分。

通过以上步骤，模糊推理系统能够综合定量和定性信息，提供更全面的决策支持。

实验与结果​

1. 实验设计

为了验证情绪与情感感知的多准则模糊群体决策系统的有效性，研究团队设计了一项实验，模拟实际决策场景。实验参与者包括四名志愿者，他们被邀请参与一个选择度假酒店的决策过程。实验的具体设置如下：

参与者：四名志愿者，分别代表不同的偏好和观点，以确保决策过程中的多样性。

决策任务：选择一个适合度假的酒店。

备选方案：七家不同的酒店，每家酒店具有八个属性，包括每周价格、用户评分、餐饮类型、房间面积、距离市中心的距离等。

讨论平台：参与者通过聊天工具进行讨论，表达他们对每个酒店的看法和偏好。

图3：模糊推理系统偏好。

数据收集包括参与者对每个酒店的偏好评分和讨论文本。具体步骤如下：

偏好评分：参与者对每个酒店的每个属性进行评分，评分范围为-1（负面偏好）到1（正面偏好）。这些评分数据用于形成初始的偏好矩阵。

讨论文本：参与者通过聊天工具讨论每个酒店的优缺点，生成大量文本数据。这些文本数据将用于情感和情绪分析。

数据处理：

偏好评分处理：将参与者的评分数据汇总，形成初始的偏好矩阵。每个参与者对每个酒店的评分都被记录下来，以便后续分析。

文本预处理：对讨论文本进行预处理，包括去除停用词、词干提取等步骤，以便提取有用的特征。

情感分析：使用VADER工具计算每条评论的情感得分，并使用Text2Emotion库检测情绪得分。情感得分范围从-1（负面）到1（正面），情绪得分包括“快乐”、“愤怒”、“惊讶”、“悲伤”和“恐惧”等情绪。

综合情感得分：将情感得分和情绪得分结合，计算每个酒店的综合情感得分。综合情感得分的计算公式为：

其中，a和β是平衡情感和情绪影响的权重。

2. 实验结果

实验中，参与者对每个酒店的每个属性进行了评分，形成了初始的偏好矩阵。每个参与者的评分数据被汇总，形成一个集体偏好矩阵。集体偏好矩阵代表了群体对每个酒店的总体偏好。

例如，假设参与者对某个酒店的评分如下：

• 参与者A：价格（0.5），评分（0.8），餐饮类型（0.3），房间面积（0.6），距离市中心（0.4）
• 参与者B：价格（0.4），评分（0.7），餐饮类型（0.2），房间面积（0.5），距离市中心（0.3）
• 参与者C：价格（0.6），评分（0.9），餐饮类型（0.4），房间面积（0.7），距离市中心（0.5）
• 参与者D：价格（0.3），评分（0.6），餐饮类型（0.1），房间面积（0.4），距离市中心（0.2）

这些评分数据被汇总，形成一个集体偏好矩阵，反映了群体对每个酒店的总体偏好。

通过情感分析工具VADER和Text2Emotion库，计算每条评论的情感得分和情绪得分。情感得分范围从-1（负面）到1（正面），情绪得分包括“快乐”、“愤怒”、“惊讶”、“悲伤”和“恐惧”等情绪。综合情感得分通过以下公式计算：

其中，a和β是平衡情感和情绪影响的权重。

例如，假设某条评论的情感得分为0.7，情绪得分为“快乐”（0.8）和“惊讶”（0.6），则综合情感得分为：

模糊推理系统将投票偏好和情感偏好结合，计算每个酒店的总偏好得分。模糊推理系统的输入变量包括投票偏好和情感偏好，输出变量为总偏好。通过模糊规则和去模糊化过程，计算每个酒店的最终偏好得分。

例如，假设某个酒店的投票偏好为80，情感偏好为0.74，通过模糊推理系统计算的总偏好得分为8.5。

实验结束后，参与者提供了对决策的反馈，包括他们对决策结果的满意度和信心水平。通过模糊推理系统计算反馈得分，并评估参与者意见的一致性和信心水平。共识评估包括计算参与者之间的共识度和一致性度，使用四分位距（IQR）和平均共识水平等指标。

例如，假设参与者对某个酒店的反馈如下：

• 参与者A：满意度（8），信心水平（7）
• 参与者B：满意度（7），信心水平（6）
• 参与者C：满意度（9），信心水平（8）
• 参与者D：满意度（6），信心水平（5）

通过模糊推理系统计算的反馈得分为7.5，共识度为0.8。

图4：推理过程的可视化表示。例如，协议值为8.8，置信度值为3.4。因此，我们得到的反馈值≈6.94。

实验结果表明，情绪与情感感知的多准则模糊群体决策系统在提高决策准确性和参与者满意度方面具有显著效果。参与者之间的高共识水平进一步验证了该系统的有效性。

讨论​

研究提出的情绪与情感感知的多准则模糊群体决策系统在多个方面具有重要意义。首先，该系统通过整合自然语言处理（NLP）技术和模糊逻辑，能够更全面地捕捉和处理参与者的意见和情感，从而提高决策的准确性和参与者的满意度。实验结果表明，系统在实际应用中能够显著提高参与者之间的共识水平，验证了其有效性。

其次，该系统在处理非结构化文本数据方面表现出色，能够从参与者的讨论中提取有价值的情感和情绪信息。这种能力使得系统在面对复杂和多样化的决策场景时，能够提供更全面和准确的决策支持。

最后研究展示了情感和情绪分析在群体决策中的重要性，为未来的研究和应用提供了新的思路和方法。通过将情感和情绪分析与模糊逻辑结合，研究团队成功地开发了一种能够在不确定性和模糊性条件下进行有效决策的系统。

尽管VADER和Text2Emotion等工具在情感分析方面表现出色，但它们在处理复杂和多样化的文本数据时仍存在一定的局限性。情感分析的准确性可能会影响系统的决策结果。模糊逻辑和情感分析的结合增加了系统的计算复杂性，可能在处理大规模数据时面临性能瓶颈。系统的偏好评分和特征权重依赖于专家的输入，可能受到专家主观偏好的影响。

未来研究可以探索更先进的情感分析技术，如深度学习模型，以提高情感分析的准确性和鲁棒性。针对系统的计算复杂性问题，可以研究更高效的算法和优化技术，以提高系统在大规模数据处理中的性能。未来研究可以探索该系统在更多实际应用场景中的应用，如医疗决策、教育评估等，验证其在不同领域的有效性。进一步研究用户在使用该系统过程中的体验，收集用户反馈，优化系统界面和交互设计，提高用户满意度。探索将文本、图像、音频等多模态数据融合到决策系统中，提供更全面的决策支持。

通过以上讨论，我们可以看到情绪与情感感知的多准则模糊群体决策系统在提高决策质量和参与者满意度方面具有重要意义。尽管存在一些局限性，但通过进一步研究和优化，该系统有望在更多实际应用场景中发挥重要作用。（END）

参考资料：https://arxiv.org/pdf/2408.11976

本文转载自​​大噬元兽​​，作者： FlerkenS ​​​​