群體決策是人們日常生活中常見的現象，無論是選擇餐廳還是決定度假目的地，群體決策系統（GDM）都在幫助參與者達成共識方面發揮著重要作用。傳統的GDM系統通常要求參與者提供明確的意見值，但在現實生活中，參與者往往通過自然語言表達他們的意見，如在評論、社交媒體和消息中。這種表達方式給計算機系統帶來了挑戰，因為它們需要處理和理解這些非結構化的文本數據。

8 月 22 日學術交流平臺arXiv發表的論文《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則模糊群體決策系統，旨在提高群體決策中的共識達成效率。通過整合自然語言處理（NLP）技術和模糊邏輯，該系統能夠分析文本數據中的情感和情緒，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，還納入了他們在討論中的情感和情緒表達，從而顯著提高了決策的準確性和參與者的滿意度。

該研究由英國技術大學信息技術與工程學院的Adilet Yerkin、Pakizar Shamoi和Elnara Kadyrgali共同完成。該團隊專注于開發創新的決策支持系統，致力于將先進的人工智能技術應用于實際問題解決。

研究的主要貢獻包括：

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

通過這項研究，團隊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用提供了新的思路和方法。

相關工作

自1970年代以來，模糊邏輯和模糊集在群體決策系統（GDM）中得到了廣泛應用。這些方法允許群體成員在表達意見時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據，從而捕捉群體背景下復雜的偏好和意見。

模糊邏輯是一種處理不確定性和模糊性的數學工具，它通過使用模糊集合和隸屬函數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用可以幫助捕捉和處理參與者的模糊偏好和意見。例如，當參與者對某個選項的偏好不明確時，模糊邏輯可以通過隸屬函數將這些模糊偏好轉換為可處理的數值，從而在決策過程中更好地反映參與者的真實意圖。

Kahraman等人比較了四種用于選擇設施位置的模糊GDM方法，包括Yager的加權目標方法、Blin的模糊群體決策模型、模糊層次分析法和模糊綜合評價法。這些方法都旨在通過多屬性GDM系統選擇最佳設施位置。

Yager的加權目標方法：該方法通過為每個目標分配權重，并根據這些權重計算每個選項的總得分，從而選擇最佳選項。

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計算每個選項的總得分。

模糊層次分析法（Fuzzy AHP）：該方法通過構建層次結構模型，并使用模糊邏輯計算每個選項的相對重要性，從而選擇最佳選項。

模糊綜合評價法：該方法通過綜合考慮多個評價指標，并使用模糊邏輯計算每個選項的綜合得分，從而選擇最佳選項。

不完全模糊偏好關系自動化了無主持人的共識達成過程，使用共識和一致性標準，并向專家提供反饋以調整他們的偏好。這種方法在沒有主持人的情況下，通過自動化的方式幫助群體達成共識。該方法通過計算參與者之間的共識度和一致性度，自動調整參與者的偏好，以提高群體決策的共識水平。該系統向參與者提供反饋，幫助他們調整偏好，以達到更高的共識度。

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

NLP技術包括文本預處理、特征提取、情感分析等多個步驟。文本預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，用于將文本轉換為數值特征。情感分析則通過機器學習或深度學習模型，識別文本中的情感傾向，如正面、負面或中性。

情感分析技術廣泛應用于理解聊天對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。例如一項研究提出了一種大規模GDM方法，使用情感分析管理大量專家的信息，重點關注與積極性和攻擊性相關的情緒。該方法通過情感分析技術，從大量專家的評論中提取有價值的情感信息，幫助決策者理解專家的情感傾向。該技術通過機器學習或深度學習模型，識別文本中的情感傾向，如正面、負面或中性。

另一項研究提出了一種結合自由文本輸入和替代方案成對比較的專家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值。該模型通過成對比較替代方案，計算每個選項的相對重要性，從而選擇最佳選項。

在動態環境中，使用感知計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值的見解。它通過感知計算技術，收集專家在動態環境中的信息，幫助決策者理解專家的情感傾向。通過情感分析技術，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值的見解。

大規模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的情緒。這種技術通過機器學習或深度學習模型，識別文本中的情感傾向，如正面、負面或中性。該方法通過情感分析技術，從大量專家的評論中提取有價值的情感信息，幫助決策者理解專家的情感傾向。

動態社交網絡GDM場景的共識模型是以及基于社交媒體數據和情感分析的大規模GDM動態專家權重確定方法，通過情感分析動態識別專家權重。該模型通過計算參與者之間的共識度和一致性度，自動調整參與者的偏好，以提高群體決策的共識水平。該方法通過情感分析技術，動態識別專家的權重，幫助決策者理解專家的情感傾向。

這些方法增強了對參與者在決策過程中的情緒狀態的理解，提升了決策的準確性和參與者的滿意度。通過將模糊邏輯和情感分析技術結合，群體決策系統能夠更全面地捕捉和處理參與者的意見和情感，從而提高決策的質量和效率。

方法論

1. 偏好和投票系統

圖片

圖1：情感感知多準則模糊群決策系統。

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

1. 輸入模塊：接收專家對備選方案的偏好和特征權重。
2. 偏好評估模塊：計算每個專家對每個備選方案的偏好值。
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：結合定量和定性信息，計算每個備選方案的綜合偏好得分。
5. 輸出模塊：輸出最終的決策結果和參與者的反饋。

在偏好評估過程中，系統首先接收專家對備選方案的偏好和特征權重。設定一組有限的備選方案，記為

以及一組有限的專家，記為

每個專家選擇的特征及其權重記為

和

在GDM系統中，目標是根據每個專家提供的偏好值Pk對備選方案進行排序。偏好評估使用以下公式計算每個專家對每個備選方案的偏好值：

其中，Wk(Xi)表示每個備選方案的特征權重，Zk(Ej)表示每個專家選擇的特征權重。偏好評估的結果將用于后續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工具進行情感分析。VADER是一種基于規則的情感分析工具，能夠處理社交媒體文本中的情感表達。

情感分析的過程包括以下幾個步驟：

1. 文本預處理：對參與者的討論文本進行預處理，包括去除停用詞、詞干提取等。
2. 情感得分計算：使用VADER工具計算每條評論的情感得分。VADER提供一個復合得分，范圍從-1（負面）到1（正面）。
3. 情緒得分計算：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合，計算每個備選方案的綜合情感得分。綜合情感得分的計算公式為：

其中，a和β是平衡情感和情緒影響的權重。

3. 模糊推理系統

模糊推理系統（FIS）將投票系統的定量結果與情感分析的定性結果結合，計算每個選項的綜合總偏好得分。FIS的輸入變量包括：

投票偏好：代表每個備選方案的投票得分，范圍為0到100。

情感偏好：代表每個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：代表每個選項的最終偏好得分，范圍為0到10。

模糊規則通過IF-THEN語句定義輸入和輸出變量之間的關系。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“負面”，THEN 總偏好是“低”。

這些規則結合輸入變量的隸屬度，計算每條規則的輸出。

去模糊化是將模糊推理的結果轉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，使用重心法計算總偏好得分。

通過以上步驟，模糊推理系統能夠綜合定量和定性信息，提供更全面的決策支持。

實驗與結果?

1. 實驗設計

為了驗證情緒與情感感知的多準則模糊群體決策系統的有效性，研究團隊設計了一項實驗，模擬實際決策場景。實驗參與者包括四名志愿者，他們被邀請參與一個選擇度假酒店的決策過程。實驗的具體設置如下：

參與者：四名志愿者，分別代表不同的偏好和觀點，以確保決策過程中的多樣性。

決策任務：選擇一個適合度假的酒店。

備選方案：七家不同的酒店，每家酒店具有八個屬性，包括每周價格、用戶評分、餐飲類型、房間面積、距離市中心的距離等。

討論平臺：參與者通過聊天工具進行討論，表達他們對每個酒店的看法和偏好。

圖3：模糊推理系統偏好。

數據收集包括參與者對每個酒店的偏好評分和討論文本。具體步驟如下：

偏好評分：參與者對每個酒店的每個屬性進行評分，評分范圍為-1（負面偏好）到1（正面偏好）。這些評分數據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酒店的優缺點，生成大量文本數據。這些文本數據將用于情感和情緒分析。

數據處理：

偏好評分處理：將參與者的評分數據匯總，形成初始的偏好矩陣。每個參與者對每個酒店的評分都被記錄下來，以便后續分析。

文本預處理：對討論文本進行預處理，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工具計算每條評論的情感得分，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合，計算每個酒店的綜合情感得分。綜合情感得分的計算公式為：

其中，a和β是平衡情感和情緒影響的權重。

2. 實驗結果

實驗中，參與者對每個酒店的每個屬性進行了評分，形成了初始的偏好矩陣。每個參與者的評分數據被匯總，形成一個集體偏好矩陣。集體偏好矩陣代表了群體對每個酒店的總體偏好。

例如，假設參與者對某個酒店的評分如下：

• 參與者A：價格（0.5），評分（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：價格（0.4），評分（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：價格（0.6），評分（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：價格（0.3），評分（0.6），餐飲類型（0.1），房間面積（0.4），距離市中心（0.2）

這些評分數據被匯總，形成一個集體偏好矩陣，反映了群體對每個酒店的總體偏好。

通過情感分析工具VADER和Text2Emotion庫，計算每條評論的情感得分和情緒得分。情感得分范圍從-1（負面）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算：

其中，a和β是平衡情感和情緒影響的權重。

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

模糊推理系統將投票偏好和情感偏好結合，計算每個酒店的總偏好得分。模糊推理系統的輸入變量包括投票偏好和情感偏好，輸出變量為總偏好。通過模糊規則和去模糊化過程，計算每個酒店的最終偏好得分。

例如，假設某個酒店的投票偏好為80，情感偏好為0.74，通過模糊推理系統計算的總偏好得分為8.5。

實驗結束后，參與者提供了對決策的反饋，包括他們對決策結果的滿意度和信心水平。通過模糊推理系統計算反饋得分，并評估參與者意見的一致性和信心水平。共識評估包括計算參與者之間的共識度和一致性度，使用四分位距（IQR）和平均共識水平等指標。

例如，假設參與者對某個酒店的反饋如下：

• 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）

通過模糊推理系統計算的反饋得分為7.5，共識度為0.8。

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

實驗結果表明，情緒與情感感知的多準則模糊群體決策系統在提高決策準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水平進一步驗證了該系統的有效性。

討論?

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

其次，該系統在處理非結構化文本數據方面表現出色，能夠從參與者的討論中提取有價值的情感和情緒信息。這種能力使得系統在面對復雜和多樣化的決策場景時，能夠提供更全面和準確的決策支持。

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合，研究團隊成功地開發了一種能夠在不確定性和模糊性條件下進行有效決策的系統。

盡管VADER和Text2Emotion等工具在情感分析方面表現出色，但它們在處理復雜和多樣化的文本數據時仍存在一定的局限性。情感分析的準確性可能會影響系統的決策結果。模糊邏輯和情感分析的結合增加了系統的計算復雜性，可能在處理大規模數據時面臨性能瓶頸。系統的偏好評分和特征權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的情感分析技術，如深度學習模型，以提高情感分析的準確性和魯棒性。針對系統的計算復雜性問題，可以研究更高效的算法和優化技術，以提高系統在大規模數據處理中的性能。未來研究可以探索該系統在更多實際應用場景中的應用，如醫療決策、教育評估等，驗證其在不同領域的有效性。進一步研究用戶在使用該系統過程中的體驗，收集用戶反饋，優化系統界面和交互設計，提高用戶滿意度。探索將文本、圖像、音頻等多模態數據融合到決策系統中，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則模糊群體決策系統在提高決策質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，但通過進一步研究和優化，該系統有望在更多實際應用場景中發揮重要作用。（END）

參考資料：https://arxiv.org/pdf/2408.11976

本文轉載自??大噬元獸??，作者： FlerkenS ????