[论文解读] Managing Multi-Granular Linguistic Distribution Assessments in Large-Scale Multi-Attribute Group Decision Making

Zhen Zhang, Chonghui Guo+1 more|arXiv (Cornell University)|Apr 4, 2015

Multi-Criteria Decision Making参考文献 73被引用 7

一句话总结

本文提出了一种基于扩展语言层次结构的新型语言计算模型，用于在大规模多属性群体决策（MAGDM）中管理多粒度语言分布评估。通过保留基于分布的初始信息，并实现可解释的聚合语言结果，该模型在具有多样化语言输入的复杂大规模群体环境中，支持更准确且透明的决策结果。

ABSTRACT

Linguistic large-scale group decision making (LGDM) problems are more and more common nowadays. In such problems a large group of decision makers are involved in the decision process and elicit linguistic information that are usually assessed in different linguistic scales with diverse granularity because of decision makers' distinct knowledge and background. To keep maximum information in initial stages of the linguistic LGDM problems, the use of multi-granular linguistic distribution assessments seems a suitable choice, however to manage such multigranular linguistic distribution assessments, it is necessary the development of a new linguistic computational approach. In this paper it is proposed a novel computational model based on the use of extended linguistic hierarchies, which not only can be used to operate with multi-granular linguistic distribution assessments, but also can provide interpretable linguistic results to decision makers. Based on this new linguistic computational model, an approach to linguistic large-scale multi-attribute group decision making is proposed and applied to a talent selection process in universities.

研究动机与目标

• 解决在群体决策中管理具有多样化语言背景和粒度的大型群体语言评估的挑战。
• 通过使用语言分布评估而非简化语言术语，在初始阶段保留最大信息量。
• 开发一种计算模型，支持多粒度语言分布评估的融合，同时确保决策者能够理解最终结果。
• 提出一种在实际应用（如大学人才选拔）中使用语言分布评估进行大规模MAGDM的实用方法。

提出的方法

• 本文提出一种基于扩展语言层次结构（ELH）的新语言计算模型，用于统一具有不同粒度的语言术语集。
• 针对语言分布评估开发了距离度量方法和排序方法，以支持比较与聚合。
• 建立了语言2元组与语言分布评估之间的转换公式，以实现不同粒度间的互操作性。
• 通过基于共识的聚合过程，整合多位决策者提供的语言分布评估，保持信息完整性。
• 提出一种新型大规模MAGDM方法，其中评估以语言术语上的分布形式表示，避免过早聚合。
• 通过使用大小为5、7和9的语言术语集的大学人才选拔案例研究验证了该方法，结果一致且可解释。

实验结果

研究问题

• RQ1 在大规模MAGDM背景下，如何有效管理来自大型群体决策者的多粒度语言分布评估？
• RQ2 何种计算模型能够在支持聚合与解释的同时，最大限度地保留初始决策信息？
• RQ3 如何实现语言2元组与语言分布评估之间的相互转换，以支持多粒度处理？
• RQ4 在多粒度环境中，适用于语言分布评估的距离度量与排序方法有哪些？
• RQ5 所提出的模型如何从复杂且分布式的评估中生成可解释、人类可读的语言结果？

主要发现

• 所提出的模型通过使用扩展语言层次结构统一不同语言术语集，成功管理了多粒度语言分布评估。
• 为分布评估开发的距离度量与排序方法，实现了在不同粒度间对语言信息进行可靠比较与聚合。
• 在人才选拔案例研究中，候选人G4在所有术语集（S⁵、S⁷、S⁹）中均获得最高集体评估，分别在s₄⁵上占44.4%、s₆⁷上占39.7%、s₈⁹上占38.5%，表明其获得强烈偏好。
• 候选人G1在术语集中分布最为均衡，其在s₃⁵（60.2%）、s₄⁷（45.7%）和s₆⁹（45.2%）上集中度最高，表明获得广泛支持。
• 该模型通过避免早期聚合，保持了信息完整性，相比传统语言GDM方法，能够实现更丰富、更细致的群体评估。
• 结果表明，语言分布评估相较于简化语言术语或犹豫模糊集，能提供更具信息量且更透明的群体评估。