群体分类偏好驱动的双语言信息融合聚类方法

本文主要探讨了一种基于群体分类偏好的双重语言信息融合聚类方法。该研究针对在处理不同类型信息时可能产生的聚类结果冲突问题，提出了一种新颖的解决策略。首先，研究者利用偏好信息来挖掘专家意见中的相似性关系，这一步骤有助于揭示群体成员之间的分类倾向，即群体分类偏好。这种偏好信息是决定群体划分的关键因素，因为它能够反映出个体或专家在决策过程中的优先选择。 在分析阶段，作者设计了一致性和非一致性测度指标，这两个指标分别用来衡量在双重维度（语言变量）下群体聚类的相似性和多样性。一致性测度关注专家决策依据向量的相似程度，而非一致性则评估了不同观点间的差异，这两者共同构成了对群体内部结构的全面理解。 接下来，通过构建一个规划模型，目标是寻找一种平衡，使得群体聚类的结果差异最小化。在这个过程中，属性权重的计算至关重要，它反映了各个特征对于确定最终分类的重要程度。采用编网聚类的思想，这种方法不仅考虑了个体间的直接联系，也考虑了间接的关联，从而提供了一个更为精细的群体划分方案。 通过实例研究，作者验证了提出的这种方法的有效性和科学性。这种方法能够有效地整合专家意见、语言信息以及群体偏好，使得聚类结果更具有说服力，并有助于减少因信息多样性带来的不确定性。总体来说，这篇文章提供了一种实用且理论支持的群体分类聚类策略，对于多源信息融合和群体智能研究领域具有重要的实际应用价值。