本文探讨了在大规模群体决策（LSGDM）背景下，如何通过结合知识图谱技术与双策略驱动的综合自适应反馈机制（CAFM）来提升决策效率和达成共识的能力。随着互联网技术的快速发展以及社会需求的不断增长，群体决策的规模逐渐扩大，传统的基于少量决策者的决策方式（小规模群体决策，SSGDM）已难以满足复杂决策环境的需求。LSGDM作为一种新兴的决策方法，因其在多个领域中的广泛应用而受到越来越多学者的关注。然而，LSGDM在实际应用中面临诸多挑战，如决策者之间意见的不一致、偏好调整的困难以及非合作行为的产生等。因此，本文提出了一种基于客观信息相似性的新型聚类方法，并构建了相应的反馈机制，以有效应对这些问题。
在LSGDM中，决策者往往来自不同的背景，具有不同的知识、经验和技能。这些差异导致他们在面对同一决策问题时可能产生截然不同的意见。因此，如何在众多决策者之间找到合适的聚类方式，使得具有相似背景或知识结构的决策者被分组，并在此基础上进行更有效的沟通和共识达成，成为研究的重点。现有的聚类方法主要依赖于决策者在特定问题上的偏好相似性，但这种方法忽略了决策者之间在客观信息层面的联系，如他们的知识背景、经验积累等。本文认为，这些客观信息之间的相似性可以作为聚类的重要依据，因此提出了基于知识图谱的聚类方法。
知识图谱是一种能够将文本信息转化为结构化数据的工具，它通过提取文本中的实体、关系和属性，构建出一个能够反映信息本质的图结构。在本文中，专家知识图谱的构建是通过收集专家的客观文本信息，如他们的教育背景、研究经历、发表的论文等，然后利用知识图谱嵌入（KGE）模型，将这些信息转化为语义向量。KGE模型能够捕捉专家之间的关系，并将这些关系以向量的形式表示，从而实现专家相似性的量化分析。这种基于客观信息的聚类方法，不仅能够更准确地反映专家之间的内在联系，还能够提高决策过程的客观性和公平性。
在聚类之后，如何进一步引导决策者之间的意见互动，以实现更高的共识水平，是本文研究的另一个重点。为此，本文提出了一个双策略驱动的综合自适应反馈机制（CAFM）。该机制结合了聚类结果中的子群体相似性和可靠性，为每个子群体生成个性化的反馈系数，以指导决策者调整他们的偏好。反馈机制的设计考虑了两个不同的优化目标：一是最小化偏好调整的次数和幅度，以减少不必要的干预；二是最大化不一致子群体的满意度，以确保最终的决策结果能够被尽可能多的决策者接受。通过这两种策略的结合，CAFM能够在保持决策者独立性的同时，提高整体的共识效率。
为了评估子群体的可靠性，本文引入了一个可靠性度指数。该指数不仅考虑了子群体的规模，还结合了子群体内部成员的偏好调整意愿。较大的子群体通常具有更强的代表性，因此其意见在决策过程中应具有更高的权重。然而，子群体的可靠性不仅仅取决于其规模，还与其内部成员的偏好调整能力有关。如果一个子群体的成员在面对意见分歧时表现出较强的调整意愿，那么该子群体的可靠性就较高。反之，如果子群体的成员不愿意或无法调整他们的偏好，那么该子群体的可靠性就较低。因此，可靠性度指数的引入，使得子群体的权重能够更准确地反映其在决策过程中的重要性。
此外，本文还考虑了决策者在调整偏好时的心理行为。在实际决策过程中，决策者往往受到主观因素的影响，如认知能力、心理状态、情绪波动、经验积累和直觉判断等。这些因素可能导致决策者在面对意见分歧时表现出有限的理性，即所谓的“有限理性”（bounded rationality）。因此，如何在反馈机制中合理考虑这些心理因素，以提高决策者接受调整建议的可能性，是本文研究的第三个目标。为此，本文引入了前景理论（Prospect Theory），该理论能够有效描述人类在面对不确定性时的决策行为。通过将前景理论应用于CAFM，本文能够在反馈机制中引入更符合人类心理特征的调整策略，从而提高决策的合理性和接受度。
在实际应用中，本文提出的方法被用于中小企业（SMEs）选择问题的案例研究。中小企业在全球经济中扮演着至关重要的角色，特别是在发展中国家，它们是推动经济增长和促进创新的重要力量。然而，中小企业在融资方面常常面临诸多困难，如资产有限、现金流不稳定等，这使得它们在获取外部资金支持时面临较大的风险。因此，如何在众多中小企业中选择最具潜力的候选者，成为金融决策中的一个关键问题。本文提出的模型能够有效解决这一问题，通过聚类分析和自适应反馈机制，提高决策者之间的共识水平，从而提升决策的准确性和效率。
为了验证本文提出模型的有效性，本文进行了敏感性分析和对比研究。敏感性分析主要考察了不同参数设置对模型性能的影响，以确保模型的稳定性和适应性。对比研究则通过与其他现有的聚类和反馈方法进行比较，评估本文方法在共识达成效率和决策质量方面的优势。结果表明，本文提出的模型在多个方面都优于传统方法，特别是在处理大规模群体决策时，能够更有效地减少非合作行为，提高决策的客观性和公平性。
本文的研究成果不仅为LSGDM提供了新的理论支持，也为实际决策应用提供了可行的解决方案。通过结合知识图谱技术和双策略驱动的反馈机制，本文提出的方法能够在复杂的决策环境中实现更高效的共识达成，同时确保决策结果的合理性和可接受性。此外，本文还强调了在决策过程中考虑决策者心理行为的重要性，这为未来的研究提供了新的方向。随着人工智能和大数据技术的不断发展，本文提出的方法有望在更多领域中得到应用，如政策制定、市场分析、医疗决策等，从而进一步提升群体决策的质量和效率。
