本文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
主要作者及研究机构
本研究的主要作者包括Sangita Dutta、Susanta Chakraborty和Malay Kule，他们均来自印度Howrah的印度理工学院Shibpur校区（IIEST, Shibpur）的计算机科学与技术系。该研究发表于2024年IEEE Region 10 Conference (TENCON)上。
学术背景
本研究的主要科学领域是大规模群体决策（Large-Scale Group Decision-Making, LSGDM）。随着计算机技术和互联网的快速发展，政府事务和公司管理的决策过程逐渐向电子化、网络化和集体化转变。群体决策（Group Decision-Making, GDM）依赖于人们的定性分析能力，能够弥补个体在知识、经验和信息方面的局限性。然而，随着决策者数量的增加，传统的GDM方法在处理大规模群体决策时面临诸多挑战，如决策者数量庞大、社会关系复杂、互动错综复杂等。因此，LSGDM作为一个新兴领域，近年来备受关注。
本研究旨在通过结合社交网络分析（Social Network Analysis, SNA）和共识达成机制（Consensus Mechanism），提出一种新的两阶段框架，帮助大规模群体中的决策者达成共识。研究的主要目标是通过社交网络分析决策者的社会关系，利用这些关系为决策者分配权重，并通过聚类算法将决策者划分为不重叠的子群，最终通过改进的多投票技术达成共识。
研究流程
本研究采用了两阶段的方法，具体流程如下：
第一阶段：网络构建与权重分配
在这一阶段，决策者（DMs）被要求独立表达他们的意见，以避免盲目从众。通过这种方式，研究者可以获取决策者的初始意见。随后，研究者构建了一个社交网络，其中决策者被视为网络的节点，他们之间的社会关系被视为边。对于网络中不完整的连接，研究者提出了一种新的度量方法——影响权重（Influence Weight, δ(v/u)），用于计算节点之间的权重。该权重基于节点的出度（Outdegree）和入度（Indegree）以及邻居节点的信息。通过这一方法，研究者能够为每个不完整的连接分配权重，从而构建一个完整的社交网络。
第二阶段：子群识别、共识达成与选择过程
在第二阶段，研究者首先利用基于特征向量中心性（Eigenvector Centrality）的K-means聚类算法将决策者划分为不重叠的子群。特征向量中心性用于衡量节点在网络中的影响力，通过将其引入K-means算法，研究者能够有效地识别关键影响者并将决策者分组。这一过程避免了主观干预，确保了分组的客观性。
接下来，研究者采用了一种改进的多投票技术（Multi-Voting Technique）来达成共识。该技术基于加权度中心性（Weighted Degree Centrality），通过多轮投票逐步淘汰最不受欢迎的选项，最终达成共识。在每一轮投票中，决策者可以根据剩余的选项修改他们的投票，直到达成共识。最后，研究者通过加权评分对最终选项进行排序，选择最优的决策方案。
主要结果
研究者在包含35个节点和72条边的玩具网络上进行了实验。通过计算影响权重并应用基于特征向量中心性的K-means算法，研究者成功将决策者划分为三个不同的子群。实验结果表明，所提出的方法在轮廓系数（Silhouette Score）和戴维斯-鲍尔丁指数（Davies-Bouldin Index）上均优于其他传统的聚类方法，如谱聚类、层次聚类和DBSCAN聚类。
在共识达成过程中，研究者在5轮投票内成功达成了共识。初始阶段有10名决策者达成一致，随着投票的进行，最终所有35名决策者都达成了一致。实验还表明，基于加权度中心性的多投票技术能够有效减少决策过程中的操纵现象，确保共识的公平性。
结论
本研究提出了一种基于社交网络属性的两阶段LSGDM模型，通过引入特征向量中心性的K-means聚类算法，成功将大规模决策者划分为不重叠的子群，并通过改进的多投票技术达成了共识。实验结果表明，该方法在聚类效果和共识达成效率上均优于现有的其他方法。该研究不仅为大规模群体决策提供了新的理论框架，还为实际应用中的决策过程提供了有效的工具。
研究亮点
1. 提出了一种新的两阶段LSGDM模型，结合了社交网络分析和共识达成机制。
2. 引入了基于特征向量中心性的K-means聚类算法，有效识别了关键影响者并避免了子群重叠。
3. 改进了多投票技术，通过加权度中心性减少了决策过程中的操纵现象。
4. 实验结果表明，所提出的方法在聚类效果和共识达成效率上均优于现有方法。
其他有价值的内容
本研究还探讨了共识达成与聚类效果之间的关系，发现更好的聚类效果能够显著提高共识达成的效率。此外，研究者还分析了不同中心性度量（如度中心性、介数中心性和接近中心性）在聚类中的表现，最终选择了特征向量中心性作为聚类参数。这些分析为未来的研究提供了有价值的参考。