这篇文档属于类型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：

基于在线评论的粒计算最小成本共识模型在群体决策中的应用研究

一、作者与发表信息
本研究由Jindong Qin（武汉大学信息管理学院）、Ying Zou（武汉理工大学管理学院）、Yingying Liang（河北工业大学经济管理学院）及Witold Pedrycz（加拿大阿尔伯塔大学电气与计算机工程系）合作完成，发表于IEEE Transactions on Systems, Man, and Cybernetics: Systems（2025年9月，第55卷第9期）。研究得到中国国家自然科学基金（项目号72071151）和湖北省自然科学基金（2023AFB695）的支持。

二、学术背景
本研究属于群体决策（Group Decision-Making, GDM）与粒计算（Granular Computing, GrC）交叉领域。传统最小成本共识模型（Minimum Cost Consensus Model, MCCM）存在两大局限：一是依赖专家主观判断调整成本，二是忽略数据驱动的动态不确定性。随着在线评论数据的普及，如何利用机器学习（如神经网络）从用户行为中提取决策者权重和调整成本成为关键问题。
研究目标包括：
1. 提出基于粒计算和在线评论的数据驱动MCCM框架；
2. 通过情感分析动态调整决策者意见区间；
3. 设计双边粒共识（Bilateral Granular Consensus）度量方法，提升共识过程的灵活性与可解释性。

三、研究流程与方法
1. 数据采集与预处理
- 研究对象：从豆瓣网爬取50,181条电影/电视剧评论数据，包含用户评分、粉丝数、点赞数等9类属性。
- 数据清洗：剔除无效值后，对分类变量（如电影类型）进行编码，数值变量归一化处理。

1. 决策者权重与调整成本建模

   • 粒神经网络（Granular Neural Network, GNN）设计：
     
     • 输入层：用户属性（如关注数、评论数等8维特征）；
       
     • 隐藏层：4层漏斗结构（神经元数分别为256、128、64、32），采用ReLU激活函数；
       
     • 输出层：预测评论点赞数（区间型输出），通过粒度损失函数（Granularity Loss）优化覆盖度（Coverage）与特异性（Specificity）。
       
   • 权重计算：基于预测点赞数，引入基线权重w₀（公式17）防止低活跃用户被忽略。
     
   • 调整成本计算：根据用户影响力（公式6-7）动态分配单位调整成本cₖ。
     

2. 意见区间化与情感分析

   • 情感极性提取：采用通用信息抽取模型（Universal Information Extraction, UIE）分析评论文本情感（正面/负面）及概率。
     
   • 区间调整：根据评分与情感匹配度（表II），通过参数γ动态扩展意见区间（公式18-19）。例如，用户评分5分但情感负面时，区间向左偏移（sk=−2）。
     

3. 共识达成过程

   • 双边粒共识度量：定义共识水平Q=(1+α)·sp·covₗ+(1−α)·sp·covᵣ（公式20），其中α控制左右区间重要性（图3）。
     
   • 混合整数线性规划（MILP）求解：将非线性模型转化为MILP问题（定理1-4），使用Gurobi求解器优化共识意见ō及总成本。
     

4. 动态反馈机制

   • 基于新用户意见与历史意见的相似度（公式31-32），动态调整决策者权重（δ=0.001），实现实时共识优化。
     

四、主要结果
1. GNN性能验证：与普通神经网络、岭回归等对比（图5），GNN在MSE、R²等指标上表现更优，但MAE略高，因其侧重泛化性而非绝对精度。
2. 共识成本与灵活性：
- 当α=−0.2、ε=0.1时，共识成本为9.37，共识意见ō=0.69（图8）；
- 相比Zhang等[13]的模型，本方法成本降低30%以上（表III-V），因双边度量避免极端覆盖需求。
3. 参数敏感性：
- α>0时，共识意见偏向高分区（covₗ提升）；α时偏向低分区（covᵣ提升）（图8）；
- 粒度ε增大时，共识区间拓宽，极端意见向中心收敛（图9-10）。

五、结论与价值
1. 科学价值：
- 提出首个融合GNN与情感分析的MCCM框架，解决了传统模型数据支撑不足的问题；
- 双边粒共识度量首次从左右分布视角解析共识动态，增强了解释性。
2. 应用价值：为影视平台评分系统提供动态、低成本的群体决策方案，例如通过调整α适应专业评审（α>0）或大众评分（α）场景。

六、研究亮点
1. 方法创新：
- 数据驱动的GNN权重预测模型，结合粒计算处理不确定性；
- 基于UIE的情感-评分匹配机制，提升意见区间合理性。
2. 理论创新：双边粒共识突破了传统单一覆盖度度量，支持非对称共识策略。

七、其他价值
- 开源数据集（GitHub）为后续研究提供基准；
- 动态反馈机制可扩展至电商、舆情分析等领域。

此报告完整呈现了研究的逻辑链条与技术细节，突出了其跨学科方法与工程实用性。