关于“双层共识在大规模群体决策中的集成：结合结构洞与社区动态”研究的学术报告

一、 研究作者、机构与发表信息

本研究的作者为作者团队，其所属机构未在提供的文本片段中明确列出。该研究已发表于 IEEE Transactions on Fuzzy Systems 期刊，文章目前已被接受待发表（线上预发布版本），引用信息为 DOI: 10.1109/TFUZZ.2026.3657119。这是一份作者版本，内容可能在最终出版前有所改动。

二、 学术背景与研究目的

本研究属于大规模群体决策领域，特别是聚焦于社会网络环境下的共识达成过程。随着在线社交平台的普及，决策者之间的互动形成了复杂的社会网络结构，这些结构深刻影响着意见的形成、调整与聚合。传统的LSGDM方法面临诸多挑战，包括处理模糊偏好、管理决策动态以及在大量决策者间协调结构化意见。

当前，许多研究已将社会网络中的信任关系引入共识过程，用以引导意见调整。然而，现有方法通常将信任视为静态或全局均匀分布的因子，忽视了网络结构特征对信任演化和信息传播的潜在影响。尤为关键的是，结构洞跨越者的战略角色——即那些连接不同社区、促进跨集群沟通的关键个体——在共识过程中常被忽略。虽然部分研究引入了结构洞度量（如有效规模或约束系数），但主要将其用于决策者权重分配或通过代表性选择简化网络结构，这可能导致信息丢失，且无法在迭代的共识过程中动态捕捉跨越者的影响力。此外，现有的信任更新方案多基于预定义或相似性原则，未能充分考量意见演化的动态性，也缺乏激励快速意见收敛的机制，尽管实证研究表明更快的意见对齐可以增强互信。

为弥补上述研究空白，本研究旨在提出一个新颖的双层共识方法，将结构洞理论与社区动态整合到LSGDM中。其核心目标在于：1）有效识别社会网络中（特别是重叠社区结构下的）结构洞跨越者；2）构建一个利用跨越者桥梁作用的双层反馈机制，分别处理社区内和社区间的意见分歧；3）设计一个能够模拟信任演化并促进网络重构的动态信任更新机制，从而更高效、更精确地驱动大规模群体达成共识。

三、 详细研究流程与方法

本研究提出了一套完整的框架，主要包含三个核心步骤：社区桥梁跨越者检测、双层共识反馈机制、以及模糊增量奖励式信任更新。整个研究流程以供应商选择案例进行验证，并使用对偶犹豫模糊集处理评估中的模糊性。

1. 社区桥梁跨越者检测算法

• 研究目标与对象：从加权有向的决策者信任网络（如图6所示包含80位决策者的网络）中，精准识别出充当结构洞跨越者的关键个体。这些个体对于连接不同的（可能重叠的）社区、促进跨集群信息流动至关重要。
• 核心方法与算法：研究提出了社区桥梁跨越者检测算法。该算法的创新性在于能够同时处理重叠和非重叠的社区结构，适用于加权有向网络，并且计算轻量。
  • 理论基础：算法基于三元前馈结构。TFS是包含两条强连接边（如e1→e2, e2→e3）和一条弱连接边（e1→e3）的三节点模式。它是最小的能代表单向信息流并可能连接不同社区的单位，符合格兰诺维特的“弱连接优势”理论。
  • 关键指标：定义了跨越者桥梁指数，用以综合衡量一个节点作为桥梁的数量和多样性。SBI的计算整合了三个部分：
    1. 有效跨社区TFS参与计数：节点ek作为中间节点参与的有效TFS数量。一个TFS被判定为“有效”需满足：a) 边eq→ek和ek→el为强连接，eq→el为弱连接；b) 节点eq和el至少各自拥有一个对方没有的社区身份（对于非重叠社区，即c(eq) ≠ c(el)）。这确保了该TFS确实连接了不同的社区群体。
    2. 归一化Rényi熵：用于度量节点ek所连接的社区的多样性。基于节点参与的所有有效TFS中涉及的社区ID集合，计算其Rényi熵并归一化。参数β可调整对主流社区或少数社区的敏感度，提供了比香农熵更灵活的多样性衡量。
    3. 入度与出度强度乘积的倒数：即 1/(sin(ek) × sout(ek))。其中sin和sout分别是节点的总入站和总出站连接强度。此项用于归一化，避免单纯连接密度高的节点获得过高评分，更专注于“桥梁”质量而非单纯连接数。
  • 操作流程：首先对网络进行重叠社区检测（研究中使用了SLPA算法，得到9个社区）；然后，识别所有可能的TFS，并根据上述条件筛选出有效的跨社区TFS；接着，为每个节点计算其SBI值；最后，根据SBI值对所有节点进行降序排序，选择排名靠前的K个节点作为关键的结构洞跨越者（研究中K取节点总数的20%，即16位决策者）。

2. 双层共识模型

• 研究目标与对象：在识别出跨越者和社区结构（划分为互斥的簇）的基础上，设计一个分层的共识达成机制，以针对性解决不同层次的意见分歧。研究涉及80位决策者对4个供应商在6项标准下的DHFS评估。
• 核心方法与流程：
  • 共识度量：定义了四个层次的共识指标：评估级（簇内对每个方案-准则对的共识）、簇级（一个簇内部的整体共识）、簇间共识（两个不同簇之间的对齐程度）和群体级共识（综合簇内和簇间共识的总体指标）。群体共识是否达到预设阈值（研究中γ=0.8）是判断是否需要启动反馈调整的依据。
  • 双层反馈机制：
    • 第一层：簇内反馈调整。针对那些簇级共识未达标的簇（如初始状态下的u1, u2, u5等）。首先识别簇内对特定评估项意见偏离较大的决策者；然后，根据混合中心性确定每个簇内的局部影响者；接着，使需要调整的决策者将其意见向本簇影响者的加权聚合意见靠拢。调整幅度与该评估项当前的簇内共识水平成反比，共识越低，调整越大。此步骤旨在先强化各社区内部的意见一致性。
    • 第二层：簇间反馈调整。在执行完第一层调整后，若群体共识仍未达标，则启动本层。首先识别那些簇间共识低于阈值的簇对。然后，对于这些簇对中分歧较大的评估项，利用先前识别的结构洞跨越者来引导调整。具体而言，对于需要调整的决策者ek，计算其信任的那些且同时属于重叠区域的跨越者们的意见加权平均值，作为跨越者参考意见。决策者ek将自己的意见更新为原始意见与跨越者参考意见的凸组合，组合系数由该评估项在对应簇对间的归一化差异决定，差异越大，向跨越者意见调整的幅度越大。此步骤旨在利用跨越者作为“桥梁”和“调解人”，拉近不同社区群体间的意见距离。
  • 案例执行：在供应商选择案例中，初始群体共识仅为0.589。经过第一层调整后提升至0.713，但仍低于0.8的阈值。随后启动第二层调整，例如，针对簇u8中的决策者e60对方案4准则3的评估，利用重叠跨越者{e53, e54, e57}的信任加权意见进行更新。调整后共识升至0.781，仍未完全达标。

3. 模糊增量奖励式信任更新机制

• 研究目标与对象：在每轮意见调整后，动态更新决策者之间的信任关系，以反映最新的意见一致性变化，并使社会网络结构能适应共识过程的演进。
• 核心方法与流程：研究提出了模糊增量奖励式信任更新方法。
  • 更新原理：信任更新基于三个组件：i) 历史信任记忆（即上一轮的信任值tkl）；ii) 当前意见相似度（simkl，基于去模糊化后的评估值计算）；iii) 相似度的正向变化（Δsimkl，当前轮与上一轮相似度之差）。该方法对达成一致和趋向一致的行为给予“奖励”。
  • 模糊映射：创新性地引入了模糊逻辑。更新系数τkl和σkl并非固定值，而是通过隶属度函数从simkl和Δsimkl映射得到。例如，τkl的隶属度函数在相似度低于θ-时为0，高于θ+时为1，在中间线性过渡。这样设计使得信任更新是平滑、渐进的，更符合人类信任形成的模糊性和渐进性特点，也更具可解释性。
  • 更新公式：更新后的信任度 t̃kl = (1 - τkl - σkl) * tkl + τkl * simkl + σkl * max(0, Δsimkl)。该公式确保了信任演化同时考虑了即时对齐和长期收敛趋势。
  • 案例执行：在案例中，完成第一轮双层反馈后，应用FIR-TU更新信任矩阵（例如更新e56对e34的信任）。更新后的网络被用于下一轮共识过程。经过第二轮CRP后，群体共识最终达到0.826，超过了阈值，共识过程成功终止。

四、 主要研究结果

1. CBSD算法有效性：在三个真实世界社交网络上的对比实验表明，CBSD算法在识别结构洞跨越者方面优于HIS、PageRank、SH-GCL和ABC等基准方法。

   • 平均加权连通社区数：CBSD获得的Top-K跨越者集合在连接社区多样性上显著优于其他方法，在创新网络上相对最强的基线SH-GCL提升最高达38.3%。这表明CBSD选出的跨越者能更广泛地覆盖不同社区。
   • 网络破坏指数：移除CBSD识别的跨越者对网络中介社区间最短路径的破坏性最大，其NDI值在三个网络上都 consistently 最高。这证明这些跨越者在维持全局连通性上具有关键结构重要性，移除他们会造成最大程度的网络碎片化。

2. 双层共识模型效率：供应商选择案例研究验证了整个框架的可行性。

   • 共识提升：初始群体共识为0.589，经过两轮包含信任更新的双层共识过程后，最终共识达到0.826，满足了预设的0.8阈值。图7展示了各簇在共识过程后的共识水平均有显著提升。
   • 最终决策：通过对最终调整后的DHFS评估进行去模糊化和聚合，得到了四个候选供应商的综合性能得分与排名：A3 (0.530) > A4 (0.425) > A2 (0.355) > A1 (0.262)，因此选择A3为最佳供应商。

3. 对比分析优势：与现有典型CRP方法的对比（如表VI及图10所示）凸显了本方法的优势。

   • 定性比较：与仅将结构洞指标用于权重分配或网络简化的方法不同，本研究明确将跨越者作为主动的跨社区协调者整合到CRP中，并考虑了重叠社区结构，提出了结合模糊逻辑的动态信任更新机制。
   • 定量效率：在与方法[42], [43], [44]的共识收敛速度比较中（基于FilmTrust数据集），本文提出的双层机制以更少的迭代次数达到了共识阈值，显示了更高的共识达成效率。这得益于其明确区分并利用局部影响者和跨越者，分层处理内部一致与跨群协调，从而更有效地整合异构意见。

五、 研究结论与价值

本研究成功开发了一种面向重叠社区结构的、感知跨越者的双层共识达成方法，以解决信息碎片化、共识水平低和跨集群协调困难等挑战。

科学价值： 1. 理论贡献：将结构洞理论更深层次地融入LSGDM的共识建模，不仅用于度量，更用于驱动动态过程。提出的CBSD算法、SBI指标、双层反馈机制和FIR-TU规则，共同构成了一个更贴合真实社交网络动态与认知过程的共识达成理论框架。 2. 方法创新：提供了一套完整、可操作的算法流程，包括跨越者检测、分层意见调整和动态信任更新，丰富了LSGDM的方法工具箱。

应用价值：该方法可应用于任何涉及大规模、基于社会网络交互的群体决策场景，如供应商选择、公共政策制定、项目管理、创新合作等，能够帮助决策支持系统更智能地识别关键协调者、设计更高效的共识流程，从而提升群体决策的质量和效率。

六、 研究亮点

1. 聚焦“结构洞跨越者”的动态角色：超越了将结构洞作为静态权重指标的做法，首次在LSGDM中系统性地将跨越者识别为其核心的动态协调者，并设计专门的机制发挥其跨社区桥梁作用。
2. 处理重叠社区结构的适用性：明确考虑并兼容决策者可能属于多个重叠社区的实际情况，使模型更贴近现实世界社交网络的复杂性。
3. 新颖的算法与指标：提出的CBSD算法及SBI指数，有效平衡了桥梁节点的数量与连接社区的多样性；FIR-TU机制利用模糊逻辑实现平滑、渐进的信任演化，增强了模型的认知合理性与鲁棒性。
4. 分层的共识达成策略：创新的双层反馈机制（局部影响者管内，跨越者管间）符合“先内部统一，再外部协调”的共识形成逻辑，提升了共识过程的精细控制能力和效率。

七、 其他有价值内容

研究在最后讨论了未来研究方向，包括：整合异质信任或更复杂的网络结构；利用强化学习探索难以预定义的信任演化模式；结合嵌入式的语义分析以处理非结构化的文本意见输入；将框架扩展到协同创新、参与式治理等其他需要跨群协调的决策场景。这些方向为该领域的后续研究提供了清晰的路线图。