基于UGC大數據挖掘的大群體兩階段風險性應急決策方法

徐選華， 楊 欣， 陳曉紅

(中南大學 商學院，湖南 長沙 410083)

0 引言

近年來，我國重大突發事件的發生愈加頻繁，由此造成的生命財產損失也不斷增加，如2015年8月12日天津港瑞海公司倉庫發生的重大火災爆炸事故，共造成165人遇難、8人失蹤，核定的直接經濟損失達68.66億元，同時造成了惡劣的社會影響，引起了國家的高度重視。事故發生后，來自不同領域的專家小組緊急趕赴天津參與處置工作，但由于救援現場信息存在滯后性和不完整性，災情訊息無法及時、全面的匯總到決策者手中，使決策分析工作面臨風險認知缺乏、群體行為研判困難等一系列難題。因此，在應急決策中專家群體如何利用突發事件發生初始階段產生的大數據信息作為決策依據，并快速做出風險程度較低的決策是迫切需要解決的問題。

在過去，多屬性應急決策過程主要依賴于專家的知識經驗對事件進行主觀判斷和預測[1]，但是對于一些特定場景下的應急決策，例如面對事件發生后引發公眾強烈關注或專家掌握的信息不足以直接進行決策判斷的情景，則需要在決策過程中引入公眾擁有的信息，以降低決策專家與公眾之間存在的信息不對稱帶來的風險。近年來社交網絡的快速發展為信息傳播和發揮公眾智慧提供了重要平臺[2]。重大突發事件發生后，億萬網民會迅速聚集起來并參與其中，將自己的想法和見聞以文字、圖片、音頻、視頻等形式發布在網絡上，形成體量巨大的用戶生成內容(User-Generated Content,UGC)。這些非結構化數據雖然來源分散，但其中蘊含著寶貴的信息可以用于支持應急決策。“分眾”是在應急管理中應用較多的一種新興模式[3,4]，它通過將任務分配給相關人群以得到整合的結果，利用網絡社交媒體作為“分眾”平臺可以收集和分析UGC中社會公眾對突發事件的偏好信息。目前關于突發事件背景下UGC被用于應急管理的研究主要集中在對事件的檢測和預警[5,6]、對事件的監控和描述[7]、對事件造成損害的評估[8,9]、信息傳播和分布模式[10,11]以及突發事件下的個人、群體行為[12,13]等領域，而關于將UGC用于應急決策方案選擇的文獻較為匱乏。本文認為突發事件情境下UGC中包含了公眾對事件造成的損害和事態發展趨勢的感知，決策者應該重視公眾對事件的關注點，并設法降低事件焦點方面的影響，因此需要利用數據挖掘技術對UGC進行處理，獲取及時、有用的信息幫助決策者從全局視角進行決策分析。

另一方面，重大突發事件具有復雜特征，往往需要多方專家聯合進行決策，以確保結果的合理性，來自不同層次的眾多決策者將構成決策大群體[14]。然而，事態發展的非預期性、決策信息的不完整性以及決策主體作為“有限理性人”[15]等自身的主觀性影響因素，使得決策者常常難以對突發事件做出全面、合理的判斷，因此形成了風險性決策問題。目前，國內外學者已對這一問題進行了大量研究。Zhu[16]考慮決策者的主觀態度，基于前景理論分別對靜態和動態決策問題提出了設定多個參考點的多屬性風險性群決策方法；Liu[17]以堰塞湖下游村莊的緊急疏散為背景，提出一種基于累積前景理論的分析方法來解決應急響應中的風險決策問題；袁媛等[18]基于后悔理論的思想，針對突發事件發生后實施不同應急方案可能導致不同情景及損失產生的問題，提出了相應的風險決策方法；徐選華等[19]針對復雜環境下決策者在決策過程中出現的偏好轉移問題，采用馬爾科夫決策技術，提出一種大群體風險型動態應急決策方法；Liu等[20]針對應急決策具有的動態演變和多情景特征，提出基于故障樹分析的風險決策方法；Tang[21]基于調查數據、統計分析和領域專家知識建立了貝葉斯網絡模型，對南水北調工程產生突發性水質污染事故的風險進行了分析。上述研究雖然從心理行為或數理公式角度給出了風險性應急決策方法，但較少應用到大群體決策中，并且決策過程都是由決策者獨立給出偏好信息，其結果對于其他決策成員不可見。而現實的很多場景(例如專家會議法)中決策者的意見是開放展示的，即決策者可以觀察到別人的觀點再發表意見[22,23]，此時決策者的意見很容易受到他人偏好的影響。同時，應急決策過程需要在高時間壓力下得出決策結果，決策者自身認知水平和經驗的差異，可能導致其給出的偏好與其他人產生較大偏差。并且大群體決策成員較多，在實際決策過程中也不排除有應付性的人員。這些專業性較低的人可能表現出的偏好不確定性及偏離群體一致性將造成決策風險并對最終結果產生較大影響，因此對決策者個人的主觀決策風險進行有效的鑒別并合理處理是有必要研究的問題。

基于以上不足，本文將重大突發事件的UGC數據與大群體風險性應急決策相結合，提出一種基于UGC大數據挖掘的大群體兩階段風險性應急決策方法。首先運用自然語言處理方法從UGC中獲取公眾偏好信息，結合專家知識構建屬性體系，利用模糊綜合評價對事件的損害程度進行評估，并由此確定決策屬性權重。然后，構造兩個決策階段并收集這兩個階段的決策者偏好信息。根據同一決策者兩次偏好信息的差異計算成員決策風險系數，利用聚類方法確定決策者權重，在此基礎上實現對方案的綜合排序。

1 方法原理

1.1 問題描述

本文在重大突發事件所處的大數據環境下，充分挖掘公眾對事件的關注點及偏好信息，針對決策者偏好的不確定性及偏離群體一致性導致的風險，提出依據決策者意見的可靠度和準確度的方法對風險進行測度，在此基礎上實現對決策方案的科學排序。

1.2 方法流程設計

為了將公眾信息考慮到決策過程中，本文從數據挖掘獲得的突發事件UGC大數據出發，首先決策專家利用抽取得到的事件關鍵詞構建屬性體系，然后對制定好的備選方案進行評價。由于現實中的決策群體成員之間通常有很強的依賴行為，當別人的決策是可觀察的，且決策有先后次序時，很容易產生“羊群行為”[25]。此時決策者易跟隨他人的判斷表現出非真實偏好，導致決策信息擁有較低的可靠性。考慮這一行為特點，可以讓決策者在意見開放的場景下進行決策，通過記錄決策者對偏好信息做出的修改行為識別出群體中對偏好不確定程度較大的成員。因此本文將收集決策者偏好信息的過程設計為兩個階段，即決策者先獨立給出個體偏好信息，再參照其他決策者的意見重新給出個體偏好信息。最后利用屬性權重和成員權重對決策者的評價信息進行集結，獲得備選方案的排序結果。方法具體流程如圖1所示。

圖1 基于UGC大數據挖掘的大群體兩階段風險性應急決策流程

1.3 語言偏好矩陣轉化

鑒于應急決策問題的復雜性和模糊性，決策者難以采用定量化的數值去刻畫所有決策對象的特征，同時屬性間的差異也難以適用于同一語言術語集。本文采用多粒度區間二元語義模型[26]，能夠有效避免語言評價信息的損失和扭曲，使語言信息計算結果具有很好的精確性和可操作性。

定義1假設語言集S={s0,s1,…,sg}粒度為g+1，經集成運算得到結果β∈[0,1]。將二元語義(sr,α)表達為數值形式β的函數Δ表示如下：

(1)

“round” 為四舍五入取整算子.

存在反函數Δ-1將二元語言變量轉換成相應的實數β∈[0,1]，即：

(2)

定義2假設語言集S={s0,s1,…,sg}粒度為g+1，區間二元語義變量由兩個二元語義[(sa,αa),(sz,αz)]組成，其中(sa,αa)≤(sz,αz)。用來將區間二元語義變量表達為等價信息區間值[β1,β2](β1,β2∈[0,1],β1≤β2)的集成轉移函數Δ為

Δ[β1,β2]=[(sa,αa)≤(sz,αz)]

(3)

存在逆函數Δ-1可以將區間二元語義變量轉換為相應的區間值，即

Δ-1[(sa,αa),(sz,αz)]

(4)

為了便于表達，決策者在給出偏好信息時可以采用具體語言值或區間語言值(例如s1或[s1,s3])兩種形式，將它們轉換為區間二元語義偏好信息的方式分別為:s1→[(s1,0),(s1,0)],(s1,s3)→[(s1,0),(s3,0)]。

1.4 詞語權重分配

TF-IDF(Term Frequency times Inverse Document Frequency)是向量空間模型中一種計算文檔中特征權重的經典方法，它由Salton在1988年提出[27]。其函數包括兩個部分：TF即詞頻，是特定文檔中某個特征項(字、詞或短語)出現的頻率；IDF即逆文檔頻率，是包含該詞或短語的文檔與文檔集總數的比例的對數。其計算公式為：

(5)

其中，wtd為文檔d中特征項t的權重，tftd表示文檔d中特征項t出現的頻率，N表示文檔集的總數，dft表示包含特征項t的文檔數。

TF-IDF算法的優勢在于其能夠通過統計手段分析處理非結構化文本大數據。對于某一特定文檔內的高頻詞語，以及該詞語在其它文檔集合中的低詞頻，可以產生出高權重。故TF-IDF傾向于過濾掉常見的詞語，保留一些不頻繁出現但重要的詞語。例如，在爆炸事故背景下許多相關文本中常見的“爆炸”一詞的逆文檔頻率會很低，權重也會相應較低。因此，本文采用TF-IDF法分配詞語權重。

1.5 決策屬性體系構建及其權重確定

當重大突發事件現場數據需要通過多環節層層上報時，信息存在滯后性和不完整性，事件的實時動態監測較為困難，這些問題增加了應急決策分析的風險。而近年來，隨著信息技術的發展和公眾對突發事件關注度的提升，網絡信息資源也已成為重大突發事件應急決策需要重視的一環。當事件發生后，社交網絡平臺上會生成大量公眾對事件發表的信息，這些UGC代表了公眾當下的關注點，同時也包含了公眾對事件的描述、心態和造成損害的感知。因此，應急決策方案選擇的屬性權重確定過程有必要考慮社交網絡中公眾的偏好信息。

(1)決策屬性體系構建

UGC的優勢在于其對突發事件反應的即時性，但同時也存在信息過于分散的現象，通過結合專家意見的指導能夠有效彌補這一問題。本文中基于UGC的突發事件應急決策方案評估屬性體系主要包括兩部分：①是傳統的突發事件應急決策方案評估屬性；②是社交媒體用戶實時信息中的關鍵詞。具體而言，前者需要專家憑借經驗經由群體討論確定，并作為屬性體系的框架部分；后者首先通過數據挖掘獲取UGC，再通過抽取算法得到若干代表文本特征的關鍵詞，作為公眾偏好信息的概括，最后根據關鍵詞與屬性的語義關系構建屬性體系。

其中，關鍵詞的抽取采用TF-IDF算法對文本分詞后的特征項進行排序，并選取特征項中權重較大的實詞作為關鍵詞。從社交網絡平臺爬取的文本數據將作為語料庫，每條文本信息被看作一篇文檔，關鍵詞的權重由包含該詞語的所有文檔數進行算術平均得到，其計算公式為(6)式。

(6)

(2)事件損害評估及屬性權重確定

基于建立的屬性體系可以利用模糊綜合評價實現對事件造成損害的實時評估，并由此計算屬性權重，為決策者進行方案選擇提供參考信息。損害程度將用于描述事件對當地社會、人員財產以及公眾心態的影響大小。由于關鍵詞的獲取方法側重于統計分析而非內容分析，其權重僅代表在文檔中出現頻率的重要程度，而不同詞語的語義本身還反映出不同的損害程度，因此事件的損害評估需要組織專家對每個關鍵詞給出語義評判分值，以表征損害的嚴重程度。例如詞語“死亡”的嚴重程度高于詞語“受傷”，則賦予“死亡”的分值大于“受傷”。分值的范圍設定為從0到5。

不同屬性方面受到的損害程度通過各個對應的關鍵詞語義評分進行加權求和得到。評價第j個屬性的損害程度值Daj的計算函數為(7)式。

(7)

其中y表示屬性j對應的關鍵詞個數。

由于損害程度的計算來源于公眾對事件造成影響的主觀感知與信息關注偏好，當某個屬性的損害程度值越大，說明公眾在此方面受到的影響越大或給予的關注越多，決策者在評判方案時必須對此加以重視，避免制定的決策方案在此方面造成更嚴重的后果，因此屬性的權重根據各屬性損害程度值的大小確定。

(8)

1.6 大群體決策成員權重確定

隨著計算機網絡和信息系統技術的發展，專業人士已經開發出愈加專業化的決策支持系統，使得決策者意見的收集、處理、統計及交互共享更加便捷。對于重大突發事件大群體應急決策問題，考慮到決策成員較多，不同成員的主觀決策能力是構成決策風險的一項重要因素，決策結果將直接受其影響。因此，需要將決策者的主觀決策風險因素納入到成員權重確定中。本節基于兩階段決策流程對決策者的決策風險進行測度，并通過定義決策者意見的可靠度和準確度來量化風險的大小，決策成員的權重按照其決策風險大小進行相應的修正。

(1)決策偏好信息收集

在這個過程中，各決策者將群體中其他人的意見當做一種反饋的參照系統，因此第二階段的意見可以被認為是參照了其他決策成員的意見。同時，在第二階段某些成員的意見可能會受其他人的影響，例如專業性較低的決策者對于第一階段給出的偏好信息沒有把握，在觀察到其他成員的意見后對自己的初始偏好信息做出修改，或決策者出于從眾心理，將初始偏好信息調整為與多數人的意見保持一致，而某些決策者也可能選擇對初始偏好信息維持不變。通常來說，堅持第一階段意見的成員意味著他們對于做出的判斷越自信，其決策偏好的確定性就越高；相反，修改偏好后與初始意見相差越大則表示其對于做出的判斷越沒有自信，決策偏好的不確定性就越高。

(2)考慮決策者意見可靠度和準確度的決策風險系數測度

(9)

計算各決策方案的屬性均值以反映群體意見。例如，第l個備選方案中屬性j在個體獨立決策和參照決策過程中的平均值分別為：

(10)

對于大群體決策成員，以往的多屬性群決策研究中很少考慮決策者偏好信息的可靠性，或簡單地假設所有決策者的偏好信息都是完全可靠的。事實上，任何決策者都是不完全理性的，其做出的不同程度可靠性的判斷都將對決策結果產生影響。

(11)

除此之外，在群決策中群體意見的一致性也是值得關注的問題。決策結果能否被群體接受或在多大程度上能被群體接受往往更具有現實意義和更能快速實施。當個體意見與群體意見偏離程度越大，其對達成群體一致性的阻力越大，由此將引發成員偏好沖突帶來的決策風險。為了使決策結果擁有較高的共識水平，本文認為占多數的專家意見比少數意見更為準確，即當某位決策者給出的偏好信息與群體意見更接近時表明其擁有較高的專業性。

(12)

針對決策者而言，其自身決策能力導致的風險是無法避免的，僅僅擁有較高的可靠度并不能保證決策者擁有較低的決策風險，當決策者對事件相關的知識、經驗掌握并不充分時，其仍可能為假裝其專業性堅持初始意見。因此，成員的決策風險將依據其意見的可靠度和準確度共同度量。

(13)

定義λi為成員ei的決策風險系數，表示決策者ei偏好的不確定性及偏離群體一致性導致的決策風險程度，有:

(14)

其中，θ和(1-θ)表示可靠度和準確度所對應的權重，且0≤θ≤1。具體由決策者根據決策問題和實際情況而定，若無特殊偏好，取θ=1/2，表示賦予可靠度和準確度相同的權重。

對于λi，首先，分別計算決策者對于方案l中屬性j給出偏好的決策風險系數，再進行簡單加權算術平均得到成員的決策風險系數。顯然，當決策者意見的可靠度或準確度越大時，成員的決策風險系數λi越小，表示成員的決策風險越小；反之，λi越大，表示成員的決策風險越大。

(3)大群體偏好聚類及成員權重確定

(15)

利用決策成員風險系數λi對成員的初始權重進行調整，λi越大，說明其提供的信息越不確定或越偏離一致性目標，應賦予的權重越低。最終，決策成員ei的決策風險權重ωi為：

(16)

1.7 方法步驟

綜上所述，基于UGC大數據挖掘的大群體兩階段風險性應急決策方法的步驟如下：

Step1從社交媒體平臺爬取突發事件相關的UGC，結合專家制定的屬性框架和UGC中抽取的關鍵詞構建屬性體系。

Step2利用(6)式獲得的關鍵詞TF-IDF權重wh及專家評分法確定的語義評判值sh，根據(7)式計算每個屬性的損害程度值Daj，歸一化后得到各屬性的權重wj。

Step6通過TOPSIS方法對備選方案進行排序：

(1)利用屬性權重對決策者的參照意見區間偏好矩陣進行集結，得到加權決策矩陣。

(2)確定決策方案的正理想解和負理想解。

(3)計算各方案到正理想解和負理想解的距離。

(4)計算各方案的貼近度。

(17)

最后，按照Cl的大小排列方案的優劣次序。

2 案例分析

2.1 案例背景

2015年8月12日23時30分，天津港瑞海公司倉庫發生特別重大火災爆炸事故，先后兩次爆炸的強度分別相當于3t、21t TNT。爆炸造成重大人員傷亡，并引發大量集裝箱起火。當地消防指揮中心接警后迅速響應處置，截至13日上午11時，天津消防總隊已先后調派143輛消防車，1000余名消防官兵到場進行滅火搜救。與此同時，事故通過社交媒體引發了公眾的強烈關注，大量網絡用戶在爆炸發生后的短時間內利用社交網絡發表了自己的觀點和見聞。由于現場存放有大量危險品且具體爆炸物尚無法確定，為避免事態進一步加劇，天津市應急決策指揮中心在網絡上召集了16位應急管理領域的專家，并根據當時的事故狀態制定了如下3個應急備選方案：

x1:持續開展環境應急監測，繼續增派消防人員及消防車輛支援現場以加強火情控制。

x2:持續開展環境應急監測，通知消防力量撤離現場，派遣防化團攜專業設備進場搜救。

x3:持續開展環境應急監測，暫緩撲滅或搜救工作，待緊急查明危化品內容、數量及存儲方式后再做進一步決策。

專家群體根據以往對此類突發事件的應對經驗商討出六方面因素作為方案的評估屬性：方案成本u1、人員傷亡u2、財產損失u3、公眾恐慌程度u4、對環境的影響u5、對生活的影響u6。其中，決策者對屬性u1～u4使用粒度為9的語言術語集S1給出偏好信息，對屬性u5～u6使用粒度為7的語言術語集S2給出偏好信息。

S1={s0=極低，s1=很低，s2=低，s3=稍低，s4=-般，s5=稍高，s6=高，s7=很高，s8=極高}

S2={s0=非常小，s1=小，s2=較小，s3=中等，s4=較大，s5=大，s6=非常大}

2.2 決策步驟

Step1本文選取新浪微博作為UGC數據的獲取來源，以“天津爆炸”、“塘沽爆炸”為主題搜索詞，利用新浪微博提供的API接口抓取了時間段為8月12日23時30分至8月13日15時的微博數據，抓取字段包括用戶名、微博內容、發布時間、評論內容。由于包含非公眾生成內容或噪聲數據，經過人工篩選去除政府或主流媒體賬號發布的消息以及詞語個數少于2的消息后保留微博文本共79221條。

收集到新浪微博UGC文本數據后，對數據進行預處理，包括去除其中的主題標簽、@內容、URL等無用內容后，對文本進行分詞、去除停用詞以及詞性標注，再進行詞頻算法分析。本文使用python編程實現關鍵詞的抽取算法，并采用其自帶的jieba分詞軟件包將文本切分成詞語特征項。選取TF-IDF值排名前500的特征項作為候選關鍵詞，對含義相同或語義接近的詞語進行合并，如“死亡”、“遇難”、“遺體”、“去世”合并為關鍵詞“遇難”，“恐怖”、“可怕”、“害怕”合并為關鍵詞“可怕”等，并對合并詞語的TF-IDF值進行累加。再根據專家確定的屬性框架，基于語義關系列出每個屬性下對應的關鍵詞，從而構成天津港“8·12”重大爆炸事故的應急決策方案評估屬性體系，如表1所示。

表1 天津港“8·12”重大爆炸事故應急決策方案評估屬性體系

Step2利用(6)式由python程序計算出關鍵詞的TF-IDF權重。然后采用專家評分法，組織10位專家對屬性體系中的關鍵詞按照其表征的嚴重程度賦予分值，經過統計平均后得到每個關鍵詞的語義評判分值。利用(7)式計算每個屬性的損害程度值，其中屬性u2的損害程度值計算示例如表2所示，結果為21.206。

表2 屬性的損害程度值計算

在計算出每個屬性的損害程度值后，由(8)式得到各屬性的權重向量為W={0.07,0.25,0.16,0.23,0.20,0.08}。

Step3根據兩階段決策流程，各決策者按照給定的語言標度對決策對象分別給出獨立意見、參照意見語言偏好信息。其中，除決策者e3、e13、e16外，其余決策者均在第二階段對部分偏好信息做出了調整。并利用定義2將語言偏好矩陣轉化為區間偏好矩陣，如表3～表6所示。

表3 決策者獨立意見語言偏好矩陣

表4 決策者參照意見語言偏好矩陣

表5 決策者獨立意見區間偏好矩陣

表6 決策者參照意見區間偏好矩陣

Step4針對同一決策者參照意見與獨立意見的差異以及與群體意見的差異，分別利用(11)式和(12)式計算決策者意見的可靠度和準確度，并利用(13)式對其進行規范化處理，其中決策者e1的計算結果如表7和表8所示。再利用(14)式計算得到決策群體中每位成員的決策風險系數，如表9所示。

表7 決策者e1意見的可靠度

表8 決策者e1意見的準確度

表9 群體成員決策風險系數

Step5采用文獻[28]方法對16位決策成員的參照意見偏好矩陣進行聚類，取閾值γ=0.85，可以得到4個聚集及其權重，聚類結果如表10所示。

表10 聚類結果

利用(15)式計算得到決策成員的初始權重，并結合決策風險系數利用(16)式得到各成員的決策風險權重，如表11所示。

表11 決策成員初始權重、決策風險權重

表12 方案的貼近度和排序

Step6利用(17)式計算各個方案的貼近度Cl，并對方案進行最終排序，結果如表12所示。

由計算結果可以得出，應選擇方案x2對事故進行處置，即持續開展環境應急監測，通知消防力量撤離現場，同時派遣防化團進場搜救。

2.3 方法比較與討論

為了說明本文方法的有效性和優勢，將本文方法與文獻[29]提出的專家權重方法進行對比，并且僅對聚集內部決策成員權重的求解進行相應的變化，其結果如表13所示。可以看出兩種方法排序結果一致。

表13 利用文獻[29]決策方法得到的結果

文獻[29]提出雙重權重模型，對大群體進行了聚類分析，并認為聚集內部成員的權重取決于其對聚集一致性的貢獻。而本文對聚集內部成員的權重進行的調整不僅基于對群體一致性的考量，同時還考慮了決策者對偏好的不確定性引發的風險，通過對決策成員偏好信息的可靠度和準確度進行測度，能夠有效識別專業性較低的決策者，使成員權重的確定更為合理。

本文未將屬性權重確定方法進行對比，由于現階段文獻中屬性權重的確定大多通過專家偏好矩陣計算或由專家主觀給出，其方法不具有可比性。但就思路而言，本文從社交媒體數據中獲取屬性的重要程度其客觀性具有較強的優勢。

3 結論

本文針對重大突發事件產生的UGC大數據和決策者對偏好信息的不確定性及偏離群體一致性引起的主觀決策風險，提出了一種基于UGC大數據挖掘的大群體兩階段風險性應急決策方法。一方面，該方法將社交媒體中的UGC大數據引入到應急決策方案選擇中，采用TF-IDF方法對關鍵詞進行提取獲得公眾偏好信息，進而對事件損害程度進行評估確定屬性權重。另一方面，考慮到決策者在意見開放的決策場景下出現調整偏好的行為可能會引起決策風險的問題，設計了兩階段決策流程收集決策成員的偏好信息，并結合聚類方法確定決策者權重。

本文的研究成果主要適用于受到公眾強烈關注或專家需要結合公眾信息進行輔助判斷的應急決策問題，如臺風、地震、洪澇災害、特大安全生產事故等重大突發事件的處置。與傳統方法相比，決策屬性權重的制定考慮了公眾的信息關注傾向，可以彌補專家在確定權重時受主觀性干擾的不足，并增加公眾對決策的滿意度，降低事件可能造成的社會風險。關鍵詞的提取過程也不涉及對大量語法句法信息進行復雜的語義分析，擁有較高的文本處理速度和效率，能夠滿足應急決策的時效性要求。同時，通過決策者意見的可靠度和準確度對決策風險進行量化，能夠識別出對所給偏好信息不確定程度較大或偏離群體一致性程度較高的成員，使決策結果更為合理。

當然，本文方法也存在一定局限性，例如屬性權重的確定與UGC的質量相關，當事件發生初期社交媒體上相關的UGC較少或文本存在較多噪聲數據時將對決策結果造成影響。未來的研究將考慮進一步挖掘公眾對于事件的情緒表達信息，提高分析的質量，并嘗試從UGC中自動提取構建屬性體系，結合采用更加全面的時空模式分析，實現對突發事件的動態決策。