社会网络群体决策(SN-GDM)是决策研究中最重要的部分之一。得益于各类社交媒体的发展,我们可以更加方便地获取用户之间的社会关系以及行为数据,基于直觉、经验的决策方法逐渐被数据驱动的决策方法取代。随着决策个体和方案的数量大幅增加,许多群决策模型及方法面临着数据可获取性低、计算复杂性高等问题,无法应用于数据驱动下的决策情景。为了解决上述问题,本文研究内容如下:(1)以社交媒体中基于关注的社会关系模拟群体交互过程,参考网页排序中的链接分析原理,将Page Rank、Trust Rank、People Rank算法应用于社会网络群决策中计算决策个体的社会影响力。其中,Page Rank可计算具有相同初始影响力的决策个体的实际影响力。Trust Rank算法能提高受信任个体的影响力,削弱潜在的欺骗性个体的影响力。People Rank算法则体现了马太效应,在原Page Rank算法的基础上呈现影响力“大者愈大,小者愈小”的情况。(2)针对链接分析算法存在的主题无关性问题,将用户画像理论引入社会网络群决策中,根据标签变量对决策个体进行聚类,在不同的用户画像群体内部对决策个体的影响力进行标准化,从而获得其权重,结合决策个体给出的评分数据加权计算方案评价值,令每个用户画像群体得到符合自身偏好的排序结果。(3)案例分析使用问卷调查法获取某高校24名学生的偏好数据以进行电影推荐。通过层次聚类法将其分为三个具有不同用户画像的群组,并分别给出了三种算法下的电影评分及排序。结果表明,考虑所有人的全局排名与根据用户画像划分的群体决策结果存在明显差异,不同算法得出的个体影响力将对最终的决策/推荐结果产生影响。本文提出的方法同时考虑了决策个体实际影响力的大小及其偏好的差异性,不仅在理论层面上进一步丰富和完善了社会网络群决策研究,在应用层面上对推荐系统的设计有一定参考价值。