机器智能和人类智能在执行同一类任务时,关注点不同,工作原理也不尽相同。因此,合理的协作机制,能发挥人机两个主体的优势。三支决策模型考虑了决策过程中的不确定性和风险,将相对确定的区域和不确定区域分开,并给出不同类型的决策。这样的策略符合人类的行为习惯,也为人参与协作和任务分工提供了依据。人件通过相应的机制和接口将人以服务的方式加入系统。因此,本文从决策风险最小化的角度出发,基于三支决策模型,探索面向人机协作的分工机制。在人脸图像的身份认证过程中,人件服务和软件服务各有所长。通过人机协作共同完成身份核验任务,两者能优势互补,高效地完成任务。因此,本文将基于三支决策的人机协作机制应用到身份认证任务中。为了在直觉模糊信息系统中评估和选取合适的人参与协作,本文提出了基于直觉模糊TOPSIS方法的能力评估方法。投票是综合评审专家意见的常见方式,而投票结果是一个直觉模糊数,存储在直觉模糊信息表中。提出的方法基于直觉模糊数的运算法则,通过TOPSIS对候选人的特定角色扮演能力进行综合评估,优选出候选人参与协作。如何充分发挥人机两个主体的优势,使风险代价最小是协作中的关键问题。因此,本文利用三支决策,将概率空间或者代价空间中算法相对确定的区域作为机器智能的工作域,不确定的区域(边界域)作为人的工作域。通过调节三支决策中的边界域使总决策代价最小。在任务执行阶段,建立适当的合作机制实现人类智慧和机器智能间的交互和信息传递。基于人的偏好和兴趣点等信息,利用软件对人作用域的样本初步处理后再交给人去决策,以提高整个决策流程的效率。准确区分不同的人脸图像样本,需要的信息量是不同的。而现实中信息的获取往往需要时间,决策是随着信息的补充逐步给出的。人的人脸识别过程是一个基于多粒度人脸图像的序贯决策过程,而现有的序贯三支决策不适用于人脸图像。为了模拟这个过程,本文基于全序关系提出了多粒度图像特征的定义和面向人脸图像的序贯三支决策模型。通过子空间方法提取人脸的多粒度特征,并在多粒度特征上构建序贯决策过程。随着粒度越来越细,特征中包含的信息增多,决策代价会下降。与此同时,时间代价会提高。序贯三支决策会综合考量这两种代价,在合适的信息粒度下停止决策过程,使得总代价最小。序贯决策过程中,人机如何合理分工合作是需要探索的问题。决策过程中,随着边界域的变小,人必要的工作量会减少,人的决策代价也会下降。为了更好地完成身份认证任务,本文提出了基于序贯三支决策的人机协作机制。在每一个信息粒度下,模型通过调整分工使得总的决策代价最小。之后,序贯决策综合衡量人机决策代价和时间代价,在合适的粒度下停止,使得总代价最小。序贯决策过程中,之前步骤中的风险代价和决策信息,也为当前信息粒度下人的决策提供了参考。多类别是现实中常见的场景,而现有的三支决策模型不能直接应用于多类场景中。因此,本文提出了一种多类别三支决策模型,并构建了相应的协作机制。在比较决策风险代价的基础上,直接在多类场景中构建了决策域和决策规则。为了追求最小的总代价,算法通过信任阈值调整任务分工,进而影响决策代价。边界域中区分了算法认为不可能的选择项和难以抉择的选项。这为人的决策提供了很好的参考,减少了执行人在单个样本上的工作量。基于三支决策模型,本文主要对面向人机协作的分工机制进行探究,从静态的二分类场景逐步拓展到多粒度和多分类的场景,并将其应用到基于人脸识别的身份认证任务中。本文提出的模型能有效降低整体决策风险,提高决策效率,既扩充和发展了三支决策模型,也为人机协作提供了新思路。在基于人脸识别的身份认证任务中,提出的模型能充分发挥机器智能的优势,节省人力资源,改善客户体验,提升客户的满意度,有一定的实践意义。