Resumen de Application of the OWA Operator in Machine Learning Techniques and 2-Tuple Linguistic Model for Dynamic Decision-Making

Ziwei Shu

• español

  La toma de decisiones, desde selecciones diarias hasta decisiones complejas en negocios o economía que afectan el éxito organizacional, implica típicamente identificar objetivos, recopilar información y evaluar alternativas para seleccionar la mejor opción. La mayoría de los escenarios de toma de decisiones implican la toma de decisiones multicriterio (MCDM), que determina la mejor alternativa considerando diversos criterios en el proceso de selección, siendo la agregación crucial que fusiona las evaluaciones multicriterio de las alternativas en un único valor para facilitar la toma de decisiones. En muchos problemas de MCDM, la eficacia depende de seleccionar adecuadamente los operadores de agregación, considerando las actitudes de los decisores como su tolerancia al riesgo y su nivel de exigencia para facilitar la toma de decisiones. Yager introdujo el operador de agregación de media ponderada ordenada (OWA) en 1998, que permite combinar evaluaciones multicriterio en una función de decisión global, modelando las actitudes de los decisores mediante cuantificadores lingüísticos como "Al menos uno", "La mitad", "Todos", entre otros. Por ejemplo, un decisor optimista puede sentirse satisfecho si se cumple al menos uno de los criterios, por lo que las ponderaciones se calculan usando el cuantificador "Al menos uno" y asignando más peso a los valores más altos. En cambio, un decisor pesimista puede sentirse satisfecho solo cuando se cumplen todos los criterios, por lo que las ponderaciones se calculan usando el cuantificador "Todos" y asignando más peso a los valores más bajos. El valor de orness, derivado de estas ponderaciones, define estrategias de decisión que van desde la propensión al riesgo (optimismo) hasta la aversión al riesgo (pesimismo), con 0,5 indicando una actitud neutral hacia el riesgo. Muchos investigadores han usado cuantificadores lingüísticos para modelar las actitudes de los decisores en la toma de decisiones, pero según nuestro conocimiento, ninguno ha ofrecido una semántica práctica que adapte sus definiciones al contexto específico del caso de estudio para hacerlos más intuitivos y comprensibles para los decisores. Además, aunque el operador OWA se ha usado en varios contextos de toma de decisiones, su aplicabilidad en los ámbitos de negocios y economía es limitada. Esta tesis doctoral aborda estas lagunas de investigación al mejorar el modelado de las actitudes de los decisores, especialmente en decisiones empresariales y económicas, usando el operador OWA, junto con métodos y técnicas relacionados. Esto incluye redefinir los cuantificadores lingüísticos para hacerlos más accesibles y usar el modelo lingüístico difuso de dos tuplas, el cual permite la conversión entre valores numéricos y lingüísticos sin pérdida de información, manteniendo la interpretabilidad de los resultados en la toma de decisiones. Esto permite el uso combinado del operador OWA y el modelo lingüístico de dos tuplas para manejar valores lingüísticos, considerando las actitudes de los decisores. También explora la eficacia de otros métodos MCDM y herramientas de análisis al combinarlos con el modelo lingüístico de dos tuplas o el operador OWA para mejorar la toma de decisiones en diversos escenarios. Además, se usan modelos de Machine Learning para mejorar la eficiencia y precisión en la toma de decisiones en situaciones complejas. Basándose en estos métodos, se desarrollan nuevos modelos para la segmentación de hoteles según las actitudes psicológicas de los clientes y para la clasificación y elección de restaurantes según las actitudes de los usuarios, entre otros fines. Los conjuntos de datos recopilados para demostrar la aplicabilidad de los modelos propuestos incluyen comentarios de TripAdvisor y Dianping.com, además de datos de Numbeo y otros repositorios de datos públicos. Los resultados se visualizan en aplicaciones web interactivas, mejorando la reproducibilidad y transparencia, y facilitando así la toma de decisiones

• English

  Decision-making is a common process in human activities, ranging from simple daily choices like what to eat or wear to complex business or economic decisions that could affect an organization's success, financial stability, and market competitiveness. This process typically involves identifying a goal, gathering relevant information about one or more criteria, and evaluating various alternatives based on the available information to choose the best one. Decisions can be made by individuals or groups, encompassing personal choices like selecting a hotel to stay in, as well as organizational decisions such as improving hotel amenities or implementing business restructuring strategies. Most decision-making scenarios involve multi-criteria decision-making (MCDM), which determines the best alternative by considering diverse criteria in the selection process. Aggregation, a crucial step in the MCDM problem, involves merging multi-criteria evaluations of alternatives into a single value to facilitate decision-making. In many MCDM problems, the effectiveness of this fusion process depends on selecting the right aggregation operators. Decision-makers' attitudes, such as their risk tolerance and level of demand, should be considered in the aggregation process to better facilitate their decision-making...