一种基于人格特质和社交关系的智能组队方法与流程

1.本发明是认知心理、数学建模和人工智能算法的交叉融合与应用，具体来说，创建了基于人格特质和社交关系的智能组队方法。


背景技术：

2.当今社会，随着知识经济时代的到来，竞争日趋紧张激烈，使人们在工作学习中所面临的情况和环境极其复杂。在很多情况下，单靠个人能力已很难完全处理各种错综复杂的问题并采取切实高效的行动。因此人们需要组建团队，要求成员之间相互关联、共同合作，解决错综复杂的问题。
3.然而，怎样组队会使合作更高效，更利于解决问题呢？以往研究对2-5人的小组执行多项任务，并对各组得分进行因素分析发现，一个主导因素解释了43％的表现差异。与个体相比，研究者将这个因素称为集体智慧因素(collective intelligence,ci),并将ci定义为人类团队在各种任务上表现良好的能力。这种智慧早在生物界就被发现：像蜜蜂、蚂蚁等群居生物，由单个简单的个体所组成的族群却能够表现出极其复杂的行为，是自然界集体智慧的极致体现。
4.拥有越高集体智慧的小组合作效果越好。这给了人们一个启示：可以用集体智慧的高低来衡量团队的性能，并使用集体智慧指导组队。
5.小组的集体智慧如何获得呢？通过小组决策进行测评是一个通用的方式，即在多人共同参与分析并做出决策的整体过程中获得集体智慧。其中，参与决策的人组成了决策小组。小组决策的效果通过小组共识度和决策绩效来衡量，当共识过低(互相冲突)时无法使小组决策绩效最大化，决策绩效也反应了集体智慧的高低。
6.什么因素会影响集体智慧呢？小组集体智慧的产生受到自下而上和自上而下两个方面因素的影响。自上而下的过程包括小组规模、结构、规范和决策问题的复杂度，以及影响社会关系协调的各个方面，属于整体的外部因素。而自下而上的过程涉及各种个体特征，是为内部因素。除个体的人口学特征如性别比例、年龄分布，个体的知识水平、认知多样性等，个体的人格特质也在影响着小组决策。
7.目前的研究中，研究者们主要是从已形成的小组中寻找优秀组队的元素，或在实验室中进行小范围的真人组队研究，没有展开大规模的智能化组队；且大多关注小组关系和知识结构等，并未将人格因素纳入考量。


技术实现要素：

8.本发明目的在于提供一种基于人格特质和社交关系的智能组队方法，利用人工智能算法和数学建模等方式创建马尔可夫链过程的群体智慧模型，基于人格特质和社交关系等特征筛选最佳团队，形成智能组队。本发明重视个体的人格特质和成员间社交关系等，同时通过计算机建模开展大规模智能化的组队，提高了分组的效率和效果。
9.实现本发明目的的具体技术方案是：
10.一种基于人格特质和社交关系的智能组队方法，特点是创建包含人格特质和社交关系的马尔可夫链的集体智慧模型，智能化的计算所有可能小组的性能，最终挑选最优性能的小组完成组队，智能化分组使组队更高效。该方法包括以下具体步骤：
11.步骤1：抽取群体特征
12.针对将要分组的群体样本，抽取以下三方面特征：通过个体从众心理问卷衡量个体的从众性这种人格特质；通过人际关系问卷测量群体成员之间的社交关系密度和社交关系强度；通过个体能力测试调查成员的知识结构与能力水平；
13.步骤2：选取m人小组，标记特征
14.在群体样本中随机选取m人(m＞2)形成小组，并标记小组内成员的社交关系、从众性和知识水平；
15.2.1社交关系：密度与强度
16.社交关系密度矩阵是am×m，矩阵元素代表了个体间是否有关联，其中0表示两个体无关联，1表示两个体有联系，对角线均为0；a矩阵是一个对称矩阵，a
ih
＝a
hi
，都表示个体i和个体h之间是否有关联；矩阵a中1的个数越多，代表小组内社交关系密度越大，小组社交关系密度dens＝1的个数
×
2/m
×
(m-1)；
17.社交关系强度矩阵是jm×m，矩阵元素代表了个体间的影响力，取值为[0，m]，其中1为标准强度，取值越大代表影响力越强，反之越弱，对角线均为0；j矩阵不是对称矩阵，即个体i受到的来自个体h的影响力强度j
ih
与个体h受到的来自个体i的影响力强度j
hi
不一定相同；
[0018]
2.2人格特质：从众性
[0019]
用从众向量c＝(c1,c2,
……
，cm)表示小组内每个人的从众性，向量元素为0和1，0表示不从众，1表示从众；小组的从众比例cfm＝1的个数/m；
[0020]
2.3知识水平
[0021]
个体知识水平表示每个个体对未来n个决策的先验经验；所有小组成员的知识水平汇总成dm×n矩阵；d矩阵中的元素为0和1，其中0表示没有先验知识与经验，1表示有经验；小组的知识水平p＝1的个数/m
×
n,取值为[0,1]；
[0022]
步骤3：集体智慧建模(ci model)
[0023]
通过小组决策来建模集体智慧(collective intelligence)；
[0024]
3.1确定决策任务
[0025]
制定n-k组合决策，决策个数为n，决策向量d＝(d1,d2,...,dn)，每个决策dj均为二元决策，取值
±
1；k是n个决策之间相互依赖的平均数量，它调节了问题的复杂性，这意味着任何决策对整体收益的影响都取决于交互决策的贡献值；k∈[0,n-1]，最简单的决策情况是k＝0，n个决策相互独立无交互，最复杂的是k＝n-1，每个决策的贡献值还依赖于其他所有决策的结果；
[0026]
用子向量来表示dj是一个交互决策,该向量共有k 1项，后面k项表示dj所依赖的k个决策，注意这种依赖并非双向的；因每个决策均有二元决策，故策，故共有2
k 1
种情况，每种情况下dj对应一个不同的贡献值，
记作uj，取值为(0,1)；
[0027]
对于决策向量d＝(d1,d2,...,dn)，n个决策共产生n个贡献值，把n个贡献值相加求平均，记作决策向量d的收益v(d)，取值为(0,1)，具体计算如下：
[0028][0029]
需要注意的是：从小组知识水平dm×n矩阵得出，每个个体i对每个决策dj的知识水平有所不同，因此每个个体感受到的决策总收益vi(d)并不一定等于决策向量d的原本收益v(d)。如果d
ij
＝0,意味着个体i并不知晓决策dj的贡献值，只有d
ij
＝1代表知晓；所以个体i感知到的决策收益vi(d)用计算如下：
[0030][0031]
3.2小组做出初始决策
[0032]
小组内m人对n个决策任务做出自己的初始选择，初始状态记作s0，s0是一个m
×
n的矩阵，矩阵元素均为1，-1；
[0033]
3.3小组决策动态改变
[0034]
利用马尔可夫链建模小组决策动态变化过程，定义每个决策转化率为w(s
ij
→s′
ij
)，其中s
ij
表示个体i针对决策dj做出的选择，s
′
ij
与s
ij
相反，表示个体i针对决策dj的选择发生了转变；
[0035]
转化率w计算方式如下，该转化率方程由三部分构成，三部分共同发挥作用决定每个个体每个决策发生转变的可能性大小：
[0036][0037]
转化率方程的第一部分ci代表个体的从众性这种人格特质；ci是从众向量c＝(c1,c2,
……
，cm)中的第i个元素，取值为1表示从众，个体决策还受后面两部分影响而改变，取值为0表示不从众，个体的决策不改变；
[0038]
转化率方程的第二部分代表社交关系如何影响个体决策改变，取值为(0,1)；这里tanh是一个激活函数，a
ih
表示成员i和其他成员h是否有关联系，j
ih
表示个体i受其他成员h影响的强度；s
ij
代表针对决策dj个体i当前的决定，s
hj
代表针对决策dj其他个体h当前的决定。如果个体i与大多数关联个体h意见相同，第二部分值趋近于0,其决策更不易做出转变；如果i与大多数关联个体意见相反，值趋近于1，其决策转变概率更高；
[0039]
转化率方程的第三部分是一个指数函数，取值为(0,e)，δv表示决策转变前后个体i感知到的收益vi(d)之差，用个体决策转变后收益
–
转变前收益；如果δv》0，第三部分值》1,转化率w扩大；如果δv《0，第三部分值《1，转化率w缩小；
[0040]
3.4计算绩效与共识度
[0041]
在决策达到稳态后，分别计算小组最终的决策绩效和共识度；
[0042]
绩效：获取稳态时小组的决策结果s
∞
，这也是一个m
×
n的矩阵；对每个决策dj，将一半以上成员的选择记为小组共同的决策结果，人数相等时随机取 1或-1；汇总n个共同的决策结果记作d
all
，d
all
对应的收益v(d
all
)即为小组的绩效，取值范围仍在0～1之间；
[0043]
共识度：获取稳态时小组的决策结果s
∞
，这个m
×
n的矩阵；对每个决策dj，将所有成员的决策结果两两相乘并求和，再除以人数的平方，记为该决策dj的共识度；再将n个决策单个的共识度相加求平均，记为整个小组最终的共识度，取值范围也在0～1之间，最高为1；
[0044]
3.5记录小组性能ci
[0045]
当小组共识度过低时，不利于小组合作；依据此原则，当小组共识度低于0.5时，不予组队；当共识度≥0.5时，将小组最终的决策绩效v(d
all
)记作小组的性能ci；
[0046]
步骤4择优智能组队
[0047]
通过改变小组人数和小组成员，排列组合所有可能的分组情况，计算每个小组的性能ci；对各小组性能进行排序，挑选最优性能的小组，完成组队。
[0048]
本发明的有益效果：本发明与现有技术相比，采用智能化的组队方式更省力更高效，并首次将人格因素融入到集体智慧建模中，使组队更成功。并且本发明适用于学校、企业、社区等各种场合下的优秀团队组建。
附图说明
[0049]
图1是本发明的流程图。
具体实施方式
[0050]
结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公识常识，本发明没有特别限制内容。
[0051]
参阅图1，本发明从各个挑选的小组中抽取人格、社交关系、知识水平等特征，利用群体智慧模型计算小组的性能，从而选出最优性能的小组，达到智能组队的目的。
[0052]
实施例
[0053]
本实施例为一个20人的群体，先用前测问卷抽取到其群体和个体的各项特征，再按需形成5人的小组，共有种可能；对每种组队方式下形成的小组，利用集体智慧模型计算小组性能，最终筛选出性能最优的小组进行组队；其具体操作按下述步骤进行：
[0054]
步骤1：抽取群体特征
[0055]
通过个体从众心理问卷衡量个体的从众性这种人格特质，20人中13人从众，ci记作1,7人不从众，ch记作0；通过人际关系问卷测量群体成员之间的社交关系密度和社交关系强度，形成20人的社会关系网络；通过个体能力测试调查成员的知识结构与能力水平，对每种决策问题具备相应知识记作1，不具备记作0；
[0056]
步骤2：选取5人小组，标记特征
[0057]
在样本群体中随机选取5人形成一个小组，并标记该小组内成员的社交关系、从众性和知识水平，共有种组队方式；
[0058]
2.1社交关系：密度与强度
[0059]
社交关系密度用矩阵a5×5来表示，矩阵a为对称矩阵，矩阵元素为0和1，其中0表示两个体无关联，1表示两个体有联系，a矩阵的对角线均为0；矩阵a中1的个数越多，代表小组
内社交关系密度越大，该小组社交关系密度dens＝1的个数
×
2/m
×
(m-1)＝8
×
2/20＝0.8。
[0060]
社交关系强度用矩阵j5×5来表示，矩阵j不是对称矩阵，即个体i受到的来自个体h的影响力强度j
ih
可以与个体h受到的来自个体i的影响力强度j
hi
不同；矩阵元素取值为[0,5]，其中1为标准强度，取值越大代表影响力越强，反之越弱，对角线均为0；该小组成员相互间的影响力适中，均为1；
[0061]
2.2人格特质：从众性
[0062]
用从众向量c＝(1,1,1,0,1)表示小组内每个人的从众性，向量元素为0和1，0表示不从众，1表示从众；小组的从众比例cfm＝1的个数/m＝0.8；
[0063]
2.3知识水平
[0064]
个体知识水平表示每个个体对未来4个决策的先验经验，所有小组成员的知识水平汇总成d5×4矩阵；d矩阵中的元素为0和1，其中0表示没有先验知识与经验，1表示有经验；小组的知识水平p＝1的个数/m
×
n,取值为[0,1]；该小组的知识水平p＝0.6；
[0065]
步骤3：集体智慧建模(ci model)
[0066]
通过小组决策来建模集体智慧(collective intelligence)；
[0067]
3.1确定决策任务
[0068]
制定n-k组合决策，决策个数为4，决策向量d＝(d1,d2,d3,d4)，每个决策dj均为二元决策，取值
±
1；k为1，表示是每个决策依赖与其他一个决策，复杂性适中；
[0069]
用子向量来表示dj是一个交互决策,该向量共有2项，后面1项表示dj所依赖的那个决策，注意这种依赖并非双向的；因每个决策均有两种结果，故共有22＝4种情况，每种情况下dj对应一个不同的贡献值，记作uj，取值为(0,1)；
[0070]
对于决策向量d＝(d1,d2,d3,d4)，4个决策共产生4个贡献值，把4个贡献值相加求平均，记作决策向量d的收益v(d)，取值为(0,1)，具体计算如下：
[0071][0072]
比如对于决策d＝(1,-1,-1,1)，4个决策的贡献度分别为0.83,0.54，0.66，0.79，则则
[0073]
需要注意的是：从小组知识水平d5×4矩阵得出，每个个体i对每个决策dj的知识水平有所不同，因此每个个体感受到的决策总收益vi(d)并不一定等于决策向量d的原本收益v(d)。如果d
ij
＝0,意味着个体i并不知晓决策dj的贡献值，只有d
ij
＝1代表知晓；所以个体i感知到的决策收益vi(d)用计算如下：
[0074][0075]
比如还是上述决策d＝(1,-1,-1,1)，个体1的知识水平为d
11
＝1,d
12
＝0,d
13
＝1,d
14
＝1,则个体1感受到的决策收益
[0076]
3.2小组做出初始决策
[0077]
小组内5人对4个决策任务做出自己的初始选择，初始状态记作s0，s0是一个5
×
4的矩阵，矩阵元素均为1，-1；
[0078]
3.3小组决策动态改变
[0079]
利用马尔可夫链建模小组决策动态变化过程，定义每个决策转化率为w(s
ij
→s′
ij
)，其中s
ij
表示个体i针对决策dj做出的选择，s
′
ij
与s
ij
相反，表示个体i针对决策dj的选择发生了转变；
[0080]
转化率w计算方式如下，该转化率方程由三部分构成，三部分共同发挥作用决定每个个体每个决策发生转变的可能性大小：
[0081][0082]
转化率方程的第一部分ci代表个体的从众性这种人格特质。ci是从众向量c＝(1,1,1,0,1)中的第i个元素，取值为1表示从众，个体决策还受后面两部分影响而改变，取值为0表示不从众，个体的决策不改变；
[0083]
转化率方程的第二部分代表社交关系如何影响个体决策改变，取值为(0,1)；这里tanh是一个激活函数，a
ih
表示成员i和其他成员h是否有关联系，j
ih
表示个体i受其他成员h影响的强度；s
ij
代表针对决策dj个体i当前的决定，s
hj
代表针对决策dj其他个体h当前的决定；如果个体i与大多数关联个体h意见相同，第二部分值趋近于0,其决策更不易做出转变；反之，值趋近于1，意味着决策更易转变；
[0084]
转化率方程的第三部分是一个指数函数，取值为(0,e)，δv表示决策转变前后个体i感知到的收益vi(d)之差，用个体决策转变后收益
–
转变前收益；如果δv》0，第三部分值》1,转化率w扩大；如果δv《0，第三部分值《1，转化率w缩小；
[0085]
3.4计算绩效与共识度
[0086]
在决策达到稳态后，分别计算小组最终的决策绩效和共识度；
[0087]
绩效：获取稳态时小组的决策结果s
∞
，这也是一个5
×
4的矩阵；对每个决策dj，将3人及以上成员的选择记为小组共同的决策结果；汇总4个共同结果记作d
all
＝(1,1,-1,1)，d
all
对应的收益v(d
all
)＝0.73即为小组的绩效；
[0088]
共识度：获取稳态时小组的决策结果s
∞
，同样是这个5
×
4的矩阵；对每个决策dj，将所有成员的决策结果两两相乘并求和，再除以人数的平方25，记为该决策dj的共识度；再将4个决策的共识度相加求平均，记为整个小组最终的共识度，将4个决策的共识度相加求平均，记为整个小组最终的共识度，
[0089]
3.5计算小组性能ci
[0090]
当小组共识度过低时，不利于小组合作。依据此原则，当小组共识度低于0.5时，不予组队；当共识度≥0.5时，将小组最终的决策绩效v(d
all
)记作小组的性能ci；
[0091]
该小组共识度为0.44＜0.5，所以不是合适的组队；
[0092]
步骤4择优智能组队
[0093]
通过改变小组成员，排列组合所有可能的分组，计算其他各个小组的性能ci；对各小组性能进行排序，挑选最优性能的小组，完成组队。