基于Agent的綜合信任評價的情感勸說模型

伍京華，王凱欣

（中國礦業大學(北京) 管理學院，北京 100083）

信息技術的日新月異，使得商務智能變得越來越重要。作為該領域典型代表的自動談判不需要或僅需要部分人參與，所以能較大節約談判成本，提高談判效率及效果，在很大程度上代替了傳統商務談判[1]。Agent 是一定環境下計算機系統和人工智能結合的計算實體，具有自主行動、交互協作、感知反應等模擬人的特性，是近年來人工智能的重要代表，發展到現在，出現了將其引入商務智能的新型自動談判模式?基于Agent的自動談判[2]。

隨著研究的深入，有許多學者將Agent模擬人的情感和勸說的人工智能優勢引入基于Agent的自動談判中，推動該領域研究進入到了更加智能的階段?基于Agent的情感勸說[3]。信任是人們開展一切商務活動的前提，隨時隨地影響著人們在談判勸說中的各種情感，影響整個自動談判的順利進行[4]。因此，在基于Agent的情感勸說中，考慮Agent模擬人的信任(簡稱基于Agent的信任)，研究Agent的情感勸說如何根據信任評價進行合理有效的動態調整，以此更好完成自動談判，將能更進一步發揮其商務智能優勢，意義重大[5]。

在基于Agent的信任方面，余洋等[6]依據基于防御Agent的行為方式將信任分類，建立了信任啟動模型。曹慕昆等[7]將信任拓展，開發了基于Agent的信任的電子商務談判系統。蔣偉進等[8]利用時間敏感函數，提出了基于移動Agent的動態信任的計算方法。張高旭[9]在信心-信譽模型基礎上，建立了能夠適應動態變化環境的多屬性綜合信任模型。滕婕等[10]綜合考慮直接與間接信任的影響，構建了基于Agent的信任識別模型。Majd等[11]應用模糊邏輯提出信任模型，并通過實驗證明該模型相比于貝葉斯等模型具有更高的準確性。Tung等[12]提出了基于動態貝葉斯網絡的信任評估模型，從直接和間接2方面評估目標可信度。Balakrishnan等[13]考慮信譽、聲譽和沖突，提出了基于Agent的信譽分配沖突的信任模型。

在基于Agent的情感勸說方面，董學杰[14]對自動談判中Agent的情感進行分類，建立了自動談判中基于Agent的情感決策模型，并在單屬性談判中進行了驗證。伍京華等[15]利用情感第一定理、模糊隸屬度函數和多屬性效用函數，提出了基于Agent的情感勸說的合作主體選擇模型。Jain 等[16]提出在基于Agent的自動談判中加入情感因素，能起到更好的勸說效果；Adam等[17]通過實驗證明了將情感因素引入基于Agent的自動談判具有潛在的好處；Marco等[18]將提出的認知情感架構引入Agent，證明情感的加入可以使Agent的交互更加真實可信。Carolis 等[19]建立的模型將情感與勸說結合，該模型可依據Agent的特性和習慣進行預測，得到的預測結果可作為Agent選擇勸說策略的依據。

在基于Agent的信任的情感勸說方面，汪礦[20]利用情感分析的方法量化信任屬性，并在該方法的基礎上構建了基于Agent的情感強度感知的信任評價模型，從直接和推薦信任2個角度對信任進行評價。伍京華等[21]利用多維度評價信息和Agent關系網絡，運用Dempter-Shafer證據理論，提出基于Agent的情感勸說的信任識別模型，通過引入動態權重因子，將直接交互信息和推薦信息進行組合，計算出各合作伙伴的綜合信任度值，從中尋找出適合的合作伙伴，為基于Agent的情感勸說決策提供大力支持。

綜上所述，文獻[7]主要針對信任信息的獲取和集結建立模型；文獻[8]考慮了時間對信任計算的影響，文獻[9-12]從直接和間接2個角度進行信任評價，文獻[13]考慮了信譽和沖突的作用，但是以上文獻均未考慮情感因素的影響；文獻[14]僅在單屬性談判中進行了驗證，適用范圍較小；文獻[15]從主體信度評價，提議評價的角度進行模型建立，將情感量化引入模型中，但模型復雜，計算時不便操作；文獻[17]僅證明將情感因素引進基于Agent的談判具有一定優勢，但未給出情感的度量方法；文獻[18]主要對認知情感進行量化。綜合對上述文獻的分析，本文提出了熵權-灰色關聯分析法的綜合信任評價模型，并將情感量化引入模型，有效地進行信任評價。

1 基于Agent的綜合信任評價的情感勸說模型

1.1 情感度量因子算法

基于Agent的情感勸說中，情感的度量至關重要，而這需要對其中的情感等級進行合理有效劃分。文獻[15]將其劃分為積極、消極和中性3種類型，不僅較為籠統，而且與實際相符程度也不夠。情緒認知模型（ortony clore&collins, OCC）根據3個標準及誘因和強度差異將情感劃分為22種，從該模型出發對Agent的情感等級進行劃分，能較好地彌補以上不足[22]。本文基于該模型，參考文獻[23-24]的評價方法，將基于Agent的情感勸說中的情感進一步劃分為以下5個等級：

等級1：厭惡(Disgusted)，對被評價Agent極其不信任，表現出極為不高興和不滿意的情感狀態；

等級2：消極(Negative)，對被評價Agent較為不信任，表現出較為不高興和不滿意的情感狀態；

等級3：安靜(Quiet)，對被評價Agent的信任處于中立狀態，既不表現出不高興和不滿意的情感狀態，也不表現出高興和滿意的情感狀態；

等級4：積極(Optimistic)，對被評價Agent較為信任，表現出較為高興和滿意的情感狀態；

等級5：興奮(Excited)，對被評價Agent極其信任，表現出極為高興和滿意的情感狀態；

本文假設x為不同的情感狀態，采用模糊隸屬度函數計算方法，取偏大型柯西分布及對數函數作為隸屬函數，通過式(1)對基于Agent的勸說中的情感進行計算：

式中α、β、a、b為待定常數。當Agent的情感表現為興奮時，隸屬度為1，即f(5)=1；當Agent的情感表現為安靜時，隸屬度為0.8，即f(3)=0.8；當Agent的情感表現為厭惡時，隸屬度為0.01，即f(1)=0.01。

聯立3種狀態：

計算得到α=1.108 6，β=0.894 2，a=0.391 5，b=0.369 9。則情感度量因子為

1.2 綜合信任評價算法

灰色關聯分析通過計算關聯系數來描述各對象之間的聯系，反映各對象之間的關聯程度，具有對樣本量的大小無嚴格要求、樣本數據無需服從任何分布、計算過程簡單、通俗易懂、可同時處理確定及不確定信息等優勢[25]。熵權法通過計算指標的信息熵衡量指標可變性，確定指標的客觀權重，具有計算方法簡單、不受主觀因素影響、計算結果相對客觀等優勢[26]。因此，本文采用灰色關聯分析法評價各信任指標，通過熵權法計算相應權重，從而計算綜合信任評價值，能更好解決信任評價中主體僅憑個人直覺確定合作伙伴；無法將定量數據與不確定信息結合而進行全面評價等問題[27]。

1.2.1 評價各信任指標

假設在基于Agent的情感勸說中，Agent需要通過信任評價選擇合適的被評價Agent進行交互。此時有n個被評價Agent，集合為Agent=(Agent1,Agent2,···,Agentn)，每個被評價Agent都有m個被評價的信任指標，相應集合為E=(e1,e2,···,em)，被評價Agent的信任指標ej的值為可得被評價Agent對指標集合E的分析矩陣U0。

為使所有數據處于同一量綱級別，需要利用一定的方法處理矩陣。均值法具有計算簡單，不受極端數值影響，并可以保留變量取值差異的優勢[28]，因此采用均值法對正向化矩陣進行去量綱處理，可得到被評價Agent的初始矩陣W為

假設Agent0為最理想的合作對象，根據灰色關聯分析法選取參考序列參考序列的各項數據即為理想Agent各項指標所對數據。計算各個被評價Agent的每項信任指標與理想Agent0各項參考指標的關聯系數為

式中ρ為分辨系數，取值范圍為(0,1)，一般取0.5。利用式(4)計算各個被評價Agent的關聯系數，構成矩陣G為

1.2.2 權重計算

其次，根據標準矩陣計算各信任指標信息熵為

最后，計算各信任指標權重為

1.3 模型

綜合式(3)、(4)和(6)，可得基于Agent的綜合信任評價的勸說模型即被評價Agent的綜合信任評價值為

該梁橋長期承受較大的車輛荷載，同時由于混凝土收縮徐變和預應力筋的施工放張工藝等的影響，橋梁鉸縫處破壞嚴重，梁體跨中附近出現橫向裂縫，間距約30～50cm，最大裂縫寬度0.08mm。該橋評定為危橋，進行拆除處理。為研究既有板梁的力學性能及預應力鋼絲繩的加固效果，在對原橋進行拆除時，從中選取1片中部位置的空心板進行荷載試驗。該預應力混凝土空心板跨徑為19.94m，梁體為工廠預制生產，混凝土及鋼筋材料特性見表1。試驗板計算跨徑為19.28m，橫截面寬1.24m、高0.9m。內部預應力鋼絞線7束φ15.2mm，采用后張法施工，錨具為OVM15-7。試驗梁的詳細尺寸見圖1。

2 算例分析

2.1 算例

為更好地說明和驗證以上模型，本文以北京市碳排放權交易的二級市場即政府分配后的企業自由交易為背景，假設其中的企業為了節約成本，提高談判效率及成功率，采用基于Agent的情感勸說的信任評價模型進行談判。在信任指標的選取上，主要考慮直接交互次數、情感勸說次數、交易金額、交易規模、推薦評分及與第三方Agent的累計合作次數6個指標。直接交互次數代表買方Agent與賣方Agent交易過程中的直接合作次數，該值越大，買方越可信[30]；情感勸說次數表示賣方Agent在與買方Agent合作前進行的談判輪次，該值越小，買方Agent越可信；交易金額和交易規模可用于衡量交易的重要程度，該值越大，買方Agent越可信[31]；推薦評分及與第三方Agent的累計合作次數是間接信任指標，代表第三方Agent的推薦程度，指標數值越大，買方Agent越可信。

假設共有10個買方Agent(Agent1，Agent2，…，Agent10)向賣方Agent發出合作請求，表達合作意向。3個第三方Agent(AgentⅠ，AgentⅡ，AgentⅢ)給出推薦信息。賣方Agent對10個被評價的買方Agent的情感狀態分別為消極、安靜、積極、安靜、興奮、積極、消極、厭惡、興奮、安靜，對應的情感度量因子大小分別為f1(2)=0.52，f2(3)=0.8，f3(4)=0.91，f4(3)=0.8，f5(5)=1，f6(4)=0.91，f7(2)=0.52，f8(1)=0.01，f9(5)=1，f10(3)=0.8。

1)利用專家評分法表示第三方Agent給出的評分數據如表1所示。

表1 買方Agent所得評分Table 1 Score of the buyer Agents

為降低主觀性影響，本文參考文獻[32]，計算每個專家與其他專家所給分數的絕對差值，并將差值求和，用絕對差值的和表示專家的可信水平。顯然，絕對差值的和越小，評分越可信。首先，計算專家1與其他2位專家的評分絕對差值為

同理，求得專家2與其他2位專家的評分絕對差值為118，專家3與其他2位專家的評分絕對差值為72。

其次，計算得到每位專家絕對差值和占所有專家絕對差值總和的比重分別為

最后，將該比重作為每位專家打分的權重，計算3位專家打分的加權平均值，該值作為參考指標。例如，Agent1的最終評分為0.35×83+0.4×87+0.24×85=85.10，同理計算得到賣方Agent對買方Agent2到Agent10的評分為83.03，84.12，80.25，86.27，85.14，81.73，83.90，86.65，80.75。

2)結合以上評分值，并給出賣方Agent對10個買方Agent其他所有指標初始值如表2所示。

表2 賣方Agent對所有買方Agent的指標初始值Table 2 Index initial value of all the buyer Agents

由表2得到分析矩陣為

正向化得到：

利用均值法將正向化矩陣去量綱處理，得初始化矩陣W為

3)由初始化矩陣得到理想合作Agent0的指標為根據式(4)以及矩陣W計算得到各個被評價Agent與理想Agent每個指標的關聯系數如表3所示。

表3 關聯系數值Table 3 Value of the Correlation coefficient

1)將分析矩陣U按信息熵標準化方法處理，計算得到標準矩陣Y：

2)由標準矩陣和信息熵式(5)計算得到各指標的信息熵為0.515 4，0.493 6，0.671 4，0.583 5，0.574 6，0.651 2。由權重計算式(6)計算得到各個指標的權重zj分別為0.19，0.20，0.13，0.16，0.17，0.14。

3)由權重和關聯系數，根據式(7)計算綜合信任評價值為

可見D5＞D3＞D9＞D6＞D10＞D4＞D2＞D7＞D1＞D8，賣方Agent將選擇買方Agent5進行下一步情感勸說，并最終完成談判。通過算例可以發現，利用本文提出的模型可以幫助賣方Agent在實際商務談判中快速完成遠程異地談判對象選擇，提高后續談判效率，推動商務智能的自動談判進程。尤其在2020年突發的新冠疫情下，采用該模型可以使企業人員不需要面對面就能更好完成談判，從而避免面對面的傳統談判帶來的極大傳染風險，更進一步體現了運用該模型的緊迫性和優越性。

2.2 分析

2.2.1 與不考慮情感的模型的對比分析

本文提出的模型綜合考慮了Agent模擬人的情感、勸說和信任，表4將本文提出的模型計算后的上述結果與該模型中Agent模擬人的情感去除后的計算結果進行了列舉和對比：

由對比結果可知，賣方Agent對被評價的買方Agent的情感會嚴重影響信任評價值。當Agent的情感處于消極或者更差時，賣方Agent的最佳選擇將不再是Agent5，而是Agent7。由此可見，考慮Agent模擬人的情感對基于Agent的自動談判影響較大，能使其中的Agent模擬人的智能化和理性程度更高，從而幫助企業做出更符合實際商務談判的決定。

表4 計算結果對比分析Table 4 Comparison of calculation results

2.2.2 與熵權-TOPSIS評價模型的對比分析

將本文建立的模型與文獻[33]的熵權-TOPSIS模型進行對比，如表5所示，根據本文提出的模型計算得到Agent5為最優選擇，而根據熵權-TOPSIS(technique for order preference by similarity to ideal solution)評價模型進行計算時，賣方Agent在不同的情感狀態下得到的被評價的買方Agent的排序始終不變。

因此，本文提出引入情感度量因子的模型，可使評價Agent依據該因子調節對不同被評價Agent的情感狀態，更符合真實談判，適用性更強。

表5 模型結果對比Table 5 Comparison of models’ results

3 結束語

本文綜合運用OCC模型、模糊隸屬度函數、灰色關聯分析法及熵權法，對其中的信任指標及權重計算進行設定，構建基于Agent的綜合信任評價的情感勸說模型。該模型能充分利用Agent在自動談判中的歷史信任信息，以及第三方Agent提供的推薦信任信息，使信任的評價更加可靠，為解決遠程異地談判問題，提高談判效率提供了一種新思路。通過算例及其分析，以及與其他模型的對比分析，驗證了該模型能夠有效計算并選擇出可信買方Agent，從而驗證了該模型的有效性。但文中在實際數據運用及系統構建方面還有所欠缺，后續將進一步完善。