伍京華，王佳瑩，張富娟，韓佳麗，葉慧慧+

(1.中國礦業(yè)大學(北京)管理學院，北京 100083;2.中國聯(lián)合網絡通信有限公司北京市分公司，北京 100052)

0 引言

隨著全球經濟和互聯(lián)網的快速發(fā)展，人類商務活動變得越來越頻繁，談判作為其中必不可少的商務活動，正日益受到重視。基于智能體(Agent)的情感勸說作為商務智能中的新型自動談判模式，將Agent模擬人的情感和勸說的人工智能優(yōu)勢相結合，以模擬人類商務談判，不僅能較好地解決其中的遠程異地談判問題，還能較大地節(jié)約談判成本，提高談判效率，并能使談判結果與人類商務談判擬合程度得到有效提高，已經成為該領域研究重點[1-2]。但作為人工智能中的重要代表，Agent還具有另一項重要的優(yōu)勢，即模擬人的信任，這對促進基于Agent的情感勸說更好地完成，使其決策與人類商務談判擬合程度更高，都具有至關重要的作用，因此研究基于Agent的信任的情感勸說決策模型，意義更加重大。

在基于Agent的信任決策方面，曹慕昆等[3]將信任引入基于Agent的自動談判，并在信任評價機制中加入候選對象與競爭者的交互記錄，以使Agent能更好地決策。劉義春等[4-5]根據直接交互經驗和推薦者的評價相似度，計算Agent的信任值，并建立了信任更新和獎懲機制。楊興燚[6]將信任引入基于Agent的自動談判，提出了新的信任獲取模型，對供應商進行選擇，并建立了基于Agent的信任的談判模型，即當談判完成后要對對方Agent進行評分，并存入數據庫中，以備接下來的評價更新，從而構建了較為系統(tǒng)的基于Agent的信任的談判和評價模型。以上研究均考慮了交互過程對基于Agent的信任的影響和反饋，并提出了信任更新方法，但沒有考慮Agent的情感及勸說對決策的影響。

在基于Agent的情感決策方面，郭尚波等[7-8]指出Agent的情感影響因素主要包括性格、外界刺激和情感衰減等，提出了由Agent的基本情感到擴展情感的結構模型，系統(tǒng)構建了基于Agent的情感測量和決策模型。江道平等[9-10]以Agent的情感對決策的影響為出發(fā)點，將Agent的外部刺激與內部狀態(tài)相結合，構建了基于Agent的情感決策模型。代凱峰[11]、Rincon等[12]提出一種多層情感認知模型，構建了具有理性和感性的擬人Agent，研究了基于Agent的情感決策過程。李靜等[13-14]通過Agent模擬人的不完全理性行為，引入前景理論和后悔理論，構建了基于Agent的情感決策模型。以上研究均以Agent的情感對決策的影響為主線，研究了基于Agent的情感決策過程，但較少考慮信任及勸說對決策的影響，因此還有待進一步完善。

在基于Agent的信任的情感勸說決策方面，Salgado等[15]針對如何測量Agent的情緒狀態(tài)方面存在的不足，綜合考慮Agent的情感、交互和學習過程，結合馬爾可夫博弈，提出了基于Agent的適應性情緒框架模型。Ghusoon等[16-17]將信任與證據信息相結合，引入基于Agent的決策，通過仿真進行了驗證。楊件等[18-20]采用支持向量機的方法，對候選Agent在以往交易過程中的偏好、個性和情感等進行學習，建立了基于Agent的信任模型，最后綜合預期收益和信任度進行決策。汪礦[21]將Agent的情感分為正面情感、負面情感和中性情感，通過隸屬度表示情感強度，將情感分析與信任評價相結合。提出了相應模型。以上研究雖然都提出了一定模型，但采用的方法難以對Agent的情感、勸說及信任綜合起來進行有效量化，因此更無法體現其對基于Agent的情感勸說決策的有效性。

因此，本文計劃在已有研究的基礎上，結合情感相關理論如大五性格、OCC(ortony，clore，collins)情感模型、情感強度第一定律等，以及信任和評價相關方法如語言評價法、將模糊數轉換為具體分數(Converting Fuzzy data into Crisp Scores，CFCS)算法、信任更新因子、交互式多準則決策(TOmada de Decisao Interativa e Multicritévio，TODIM)法等，進一步深入研究信任和情感對決策的影響，構建基于Agent的信任的情感勸說決策模型。

1 模型的主要算法

在基于Agent的信任的情感勸說中，Agent的決策主要受其自身情感強度變化(簡稱Agent的情感強度)和候選Agent的交易質量，以及相應的信任更新影響[18，22]。從已有研究來看，目前較有代表性的是文獻[23-25]。其中，文獻[23]對候選對象的信任度進行了一定研究，提出了相應的合作對象篩選方法。文獻[24-25]對模擬談判雙方的Agent的情感勸說過程進行了研究，提出了相應的模型，并進行了驗證。因此，本文擬在這些研究的基礎上，分別針對情感強度、交易質量、信任更新構建相應算法，并最終構建出基于Agent的信任的情感勸說決策模型。

1.1 Agent的情感強度算法

在基于Agent的信任的情感勸說中，Agent的情感強度變化主要來自于自身和外界兩方面。從自身來看，其性格和情感衰減是主要影響因素;而從外界來看，對方Agent的提議則是主要影響因素[7，22]因此本文對Agent的情感強度的算法建立在Agent自身性格、情感衰減以及外界刺激這3個變量基礎上。

1.1.1 基于Agent的自身性格的情感強度

大五OCEAN(openness(開放性)，conscientiousness(謹慎性)，extraversion(外向性)，agreeableness(宜人性)，neuroticism(神經質))性格模型是目前心理學界最被認可的性格模型，該模型認為人的性格通過五個維度來體現:開放性、謹慎性、外向性、宜人性、神經質性[26]。因此，Agent的性格可以通過五元組Ocean=(Oo，Oc，Oe，Oa，On)表示。其中，Oo，Oc，Oe，Oa，On分別表示其中的五個特質取值，且一般情況下Oo，Oc，Oe，Oa，On∈[0，1]。

心情空間模型目前應用最廣泛的是Mehrabian提出的PAD(Pleasure(愉悅度)、Arousal(激活度)、Dominance(優(yōu)勢度))心情空間，包含愉悅度、喚醒度和支配度3個特質，三者相互獨立，構成三維心情空間，以此描述心情[27]。因此，Agent的心情狀態(tài)可以通過三元組Pad=(Pp，Pa，Pd)表示。其中，Pp，Pa，Pd分別表示其中的3個特質取值，且一般情況下Pp，Pa，Pd∈[-1，1]。

因此，Agent的個性與心情之間的映射關系可通過式(1)表示[27]:

結合以上研究及著名的OCC情感模型[28]，可將Agent的情感分為24種狀態(tài)，且每一種情感都有與之對應的PAD心情空間值，如表1所示[29]。

表中Agent的PAD心情空間與OCC情感之間的映射關系通過式(2)表示[7-8]:

式中:VOCC=[V1，V2，…，V24]表示Agent的24種情感強度，表示其PAD心情到OCC情感的轉化矩陣，即表1中的量化關系。

表1 Agent的OCC情感對應的PAD值

經典的Ekman分類將人的基本情感分為喜悅、悲傷、憤怒、驚奇、恐懼、厭惡6類[30]，本文依據該分類，將Agent的OCC 情感映射到這6 類基本情感[31]中，得到基本的情感強度向量:I=[Ijoy，Isadness，Ianger，Isurperise，Ifear，Idigust]。其中:

綜上所述，本文進一步將Agent的6種基本情感分為正向情感和負向情感，如表2所示。

表2 Agent的正向情感和負向情感

由此可得Agent的正、負向情感強度的計算分別為:

綜上可得基于Agent的自身性格的情感強度為Ipersonality=I正-I負。

1.1.2 基于Agent的情感衰減的情感強度

研究表明，情感具有瞬時性，隨著時間的推移，情感的衰減程度非常明顯，與指數形式y(tǒng)=e-x較為接近[7]。另外，根據馬爾科夫理論，在計算t時刻的情感強度時，只需考慮前一時刻(t-1時刻)衰減后的情感強度值，t-2時刻及更早之前的情感衰減到t時刻的情感強度值與t-1時刻衰減到t時刻的情感強度值相比可以忽略不計[7]。由此可得基于Agent的情感衰減的情感強度為

式中:ψ(It)表示前一時刻情感衰減到當前時刻的情感強度值，It-1表示前一時刻的情感強度值，Δt為時間間隔。

1.1.3 基于Agent的外界刺激的情感強度

情感強度第一定律表明，情感是事物價值率高差在人腦的主觀反應[32]，即

式中:Ie表示情感強度，km表示強度系數，Δp表示價值率的高差。

在基于Agent的信任的情感勸說中，外界刺激主要來源于與對方Agent談判成功時的議題值，因此價值率

式中:xm為Agent與對方Agent的談判成功議題值，xm∈[xmin，xmax];xmax，xmin分別為Agent所能接受的議題最大值和最小值;xexp為Agent對議題的期望值，xexp=(xmin+xmax)/2，x，xmin，xmax∈[0，10]。

綜上可得基于Agent的信任的情感勸說中，Agent的情感強度算法為:

1.2 Agent的交易質量算法

交易質量是對談判以及合同執(zhí)行過程質量好壞的綜合衡量。目前來看，還沒有較好的方法對其進行合理表達和量化。例如，文獻[33]提出的評價方法對于定性指標而言很難直接合理量化;文獻[34-35]采用的直覺語言評價法需要同時給出語言變量及其隸屬度和非隸屬度，但(非)隸屬度沒有統(tǒng)一的衡量標準，難以判斷合理性;文獻[36]雖然考慮到采用語言變量對指標進行評價，并通過三角模糊數量化，但沒有進一步深入研究相應的去模糊化過程。

因此，本文采用較有代表性的語言評價，對其進行合理表達，如“好”、“較好”等[37]，隨后采用三角模糊數，將語言變量與數值對應，從而將其合理量化[38]。最后，為保證將該三角模糊數轉化為確定值的同時，還能保證去模糊化過程信息丟失較少，采用CFCS算法對其進行去模糊化處理[39]，從而構建出相應的Agent的交易質量算法，具體如下:

首先，構建Rg={r0，r1，…，rg}為有序語言評價集，相應的三角模糊數為[38]:

式中rk∈Rg為該集合中的第k+1個語言變量，且k∈{0，1，…，g}，g為有限偶數。

其次，假設共有m個候選對象Agent、p個關于交易質量的評價指標、Agent邀請D名專家Agent、第d個專家采用語言評價集對第i個候選對象Agent的第q個指標進行評價。通過式(9)計算得出相應的三角模糊數，表示為

再次，采用CFCS算法[39]對該三角模糊數進行去模糊化處理，具體步驟如下:

(1)三角模糊邊界值的規(guī)范化處理。

(3)指標值的去模糊化處理。

(4)指標值的確定。

式中viq為第i個候選對象Agent在第q個指標下的評價值。

綜上可得基于Agent的信任的情感勸說中，Agent對各候選對象Agent的交易質量評價值為:

式中:Qi表示第i個候選對象Agent的交易質量評價值;wq為第q個交易質量評價指標的權重，由較有代表性的專家打分法獲得。

1.3 Agent的信任更新算法

基于Agent的信任的情感勸說中，交易質量的好壞也會使Agent對各個候選對象Agent的信任度產生一定反饋，進而對后續(xù)的情感勸說產生一定影響。因此，本文首先假設Agent對各個候選對象Agent的信任度為Ti(i=1，2，…，m)，且Ti∈[0，1];其次在文獻[4]中提出的信任更新因子算法的基礎上，以Qi/Ti大小為依據，分Qi/Ti＜0.5、0.5≤Qi/Ti＜1、Qi/Ti≥1這3種情況建立信任更新因子，并引入對數函數，具體如下:

(1)若Qi/Ti＜0.5，則候選對象Agent的信任度迅速降低至原來的0.1倍，即若候選對象Agent在此次交易中表現很差，將嚴重影響自身的信任度，因此候選對象Agent在交易中會做出盡可能好的表現。

(2)若0.5≤Qi/Ti＜1，則候選對象Agent的信任度會有一定程度降低，Agent在此次交易中表現越好，信任度降低越少，反之則降低越多。

(3)若Qi/Ti≥1，則候選對象Agent的信任度會有所提高，提高值隨著Qi/Ti的增加而緩慢增長，但能避免候選對象Agent僅在一次交易中表現很好而使其信任度得到過分提高。

從而給出相應的信任更新因子ρ的算法如下:

最后，給出基于Agent的信任的情感勸說中Agent的信任更新算法，即第i個候選對象Agent更新后的信任度為:

2 模型

TODIM 法考慮了人類的損失規(guī)避心理行為，能輔助不同心理偏好的決策者調整參數，從而作出符合自身心理特征的決策，具有較強的靈活性[40-41]。熵權法通過信息熵原理確定權重，能獲得較為客觀的權重結果，避免人為確定的主觀性[42]。因此，本文在構建以上算法的基礎上，采用TODIM法建立基于Agent的信任的情感勸說決策模型，并采用熵權法對模型中的屬性權重進行設定，具體步驟如下:

(1)建立Agent的情感強度、交易質量及更新后的信任度的綜合評價矩陣為:

(2)對各個屬性值進行標準化處理:

(3)得到新的標準化矩陣:

(4)對Z進行歸一化處理:

(5)計算第j個屬性的信息熵:

(6)計算第j個屬性的權重為:

(7)計算屬性的相對權重:

假設Agent的情感強度、交易質量和更新后的信任度的權重分別為w1，w2，w3，w*=max{w1，w2，w3}為參照權重，則Cj相對于參照屬性C*的相對權重為:

(8)計算屬性Cj下候選對象si相對于候選對象sk的優(yōu)勢度:

式中:i，k=1，2，…，m;j=1，2，3;θ為損失規(guī)避因子，表示Agent對待損失的心態(tài)，θ越小，Agent對損失的規(guī)避程度越大，即Agent對損失越敏感[43]。

(9)計算候選對象si相對于其他候選對象的總體優(yōu)勢度:

(10)將總體優(yōu)勢度按以下公式規(guī)范化，并根據D(si)值對候選對象進行排序:

3 算例

為更好地闡述以上模型，假設煤炭行業(yè)供應鏈管理中的采購商Agentα和5個供應商Agents1、Agents2、Agents3、Agents4、Agents5正在就無煙煤的交易進行自動談判，為節(jié)約談判成本和得到更好的談判結果，雙方采用基于Agent的信任的情感勸說模式進行，并假設這5個供應商的信任度初始值及談判成功議題值如表3所示，Agentα上一時刻的情感強度為It-1=0.1，距當前時間間隔為Δt=5。

表3 候選對象Agent的信任度以及與Agentα的談判成功議題值

首先，參考網址http://www.apesk.com/bigfive/index.asp?language=cn的測試方法，對Agentα進行性格測試，得到Agentα的大五OCEAN 性格測試結果為Ocean=(22，15，20，24，10)，將所得測試值除以30，得到標準值Ocean=(0.733，0.5，0.667，0.8，0.333)，再分別由相應算法，可得Ipersonality=-0.085 9、ψ(It)=0.000 7、=(-0.063 5，0.052 8，-0.041 4，0.055 9，-0.067 6)，i=1，2，…，5，綜合可得Agentα 的情感強度為IAgentsi=(-0.148 7，-0.032 4，-0.126 5，-0.029 3，-0.152 8)，i=1，2，…，5。

其次，假設Agentα邀請3名專家Agent對這5個候選對象Agent的交易質量進行評價，指標為勸說過程愉悅度[23]、合同執(zhí)行度[44]、信息共享度[44]和勸說溝通度[45]，取語言評價集為R8={r0=極差，r1=很差，r2=差，r3=較差，r4=一般，r5=較好，r6=好，r7=很好，r8=極好}，并將相應的語言評價轉化為三角模糊數，最后采用CFCS算法進行去模糊化處理，得到這5個候選對象Agent的指標評價值，具體如表4所示。

表4 3名專家Agent對這5個候選對象Agent的指標評價

則相應的交易質量評價值為:Qi=(0.663 0，0.724 1，0.642 6，0.632 4，0.693 5)，i=1，2，…，5，更新后的信任度值為T'i=(0.831 1，0.830 3，0.897 2，0.851 0，0.837 3)，i=1，2，…，5。

綜上可得Agentα的情感強度、交易質量及更新后的信任度的綜合評價矩陣為:

將該矩陣標準化后為:

計算各屬性權重，可得w1=0.326 2，w2=0.241 2，w3=0.432 6。其中w3最大，因此為參照權重，屬性Cj(j=1，2，3)相對于參照屬性C3的權重分別為:w'1=0.754 2，w'2=0.557 6，w'3=1。

假設Agentα屬于風險中立者，即對損失的規(guī)避程度一般，θ=1，可分別得到3個屬性下，這5個候選對象Agent兩兩比較之后的優(yōu)勢度矩陣，具體如下:

最后，可得這5個候選對象Agent的總體優(yōu)勢度為T(s1)=-9.113 2，T(s2)=-0.040 2，T(s3)=-4.330 6，T(s4)=-4.066 2，T(s5)=-6.444 1，進行規(guī)范化處理后可得D(s1)=0，D(s2)=1，D(s3)=0.527 1，D(s4)=0.556 3，D(s5)=0.294 2，因此候選對象Agent的最終排序為Agents2＞Agents4＞Agents3＞Agents5＞Agents1，Agents2即為Agentα選出的最優(yōu)對象。

4 分析

4.1 參數θ取不同值得到的決策結果

損失規(guī)避因子θ是模型中最重要的參數，如圖1所示為θ取不同值的決策結果。

(1)Agentα的損失規(guī)避程度與θ成反比。θ越小，候選對象Agent的優(yōu)勢度越低，反之則越高。例如，θ=0.5的Agentα要比θ=0.75的Agentα對損失更敏感，即損失規(guī)避程度更強，因此θ=0.5的Agentα對5個候選對象Agent的優(yōu)勢度評價更低。

(2)當Agentα的損失規(guī)避程度很強時，候選對象Agent的優(yōu)勢度可能均為負值。隨著損失規(guī)避程度的減弱，候選對象Agent的優(yōu)勢度可能出現正值，故隨著損失規(guī)避心理行為的減弱，Agentα可能更關注候選對象Agent帶來的收益。

(3)θ取不同值時，各候選對象Agent的優(yōu)勢度不同，導致最后排序可能也不同。例如，當θ≤1.5時，5個候選對象Agent的優(yōu)勢度排序為s2＞s4＞s3＞s5＞s1，而當θ≥2時，5個候選對象Agent的排序變?yōu)閟2＞s3＞s4＞s5＞s1，此時Agents3和Agents4的順序發(fā)生了變化。

(4)損失規(guī)避因子θ越小，即Agentα對損失越敏感，各候選對象Agent的優(yōu)勢度差距越明顯，越有利于Agentα進行比較，從而越有利于Agentα確定最優(yōu)候選對象Agent。

4.2 參數km取不同值得到的決策結果

談判議題權重km也是模型中較為重要的參數，如表5所示為km取不同值的決策結果。

表5 km取不同值的決策結果

(1)當km取不同值時，候選對象Agent的優(yōu)勢度和排序也不同。這是由于談判議題的重要性改變時，刺激影響下Agent的情感強度也會變化，進而影響最后的結果。

(2)當km取不同值時，Agents2的優(yōu)勢度也不同，但因為其他候選對象Agent與它差距較大，所以Agents2始終屬于最優(yōu)候選對象，其排序不受影響。

4.3 參數wq取不同值得到的決策結果

交易質量的評價指標權重wq也是模型中的重要參數，如表6所示為wq取不同值的決策結果。

表6 wq取不同值的決策結果

(1)當wq取不同值時，候選對象Agent的優(yōu)勢度和排序也會隨之變化。這是由于指標權重的改變導致交易質量綜合評價值的變化，進而對信任的反饋及最后結果都有影響。

(2)當wq取不同值時，Agents2的優(yōu)勢度也不同，但因為其他候選對象Agent與它差距較大，所以Agents2始終屬于最優(yōu)候選對象，其排序不受影響。

4.4 與不考慮情感的決策結果的比較分析

將不考慮Agentα對候選對象Agent的情感所得到的決策結果與考慮情感時的決策結果比較，結果如表7所示。

表7 不考慮情感與考慮情感的決策結果比較

(1)候選對象Agent的優(yōu)勢度和排序發(fā)生了變化。這是由于在不考慮情感的情況下，Agentα僅對交易議題價值率進行比較，而未考慮其對Agent α的刺激所產生的情感并進行比較，因此兩種情況下候選對象Agent的優(yōu)勢度和排序會有所不同。

(2)情感作為人類思想的重要組成部分，對決策具有重要影響，因此利用Agent來模擬人類情感，能使其更好地模仿人類決策行為，從而做出更符合人類行為的決策，更進一步發(fā)揮其在人工智能方面的優(yōu)勢。

4.5 與熵權-TOPSIS決策模型的比較分析

將本文提出的模型與熵權-TOPSIS 決策模型[42]進行比較，可得結果如表8所示。

(1)當θ＜1和θ=1時，分別表示Agentα厭惡風險和中立態(tài)度，本文提出的模型與熵權-TOPSIS決策模型的排序結果相同。而實際情況下，決策者面臨風險時大多采取損失規(guī)避或中立的態(tài)度，因此本文所提出的模型與實際相符。

表8 本文模型與熵權-TOPSIS決策模型的比較

(2)當θ＞1時，表示Agentα偏好風險，更關注獲得較大收益，本文提出的模型會出現兩種排序結果:

1)1＜θ＜1.67時，Agentα對風險的偏好程度較小，候選對象Agent的排序為s2＞s4＞s3＞s5＞s1，與θ≤1時的排序結果相同。

2)θ≥1.67時，Agentα對風險的偏好程度較大，候選對象Agent的排序為s2＞s3＞s4＞s5＞s1，與θ≤1時的排序結果不同。

(3)熵權-TOPSIS決策模型是完全理性下的決策模型，任何風險態(tài)度的Agentα通過該模型進行決策，都會獲得相同的決策結果。而本文提出的模型可以使Agentα根據不同心理狀態(tài)調整參數θ，從而獲得不同決策結果，靈活性和適用性更強。

5 結束語

經過歸納和梳理，與本文相關的代表性文獻有文獻[15-25]。與這些研究相比，本文做出的改進和得出的結論總結如下:

(1)通過大五OCEAN 性格-PAD心情-OCC情感的映射，構建了基于Agent的情感勸說中，Agent模擬人具有的性格及其所產生的情感強度及相應算法，進一步發(fā)揮了Agent的人工智能優(yōu)勢。相比之下，文獻[23]雖然對基于Agent的信任的情感勸說進行了研究，但并沒有涉及到Agent的性格，也沒有在這方面構建有效模型。

(2)考慮到Agent在上一時刻的情感會隨時間逐漸衰減，從而對當前時刻Agent的情感產生影響，結合指數形式構建情感衰減函數，對該因素對Agent的情感強度影響進行了更好的量化和計算。相比之下，文獻[24-25]雖然對Agent的決策進行了建模，但僅考慮了Agent在當前時刻的情感，沒有進一步考慮情感隨時間逐漸衰減對Agent的情感強度的影響。

(3)引入心理學中的情感強度第一定律，對外界刺激影響下的Agent的情感強度進行合理量化和計算，從而更進一步發(fā)揮了Agent的人工智能優(yōu)勢。相比之下，文獻[15]雖然通過馬爾科夫模型計算外界刺激影響下兩個Agent之間的情感距離，但側重于對情感親密程度的研究，沒有進一步考慮適合本研究的由外界刺激引起的Agent的情感強度變化。

(4)綜合運用語言評價、三角模糊數和CFCS算法，對Agent的交易質量進行評價。既對其中的各項指標進行了合理表述和量化，又使其過程和結果與人類談判思維擬合程度更高。相比之下，文獻[22]雖然運用了模糊綜合評價法，但對評語等級劃分不夠詳細，不利于模糊評價的充分發(fā)揮，也沒有結合有效算法，沒有對這些算法進行較好的去模糊化處理。

(5)考慮到交易質量對信任的反饋，對文獻[4]中提出的信任更新因子進行改進，并引入對數函數，給出更適合本研究的Agent的信任更新因子及算法。相比之下，文獻[16-17]僅對其中的信任進行了靜態(tài)評價，沒有從動態(tài)角度建立信任更新算法，文獻[18-20]雖然通過機器學習模擬了信任更新過程，但沒有考慮交易質量對信任的反饋。

(6)將Agent的情感強度、交易質量和信任更新有效聚合，并運用TODIM 法進行比較，使Agent能根據自身的損失規(guī)避心理行為進行參數調整，做出科學決策，因而更具靈活性和適用性。相比之下，文獻[21，23-25]僅對其中一個或兩個屬性進行了相關研究，且模型中對Agent人工智能特性的發(fā)揮不夠，未考慮Agent模仿人類的心理行為。

本文雖然構建了基于Agent的信任的情感勸說決策模型，豐富了該領域各項理論，但仍然存在一定的不足之處，將其和下一步研究方向歸納如下:

(1)Agent的情感影響因素有很多，本文雖然對3個較重要的因素——Agent的自身性格、情感衰減和外界刺激進行了初步探索，但對于其他影響因素尚未考慮。因此，下一步計劃考慮更多的Agent的情感影響因素，進一步豐富該領域相關理論。

(2)雖然進行了算例分析，對其實際應用領域進行了探索，但由于研究重點在于模型的構建，采用的數據以假設為主，且還沒有開發(fā)相應的仿真系統(tǒng)。因此，下一步計劃在進一步完善該模型的基礎上，采用實際數據，并進行更深入和徹底的仿真系統(tǒng)開發(fā)及分析。