伍京華，王凱欣

（中國礦業(yè)大學(xué)(北京) 管理學(xué)院，北京 100083）

信息技術(shù)的日新月異，使得商務(wù)智能變得越來越重要。作為該領(lǐng)域典型代表的自動(dòng)談判不需要或僅需要部分人參與，所以能較大節(jié)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(tǒng)商務(wù)談判[1]。Agent 是一定環(huán)境下計(jì)算機(jī)系統(tǒng)和人工智能結(jié)合的計(jì)算實(shí)體，具有自主行動(dòng)、交互協(xié)作、感知反應(yīng)等模擬人的特性，是近年來人工智能的重要代表，發(fā)展到現(xiàn)在，出現(xiàn)了將其引入商務(wù)智能的新型自動(dòng)談判模式?基于Agent的自動(dòng)談判[2]。

隨著研究的深入，有許多學(xué)者將Agent模擬人的情感和勸說的人工智能優(yōu)勢(shì)引入基于Agent的自動(dòng)談判中，推動(dòng)該領(lǐng)域研究進(jìn)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(wù)活動(dòng)的前提，隨時(shí)隨地影響著人們?cè)谡勁袆裾f中的各種情感，影響整個(gè)自動(dòng)談判的順利進(jìn)行[4]。因此，在基于Agent的情感勸說中，考慮Agent模擬人的信任(簡(jiǎn)稱基于Agent的信任)，研究Agent的情感勸說如何根據(jù)信任評(píng)價(jià)進(jìn)行合理有效的動(dòng)態(tài)調(diào)整，以此更好完成自動(dòng)談判，將能更進(jìn)一步發(fā)揮其商務(wù)智能優(yōu)勢(shì)，意義重大[5]。

在基于Agent的信任方面，余洋等[6]依據(jù)基于防御Agent的行為方式將信任分類，建立了信任啟動(dòng)模型。曹慕昆等[7]將信任拓展，開發(fā)了基于Agent的信任的電子商務(wù)談判系統(tǒng)。蔣偉進(jìn)等[8]利用時(shí)間敏感函數(shù)，提出了基于移動(dòng)Agent的動(dòng)態(tài)信任的計(jì)算方法。張高旭[9]在信心-信譽(yù)模型基礎(chǔ)上，建立了能夠適應(yīng)動(dòng)態(tài)變化環(huán)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(gòu)建了基于Agent的信任識(shí)別模型。Majd等[11]應(yīng)用模糊邏輯提出信任模型，并通過實(shí)驗(yàn)證明該模型相比于貝葉斯等模型具有更高的準(zhǔn)確性。Tung等[12]提出了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的信任評(píng)估模型，從直接和間接2方面評(píng)估目標(biāo)可信度。Balakrishnan等[13]考慮信譽(yù)、聲譽(yù)和沖突，提出了基于Agent的信譽(yù)分配沖突的信任模型。

在基于Agent的情感勸說方面，董學(xué)杰[14]對(duì)自動(dòng)談判中Agent的情感進(jìn)行分類，建立了自動(dòng)談判中基于Agent的情感決策模型，并在單屬性談判中進(jìn)行了驗(yàn)證。伍京華等[15]利用情感第一定理、模糊隸屬度函數(shù)和多屬性效用函數(shù)，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(dòng)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(shí)驗(yàn)證明了將情感因素引入基于Agent的自動(dòng)談判具有潛在的好處；Marco等[18]將提出的認(rèn)知情感架構(gòu)引入Agent，證明情感的加入可以使Agent的交互更加真實(shí)可信。Carolis 等[19]建立的模型將情感與勸說結(jié)合，該模型可依據(jù)Agent的特性和習(xí)慣進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果可作為Agent選擇勸說策略的依據(jù)。

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(chǔ)上構(gòu)建了基于Agent的情感強(qiáng)度感知的信任評(píng)價(jià)模型，從直接和推薦信任2個(gè)角度對(duì)信任進(jìn)行評(píng)價(jià)。伍京華等[21]利用多維度評(píng)價(jià)信息和Agent關(guān)系網(wǎng)絡(luò)，運(yùn)用Dempter-Shafer證據(jù)理論，提出基于Agent的情感勸說的信任識(shí)別模型，通過引入動(dòng)態(tài)權(quán)重因子，將直接交互信息和推薦信息進(jìn)行組合，計(jì)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(xiàn)[7]主要針對(duì)信任信息的獲取和集結(jié)建立模型；文獻(xiàn)[8]考慮了時(shí)間對(duì)信任計(jì)算的影響，文獻(xiàn)[9-12]從直接和間接2個(gè)角度進(jìn)行信任評(píng)價(jià)，文獻(xiàn)[13]考慮了信譽(yù)和沖突的作用，但是以上文獻(xiàn)均未考慮情感因素的影響；文獻(xiàn)[14]僅在單屬性談判中進(jìn)行了驗(yàn)證，適用范圍較??；文獻(xiàn)[15]從主體信度評(píng)價(jià)，提議評(píng)價(jià)的角度進(jìn)行模型建立，將情感量化引入模型中，但模型復(fù)雜，計(jì)算時(shí)不便操作；文獻(xiàn)[17]僅證明將情感因素引進(jìn)基于Agent的談判具有一定優(yōu)勢(shì)，但未給出情感的度量方法；文獻(xiàn)[18]主要對(duì)認(rèn)知情感進(jìn)行量化。綜合對(duì)上述文獻(xiàn)的分析，本文提出了熵權(quán)-灰色關(guān)聯(lián)分析法的綜合信任評(píng)價(jià)模型，并將情感量化引入模型，有效地進(jìn)行信任評(píng)價(jià)。

1 基于Agent的綜合信任評(píng)價(jià)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(guān)重要，而這需要對(duì)其中的情感等級(jí)進(jìn)行合理有效劃分。文獻(xiàn)[15]將其劃分為積極、消極和中性3種類型，不僅較為籠統(tǒng)，而且與實(shí)際相符程度也不夠。情緒認(rèn)知模型（ortony clore&collins, OCC）根據(jù)3個(gè)標(biāo)準(zhǔn)及誘因和強(qiáng)度差異將情感劃分為22種，從該模型出發(fā)對(duì)Agent的情感等級(jí)進(jìn)行劃分，能較好地彌補(bǔ)以上不足[22]。本文基于該模型，參考文獻(xiàn)[23-24]的評(píng)價(jià)方法，將基于Agent的情感勸說中的情感進(jìn)一步劃分為以下5個(gè)等級(jí)：

等級(jí)1：厭惡(Disgusted)，對(duì)被評(píng)價(jià)Agent極其不信任，表現(xiàn)出極為不高興和不滿意的情感狀態(tài)；

等級(jí)2：消極(Negative)，對(duì)被評(píng)價(jià)Agent較為不信任，表現(xiàn)出較為不高興和不滿意的情感狀態(tài)；

等級(jí)3：安靜(Quiet)，對(duì)被評(píng)價(jià)Agent的信任處于中立狀態(tài)，既不表現(xiàn)出不高興和不滿意的情感狀態(tài)，也不表現(xiàn)出高興和滿意的情感狀態(tài)；

等級(jí)4：積極(Optimistic)，對(duì)被評(píng)價(jià)Agent較為信任，表現(xiàn)出較為高興和滿意的情感狀態(tài)；

等級(jí)5：興奮(Excited)，對(duì)被評(píng)價(jià)Agent極其信任，表現(xiàn)出極為高興和滿意的情感狀態(tài)；

本文假設(shè)x為不同的情感狀態(tài)，采用模糊隸屬度函數(shù)計(jì)算方法，取偏大型柯西分布及對(duì)數(shù)函數(shù)作為隸屬函數(shù)，通過式(1)對(duì)基于Agent的勸說中的情感進(jìn)行計(jì)算：

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

聯(lián)立3種狀態(tài)：

計(jì)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(píng)價(jià)算法

灰色關(guān)聯(lián)分析通過計(jì)算關(guān)聯(lián)系數(shù)來描述各對(duì)象之間的聯(lián)系，反映各對(duì)象之間的關(guān)聯(lián)程度，具有對(duì)樣本量的大小無嚴(yán)格要求、樣本數(shù)據(jù)無需服從任何分布、計(jì)算過程簡(jiǎn)單、通俗易懂、可同時(shí)處理確定及不確定信息等優(yōu)勢(shì)[25]。熵權(quán)法通過計(jì)算指標(biāo)的信息熵衡量指標(biāo)可變性，確定指標(biāo)的客觀權(quán)重，具有計(jì)算方法簡(jiǎn)單、不受主觀因素影響、計(jì)算結(jié)果相對(duì)客觀等優(yōu)勢(shì)[26]。因此，本文采用灰色關(guān)聯(lián)分析法評(píng)價(jià)各信任指標(biāo)，通過熵權(quán)法計(jì)算相應(yīng)權(quán)重，從而計(jì)算綜合信任評(píng)價(jià)值，能更好解決信任評(píng)價(jià)中主體僅憑個(gè)人直覺確定合作伙伴；無法將定量數(shù)據(jù)與不確定信息結(jié)合而進(jìn)行全面評(píng)價(jià)等問題[27]。

1.2.1 評(píng)價(jià)各信任指標(biāo)

假設(shè)在基于Agent的情感勸說中，Agent需要通過信任評(píng)價(jià)選擇合適的被評(píng)價(jià)Agent進(jìn)行交互。此時(shí)有n個(gè)被評(píng)價(jià)Agent，集合為Agent=(Agent1,Agent2,···,Agentn)，每個(gè)被評(píng)價(jià)Agent都有m個(gè)被評(píng)價(jià)的信任指標(biāo)，相應(yīng)集合為E=(e1,e2,···,em)，被評(píng)價(jià)Agent的信任指標(biāo)ej的值為可得被評(píng)價(jià)Agent對(duì)指標(biāo)集合E的分析矩陣U0。

為使所有數(shù)據(jù)處于同一量綱級(jí)別，需要利用一定的方法處理矩陣。均值法具有計(jì)算簡(jiǎn)單，不受極端數(shù)值影響，并可以保留變量取值差異的優(yōu)勢(shì)[28]，因此采用均值法對(duì)正向化矩陣進(jìn)行去量綱處理，可得到被評(píng)價(jià)Agent的初始矩陣W為

假設(shè)Agent0為最理想的合作對(duì)象，根據(jù)灰色關(guān)聯(lián)分析法選取參考序列參考序列的各項(xiàng)數(shù)據(jù)即為理想Agent各項(xiàng)指標(biāo)所對(duì)數(shù)據(jù)。計(jì)算各個(gè)被評(píng)價(jià)Agent的每項(xiàng)信任指標(biāo)與理想Agent0各項(xiàng)參考指標(biāo)的關(guān)聯(lián)系數(shù)為

式中ρ為分辨系數(shù)，取值范圍為(0,1)，一般取0.5。利用式(4)計(jì)算各個(gè)被評(píng)價(jià)Agent的關(guān)聯(lián)系數(shù)，構(gòu)成矩陣G為

1.2.2 權(quán)重計(jì)算

其次，根據(jù)標(biāo)準(zhǔn)矩陣計(jì)算各信任指標(biāo)信息熵為

最后，計(jì)算各信任指標(biāo)權(quán)重為

1.3 模型

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

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

2 算例分析

2.1 算例

為更好地說明和驗(yàn)證以上模型，本文以北京市碳排放權(quán)交易的二級(jí)市場(chǎng)即政府分配后的企業(yè)自由交易為背景，假設(shè)其中的企業(yè)為了節(jié)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(píng)價(jià)模型進(jìn)行談判。在信任指標(biāo)的選取上，主要考慮直接交互次數(shù)、情感勸說次數(shù)、交易金額、交易規(guī)模、推薦評(píng)分及與第三方Agent的累計(jì)合作次數(shù)6個(gè)指標(biāo)。直接交互次數(shù)代表買方Agent與賣方Agent交易過程中的直接合作次數(shù)，該值越大，買方越可信[30]；情感勸說次數(shù)表示賣方Agent在與買方Agent合作前進(jìn)行的談判輪次，該值越小，買方Agent越可信；交易金額和交易規(guī)?？捎糜诤饬拷灰椎闹匾潭?，該值越大，買方Agent越可信[31]；推薦評(píng)分及與第三方Agent的累計(jì)合作次數(shù)是間接信任指標(biāo)，代表第三方Agent的推薦程度，指標(biāo)數(shù)值越大，買方Agent越可信。

假設(shè)共有10個(gè)買方Agent(Agent1，Agent2，…，Agent10)向賣方Agent發(fā)出合作請(qǐng)求，表達(dá)合作意向。3個(gè)第三方Agent(AgentⅠ，AgentⅡ，AgentⅢ)給出推薦信息。賣方Agent對(duì)10個(gè)被評(píng)價(jià)的買方Agent的情感狀態(tài)分別為消極、安靜、積極、安靜、興奮、積極、消極、厭惡、興奮、安靜，對(duì)應(yīng)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(píng)分法表示第三方Agent給出的評(píng)分?jǐn)?shù)據(jù)如表1所示。

表1 買方Agent所得評(píng)分Table 1 Score of the buyer Agents

為降低主觀性影響，本文參考文獻(xiàn)[32]，計(jì)算每個(gè)專家與其他專家所給分?jǐn)?shù)的絕對(duì)差值，并將差值求和，用絕對(duì)差值的和表示專家的可信水平。顯然，絕對(duì)差值的和越小，評(píng)分越可信。首先，計(jì)算專家1與其他2位專家的評(píng)分絕對(duì)差值為

同理，求得專家2與其他2位專家的評(píng)分絕對(duì)差值為118，專家3與其他2位專家的評(píng)分絕對(duì)差值為72。

其次，計(jì)算得到每位專家絕對(duì)差值和占所有專家絕對(duì)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(quán)重，計(jì)算3位專家打分的加權(quán)平均值，該值作為參考指標(biāo)。例如，Agent1的最終評(píng)分為0.35×83+0.4×87+0.24×85=85.10，同理計(jì)算得到賣方Agent對(duì)買方Agent2到Agent10的評(píng)分為83.03，84.12，80.25，86.27，85.14，81.73，83.90，86.65，80.75。

2)結(jié)合以上評(píng)分值，并給出賣方Agent對(duì)10個(gè)買方Agent其他所有指標(biāo)初始值如表2所示。

表2 賣方Agent對(duì)所有買方Agent的指標(biāo)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(biāo)為根據(jù)式(4)以及矩陣W計(jì)算得到各個(gè)被評(píng)價(jià)Agent與理想Agent每個(gè)指標(biāo)的關(guān)聯(lián)系數(shù)如表3所示。

表3 關(guān)聯(lián)系數(shù)值Table 3 Value of the Correlation coefficient

1)將分析矩陣U按信息熵標(biāo)準(zhǔn)化方法處理，計(jì)算得到標(biāo)準(zhǔn)矩陣Y：

2)由標(biāo)準(zhǔn)矩陣和信息熵式(5)計(jì)算得到各指標(biāo)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(quán)重計(jì)算式(6)計(jì)算得到各個(gè)指標(biāo)的權(quán)重zj分別為0.19，0.20，0.13，0.16，0.17，0.14。

3)由權(quán)重和關(guān)聯(lián)系數(shù)，根據(jù)式(7)計(jì)算綜合信任評(píng)價(jià)值為

可見D5＞D3＞D9＞D6＞D10＞D4＞D2＞D7＞D1＞D8，賣方Agent將選擇買方Agent5進(jìn)行下一步情感勸說，并最終完成談判。通過算例可以發(fā)現(xiàn)，利用本文提出的模型可以幫助賣方Agent在實(shí)際商務(wù)談判中快速完成遠(yuǎn)程異地談判對(duì)象選擇，提高后續(xù)談判效率，推動(dòng)商務(wù)智能的自動(dòng)談判進(jìn)程。尤其在2020年突發(fā)的新冠疫情下，采用該模型可以使企業(yè)人員不需要面對(duì)面就能更好完成談判，從而避免面對(duì)面的傳統(tǒng)談判帶來的極大傳染風(fēng)險(xiǎn)，更進(jìn)一步體現(xiàn)了運(yùn)用該模型的緊迫性和優(yōu)越性。

2.2 分析

2.2.1 與不考慮情感的模型的對(duì)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(jì)算后的上述結(jié)果與該模型中Agent模擬人的情感去除后的計(jì)算結(jié)果進(jìn)行了列舉和對(duì)比：

由對(duì)比結(jié)果可知，賣方Agent對(duì)被評(píng)價(jià)的買方Agent的情感會(huì)嚴(yán)重影響信任評(píng)價(jià)值。當(dāng)Agent的情感處于消極或者更差時(shí)，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(duì)基于Agent的自動(dòng)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(yè)做出更符合實(shí)際商務(wù)談判的決定。

表4 計(jì)算結(jié)果對(duì)比分析Table 4 Comparison of calculation results

2.2.2 與熵權(quán)-TOPSIS評(píng)價(jià)模型的對(duì)比分析

將本文建立的模型與文獻(xiàn)[33]的熵權(quán)-TOPSIS模型進(jìn)行對(duì)比，如表5所示，根據(jù)本文提出的模型計(jì)算得到Agent5為最優(yōu)選擇，而根據(jù)熵權(quán)-TOPSIS(technique for order preference by similarity to ideal solution)評(píng)價(jià)模型進(jìn)行計(jì)算時(shí)，賣方Agent在不同的情感狀態(tài)下得到的被評(píng)價(jià)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(píng)價(jià)Agent依據(jù)該因子調(diào)節(jié)對(duì)不同被評(píng)價(jià)Agent的情感狀態(tài)，更符合真實(shí)談判，適用性更強(qiáng)。

表5 模型結(jié)果對(duì)比Table 5 Comparison of models’ results

3 結(jié)束語

本文綜合運(yùn)用OCC模型、模糊隸屬度函數(shù)、灰色關(guān)聯(lián)分析法及熵權(quán)法，對(duì)其中的信任指標(biāo)及權(quán)重計(jì)算進(jìn)行設(shè)定，構(gòu)建基于Agent的綜合信任評(píng)價(jià)的情感勸說模型。該模型能充分利用Agent在自動(dòng)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(píng)價(jià)更加可靠，為解決遠(yuǎn)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(duì)比分析，驗(yàn)證了該模型能夠有效計(jì)算并選擇出可信買方Agent，從而驗(yàn)證了該模型的有效性。但文中在實(shí)際數(shù)據(jù)運(yùn)用及系統(tǒng)構(gòu)建方面還有所欠缺，后續(xù)將進(jìn)一步完善。