康靖雯 史曉霖 王甜

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

隨著電子商務(wù)的快速發(fā)展，商務(wù)智能中自動(dòng)談判的智能化、靈活化已成為大勢所趨。Agent 自動(dòng)談判作為人工智能領(lǐng)域的重要代表，具有自主性、靈活性、擬人化等特點(diǎn)，使談判智能化，大幅降低談判成本，同時(shí)解決了談判的時(shí)間、空間上的約束，提高談判效率。在后疫情時(shí)代的大背景下，全球電商行業(yè)快速發(fā)展，Agent 所擁有的天然優(yōu)勢滿足了電商發(fā)展的智能化需求，成為促進(jìn)雙方交易的重要幫助。

情感是人的重要特征之一[1]，它除了對人的內(nèi)部造成影響外， 還會對人的外部活動(dòng)產(chǎn)生影響，即對相關(guān)事物的內(nèi)在評價(jià)和受到感觀刺激后的外在反應(yīng)。有學(xué)者將情感體驗(yàn)劃分為兩個(gè)維度[2]，即激勵(lì)和喚起維度。Damasio 認(rèn)為，人的情感可劃分為初級情感和二級情感，初級情感是接受環(huán)境刺激后、深入思考之前所產(chǎn)生的情感，二級情感是進(jìn)一步邏輯推理所產(chǎn)生的。

輿論是公眾關(guān)于現(xiàn)實(shí)社會以及社會中的各種現(xiàn)象、問題所表達(dá)的信念、態(tài)度、意見和情緒表現(xiàn)的總和，是一定范圍內(nèi)持同種觀點(diǎn)的Agent 形成一定規(guī)模后出現(xiàn)的，輿論中的用詞也包含著發(fā)出方Agent 對于輿論客體的情感和評價(jià)。奧爾波特指出，輿論是人類個(gè)體的行動(dòng)的表現(xiàn)，是多數(shù)人的表達(dá)，它受到目標(biāo)與情景的刺激和引導(dǎo)。嚴(yán)石將輿論定義為社會生活中卻踢的一致性意見，它是一種社會的思想，具有支配人們行為的權(quán)威性和約束力。輿論具有豐富性、一致性、強(qiáng)烈程度和持續(xù)性三個(gè)特性，在其傳播過程中也混雜著理性和非理性的部分?？陀^來看輿論本身會對Agent 談判造成內(nèi)部和外部的雙重影響，這種影響又會一定程度上影響Agent 雙方的談判決策。

綜上，對Agent 情感和輿論方面的研究都較為成熟，積累了大量的研究成果。在Agent 情感研究方面，宿云[3]研究了智能Agent 本體模型并基于OCC 模型，它是對事件、對象、Agent 等綜合而成的結(jié)果，他提出了一種多智能體誘發(fā)邏輯模型，根據(jù)電腦信號測量用戶情感；彭程[4]建立了一種多智能體情感驅(qū)動(dòng)的強(qiáng)化學(xué)習(xí)方法，通過多智能體間的情感交流使得群體決策一致，在輿論的分析方面，伍京華[3]將輿論分為積極和消極兩類，運(yùn)用形式邏輯理論,盡力基于Agent 的勸說中的積極輿論模型的評價(jià)體系,實(shí)現(xiàn)將Agent的勸說與輿論相結(jié)合。

本文從輿論的情感傾向評價(jià)入手，利用算法計(jì)算輿論的情感值，進(jìn)而判別輿論的情感傾向。其次，綜合考量Agent的情感態(tài)度和交易雙方的性格及輿論的情感傾向，結(jié)合性格因素利用OCC 模型對情感進(jìn)行量化，而后針對不同情況，分別制定恰當(dāng)?shù)膭裾f策略，從而大幅提高談判效率，降低雙方的談判成本。

1 模型

輿論是Agent 設(shè)置情感勸說目標(biāo)和確立情感勸說決策的重要因素，對輿論進(jìn)行評價(jià)有利于確保其準(zhǔn)確性。首先，需要對輿論文本進(jìn)行預(yù)處理，確保文本規(guī)范化和標(biāo)準(zhǔn)化；其次，對處理后的與論文本進(jìn)行情感分析，確立輿論的情感傾向；再次，依據(jù)Agent 的感知價(jià)值確定其是否有合作意愿；最后，若Agent 有合作意愿，則依據(jù)輿論情感分析傾向和Agent 自身情感分別確定交易目標(biāo)和做出勸說行為。

1.1 輿論的文本預(yù)處理

輿論信息千變?nèi)f化，從網(wǎng)絡(luò)直接爬取到的文本信息往往面臨著詞語、格式等不規(guī)范的問題，因此，我們需要依據(jù)具體情況，對原始輿論信息的文本進(jìn)行預(yù)處理。

1.1.1 原始文本提取與優(yōu)化

在針對事件選取輿論時(shí)，我們需要利用計(jì)算機(jī)技術(shù)進(jìn)行網(wǎng)絡(luò)爬取文本，可以使用TF-IDF[5]對輿論進(jìn)行關(guān)鍵字提取，了解輿論的大致情況。根據(jù)情況選擇合適的文本信息。

（1）TF 指的是詞語在有關(guān)事件評論中的詞頻，為了便于不同文本長度的評論中詞語的詞頻相互對比，所以需要將TF 規(guī)范化，經(jīng)過規(guī)范化后TF 的值為：

其中，m 為詞語在評論文本中出現(xiàn)的次數(shù)，M 為評論中詞語的總數(shù)。

（2）逆文檔頻率IDF 表的是特定詞語的重要性，如果在語料庫的文檔中，出現(xiàn)該詞語的文檔數(shù)越少，那么我們認(rèn)為該詞語越能代表該文檔的特征，IDF 的計(jì)算公式如下：

其中，c 為語料庫文檔總數(shù)，C 為出現(xiàn)該詞語的文檔數(shù)

（3）綜合詞語的詞頻（TF）和逆文檔頻率（IDF）可以計(jì)算出該詞語的TF-IDF 值[10,11]，TF-IDF 值可以看作對一篇文檔中的關(guān)鍵字評價(jià)值，將TF-IDF 值高的詞語集合在一起，就可以得出對一篇文章的大致概括。

我們從互聯(lián)網(wǎng)直接爬取到的原始文本質(zhì)量及數(shù)據(jù)內(nèi)容往往參差不齊，需要將原始爬取的文本進(jìn)行初始的文本優(yōu)化，將一些帶有特殊符號，語序錯(cuò)亂的文本刪除掉，可以幫助提高后續(xù)分析的準(zhǔn)確性。

1.1.2 情感詞典增刪

情感分析，也稱作情感傾向性分析，是對分析文本中所攜帶的情感進(jìn)行推理、分析、歸納的過程。情感分析可分為基于情感詞典和基于機(jī)器學(xué)習(xí)兩種方法。本文使用基于情感詞典法。即是將情感詞典與各種算法相結(jié)合，通過判斷特定的積極和消極情感關(guān)鍵字是否出現(xiàn)在分析文本中從而確定其情感值。簡單來說，若正面情感詞匯數(shù)量大于負(fù)面情感詞匯數(shù)量，那么評論會被判定為正向情感；若正面情感詞匯數(shù)量等于負(fù)面情感詞匯數(shù)量，那么評論會被判定為中立情感；若正面情感詞匯數(shù)量大于負(fù)面情感詞匯數(shù)量，那么評論會被判定為負(fù)向情感。本文使用的褒貶義詞典結(jié)合 SO-PMI 算法是基于情感詞典的情感分析。

在對輿論進(jìn)行分詞處理時(shí)，由于不同網(wǎng)絡(luò)輿論具有其獨(dú)特的特點(diǎn)，會出現(xiàn)許多新的表達(dá)方法，漢字語言藝術(shù)的博大精深及很多修辭手法的情感處理，導(dǎo)致文本情感的判斷及量化過程較為困難，傳統(tǒng)的簡單分詞處理判斷的準(zhǔn)確率不高。為了能更好地針對文本進(jìn)行分詞處理，更加準(zhǔn)確的情感分析，需要在分詞所依據(jù)的基本詞典的基礎(chǔ)上針對文本的特殊性及時(shí)效性，添加一些新的特有詞匯。例如網(wǎng)絡(luò)熱詞、專用詞匯等。

1.1.3 評論加權(quán)算法

在豐富情感詞典后，我們要進(jìn)行文本的篩選。在選擇輿論時(shí)，因不同事件的社會影響力、影響范圍、輻射廣度、影響深度都不同，故而需要根據(jù)不同事件的重點(diǎn)、影響力、質(zhì)量等因素，在整個(gè)事件輿論整理的過程中對內(nèi)容進(jìn)行加權(quán)選取，而后對分析效果較差的文本進(jìn)行篩選，選出后進(jìn)行文本整體刪改與修正，使其更符合輿論實(shí)際情感，提高模型的普適度。

1.2 情感分析

情感分析是判斷輿論情感傾向的重要步驟，利用情感分析可以得出每條經(jīng)預(yù)處理之后的輿論的情感是積極還是消極。本步驟包括情感詞典的選取和情感值計(jì)算兩部分。

1.2.1 情感詞典的選取和制作

情感詞典包括基礎(chǔ)情感詞典和專屬情感詞典兩部分。

在基礎(chǔ)情感詞典的選擇方面，目前比較成熟的情感詞典有知網(wǎng)的Hownet 情感詞典、NTUSD 臺灣大學(xué)情感詞典、大連理工中文情感詞匯本體等，其詞庫大體相同。

專屬情感詞典需要我們根據(jù)爬取到的輿論用詞和情感表達(dá)來進(jìn)行添加。為了保持專屬情感詞典與基礎(chǔ)情感詞典的一致性，專屬情感詞典的情感極性和情感強(qiáng)度可盡量根據(jù)基礎(chǔ)情感詞典中相近或相反的詞匯來進(jìn)行標(biāo)注，對于一些網(wǎng)絡(luò)新詞，可自行判斷情感極性和強(qiáng)度。在利用jieba 進(jìn)行分詞后，統(tǒng)計(jì)出現(xiàn)頻次較多的名詞（不包含停用詞）作為輿論對象。將輿論對象對應(yīng)的詞語與情感詞典匹配，為其標(biāo)注情感強(qiáng)度和極性。

1.2.2 情感值的計(jì)算

在基礎(chǔ)情感詞典和專用情感詞典的基礎(chǔ)上，分別計(jì)算情感詞與褒義詞語和貶義詞語之間的PMI 值來衡量兩個(gè)詞語之間的相關(guān)性。

其中，wi是輿情評論中的每一個(gè)情感詞，negj為情感詞典中帶有消極情感的貶義詞，posj為情感詞典中的帶有積極情感的褒義詞，P(word)為詞語word 在評論中出現(xiàn)的概率，p(word1&word2)為word1 和word2 在評論中一起出現(xiàn)的概率。如果PMI 值越大，則說明兩個(gè)詞語之間的關(guān)聯(lián)性越強(qiáng)。如果PMI>0，則兩個(gè)詞語是正相關(guān)的，PMI 值越大，兩個(gè)詞語之間的正相關(guān)性越強(qiáng)；如果PMI=0；兩個(gè)詞語是統(tǒng)計(jì)獨(dú)立的，不相關(guān)也不互斥；如果PMI<0，則兩個(gè)詞語是負(fù)相關(guān)的，也即互斥的。

計(jì)算完評論中的情感詞與情感詞典中的褒義詞和貶義詞之間的PMI 值之后，我們將詞語與各個(gè)褒義詞之間的PMI值加和再減去詞語與各個(gè)貶義詞之間的PMI 值，得到情感詞的SO-PMI 值：

其中，m 為情感詞典中褒義詞的個(gè)數(shù)，n 為情感詞典中貶義詞的個(gè)數(shù)。SO-PMI 值可以看作詞語的情感傾向，如果SO-PMI(wi)>0，則詞語有積極得情感傾向；如果SOPMI(wi)=0，則詞語為中性情感傾向；如果SO-PMI(wi)<0，那么詞語有負(fù)面的情感傾向。將句子中的所有的情感詞取平均值即可得到句子整體的情感值，將評論中所有的句子情感值取平均值即可得到整個(gè)評論的情感值emotion0，emotion0的情感值區(qū)間為[0，1]，情感值越接近于1，情感越積極；情感越接近于0，情感越消極。

1.3 情感量化模型

在Agent 情感量化方面，本文利用考慮性格因素的OCC模型[4]對情感進(jìn)行量化

基本步驟如下：

（1）首先，將性格按人格五因素模型分為O，C，E，A，N 五種，令p={O,C,E,A,N}，其中-1 ≤O,C,E,A,N ≤1，如表1 所示。

表1：

（2）使用PAD 模型描述心情，在PAD 模型中，P 代表愉悅度，A 代表激動(dòng)度，D 代表優(yōu)勢度，Agent 的心情可以用向量PAD={P,A,D}T來描述，其中-1 ≤P,A,D ≤1，性格OCEAN 與心情PAD 的轉(zhuǎn)化公式為：

表示成向量乘積為：PAD=M*p，其中M 為性格到心情的轉(zhuǎn)換向量。

（3）在用PAD 模型[6]表達(dá)Agent 的心情之后，可以根據(jù)PAD 與Agent 情感的對應(yīng)關(guān)系判斷Agent 的情感狀態(tài)。如表2 所示。

表2：

（4）根據(jù)P 值我們可以將Agent 的情感分為積極和消極兩類情感，結(jié)合模型一得到的輿論情感傾向和Agent 情感態(tài)度可以提出不同的勸說策略，具體如表3 所示。

表3：

激勵(lì)性情感勸說策略：Agent 以盡快達(dá)成一致意見為勸說目的，提出對雙方有利的勸說方案，努力使雙方利益都得到滿足，如在必要時(shí)可適當(dāng)降低勸說目標(biāo)或采取一些讓步。

引導(dǎo)性情感勸說策略：Agent 以自身利益最大化為勸說目的，圍繞自身利益訴求展開勸說，努力使對方Agent 滿足自身訴求，對于傷害自身利益的提議，要予以否決。

說服型情感勸說策略：Agent 以盡快與對方Agent 達(dá)成一致為勸說目的，從對方Agent 的角度出發(fā)，圍繞對方Agent 的利益展開勸說。盡量滿足對方Agent 的訴求，若在必要時(shí)，可犧牲己方Agent 的部分利益。

否定型情感勸說策略：Agent 以盡快結(jié)束勸說為目的，提高自身要求的利益目標(biāo)，若己方提出的訴求不能被滿足，就及時(shí)結(jié)束勸說過程。

2 數(shù)值模擬

2.1 輿論處理模擬

本文以北京市碳排放權(quán)交易為例，進(jìn)行算例仿真。

2.1.1 假設(shè)現(xiàn)有三條輿論

輿論1：“碳排放交易市場的發(fā)展必定前途無量”

輿論2：“看到碳排放交易市場的蓬勃發(fā)展，我感到很欣慰”

輿論3：“我不認(rèn)為碳排放交易市場會迅速發(fā)展，我對其感到悲觀”

對上述輿論進(jìn)行分詞，結(jié)果如表4。

表4：

2.1.2 提權(quán)關(guān)鍵字

在去除停用詞之后，計(jì)算輿論中詞語TF 值、IDF 值和TF-IDF 值，通過TF-IDF 分析，可以確認(rèn)輿論中的關(guān)鍵詞，本文因輿論樣本數(shù)量較少，只論證步驟，不進(jìn)一步展示。

2.1.3 情感分析

對上述輿論進(jìn)行分詞，結(jié)果如下：

在對分詞結(jié)果去除停用詞之后，計(jì)算每條輿論的SOPMI 值，結(jié)果如表5。

表5：

分別將輿論1、2、3 按0.5、0.3 和0.2 的比例賦予權(quán)重，可以得到輿論整體的SO-PMI 值為3.717，因此輿論情感為積極。

2.2 Agent情感量化模擬

本文以北京市碳排放權(quán)交易中的采購方（買方）和轉(zhuǎn)讓方（賣方）之間正在就碳排放權(quán)交易進(jìn)行勸說為例，現(xiàn)在以轉(zhuǎn)讓方（賣方）Es 要根據(jù)自身所處的勸說環(huán)境進(jìn)行情感決策。

以賣方Es 來說，以滿意這種情感為例，將滿意情感的各屬性權(quán)重依次設(shè)定為0.4,0.3,0.3，設(shè)Es 的個(gè)性向量為：

P=（0.4，0.7，0.6，0.5，0.5），則其對應(yīng)的PAD 心情空間值為：

由此可見，我們可以判定出買方情感狀態(tài)為放松，也即積極的情感狀態(tài)。根據(jù)Agent 的情感及輿論情感傾向可以確定此時(shí)選擇激勵(lì)型情感勸說策略。之后，Agent 會將所選擇的情感勸說策略發(fā)送給采購方，形成完整的情感勸說決策過程。

3 結(jié)論

情感勸說的引入使我們更有針對性的分析人類在產(chǎn)生商業(yè)交易行為時(shí)的情感、愿望和其目標(biāo)，與Agent 的有效結(jié)合也使得預(yù)測性更加準(zhǔn)確。Agent 作為人工智能領(lǐng)域的重要代表，可以輔助我們判斷商務(wù)交易雙方的交易意愿，而考慮事件輿論是能幫助Agent 更好的模擬實(shí)際情況[7][8]。輿論往往從各個(gè)角度影響著事件的進(jìn)程，交易雙方的性格也會對具體的交易達(dá)成度產(chǎn)生影響。

本文將以上三種影響因素綜合考慮后，借助Agent 的人工智能特性幫助模擬談判交易過程，針對不同情況有方向性的采取恰當(dāng)?shù)膭裾f策略，更真實(shí)的模擬實(shí)際情況[10]。相比前人的研究，本文創(chuàng)新性的將輿論與交易雙方性格及Agent情感評價(jià)模型結(jié)合考慮，將情感進(jìn)行量化處理，多維度預(yù)測實(shí)際情況，提高勸說的效率，使Agent 更理性更科學(xué)，加快勸說進(jìn)程，節(jié)約談判成本。

在選取分析輿論中，因原始數(shù)據(jù)參差不齊、事件質(zhì)量不均、分詞器對文本的處理程度不定、輿論具有時(shí)代特性[10]，許多網(wǎng)絡(luò)熱詞會影響情感準(zhǔn)確度的判斷、即使通過文本誤差糾正，經(jīng)過加權(quán)和修正后的文本，仍然難滿足很高的準(zhǔn)確性，在判斷輿論情感方向存在困難。在本文在假設(shè)的輿論下，因樣本輿論數(shù)量較少，對模型的驗(yàn)證方面不全面，沒有模擬并計(jì)算大樣本下的結(jié)果。

本文研究的Agent 模型中情感的變化受到輿論的影響僅停留在理論層面，缺少更多的實(shí)際輿論信息及交易數(shù)據(jù)支持，具體可操作性難以判定。本文Agent 勸說雖已結(jié)合輿論的變化，但因輿論和交易雙方的心情是動(dòng)態(tài)變化的，本文的模型和研究在實(shí)時(shí)性方面還有所欠缺，不具備根據(jù)事件輿論的變化實(shí)時(shí)更新勸說策略。下一步可以考慮對不同輿論環(huán)境下Agent 情感勸說的實(shí)時(shí)性展開研究。