基于Agent的情感勸說交互的口碑更新模型

伍京華，郄曉彤，汪文生

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

0 引言

基于智能體(Agent)的勸說利用Agent的人工智能優(yōu)勢，能較好地模擬企業(yè)實際商務(wù)談判、降低企業(yè)談判成本，是商務(wù)智能中自動談判發(fā)展到較為高級和智能化的階段，正日益受到人們廣泛關(guān)注[1-2]。情感影響著人們的認(rèn)識、態(tài)度和決策等方面，對人類的勸說行為產(chǎn)生了重要影響。因此，將情感引入基于Agent的勸說，使Agent具備模擬人類情感的能力，可以使Agent的勸說行為模擬效果更佳，從而更智能化地模擬企業(yè)實際商務(wù)談判[3]。

口碑是指人們在交互過程中逐漸形成的，對某個人物或事物的普遍觀點和看法。反之，口碑的更新會對人們的實際交互產(chǎn)生重大影響[4-5]?；贏gent的情感勸說通過Agent之間的情感及勸說不斷交互完成。因此，將口碑作為Agent模擬企業(yè)實際商務(wù)談判的重點影響因素，并將其與基于Agent的情感勸說交互結(jié)合，研究基于Agent的情感勸說交互的口碑更新模型，能綜合發(fā)揮Agent在人工智能方面的情感、勸說及口碑的優(yōu)勢，使基于Agent的情感勸說更加理性，談判結(jié)果更接近各企業(yè)實際需求，具有重要的意義[6]。

在基于Agent的勸說研究領(lǐng)域，Rosenfeld等[7]結(jié)合理論論證建模、機(jī)器學(xué)習(xí)和馬爾科夫優(yōu)化技術(shù)，提出一種通過辯論對話說服Agent的新方法;Subagdja等[8]為了使勸說雙方Agent的策略更具影響力，提出了具有說服力的Agent的協(xié)調(diào)框架;Kadowaki等[9]從平衡理論角度出發(fā)，研究了Agent之間的社會關(guān)系如何影響勸說的有效性，并開發(fā)了相應(yīng)系統(tǒng);WU等[10]提出了信任度的概念，闡述了基于Agent的勸說的信任模型，并建立了相應(yīng)的評估機(jī)制;孫華梅等[11]將Agent的形式化表述模型和交互模型相結(jié)合，考慮讓步幅度的影響，構(gòu)建了相應(yīng)的讓步模型。以上文獻(xiàn)結(jié)合不同理論和方法，對基于Agent的勸說進(jìn)行了研究，提出了不同模型。雖然都在一定程度上提高了Agent的勸說效果和效率，但還沒有考慮Agent的情感特性，更沒有考慮基于Agent的勸說在口碑方面的人工智能優(yōu)勢。

在基于Agent的情感研究領(lǐng)域，Castellanos等[12]提出了基于Agent的情緒計算模型，通過Agent模擬人的認(rèn)知和情感的相互作用，并設(shè)計了為Agent分配情感價值的機(jī)制;Wang等[13]分析比較了當(dāng)前基于Agent的認(rèn)知計算情緒模型，開發(fā)出了Agent模擬人的情感的系統(tǒng);盧阿麗等[14]結(jié)合微表情識別技術(shù)等，提出了基于多Agent的情感識別的自適應(yīng)性系統(tǒng)模型，并給出其框架圖;伍京華等[15]結(jié)合心理學(xué)的情感強(qiáng)度定律，為基于Agent的情感勸說建立了情感的更新模型，并對情感強(qiáng)度量化計算，構(gòu)建了相應(yīng)的提議評價模型和信度評價模型;董學(xué)杰等[16]建立情感推理規(guī)則，提出了能夠提高Agent的智能性和適應(yīng)性的決策模型。以上文獻(xiàn)雖然考慮了交互中的情感因素，但大多是對情感分類或建立相應(yīng)規(guī)則，沒有對交互中如何更新情感進(jìn)行量化研究，因此不能真實模擬企業(yè)實際商務(wù)談判。

在基于Agent的情感勸說交互研究領(lǐng)域，文獻(xiàn)[17-18]采用隱馬爾可夫模型識別真實人的情感狀態(tài)，實現(xiàn)了基于Agent的人機(jī)交互系統(tǒng)，開發(fā)了具有模擬人的能力的基于Agent的情感虛擬人機(jī)交互模型;王玉潔[19]結(jié)合心理學(xué)相關(guān)模型，進(jìn)行情感計算和建模，對人機(jī)交互進(jìn)行了探索;宿翀等[20]在研究了Agent的情感計算的基礎(chǔ)上，考慮了人機(jī)的情感交互，并提出了相應(yīng)的學(xué)習(xí)算法，建立了情感交互學(xué)習(xí)的Agent模型;伍京華等[21-22]研究了基于Agent的情感勸說中的消極情感作用，并構(gòu)建了相應(yīng)模型。以上文獻(xiàn)雖然從人的心理、情感計算和人機(jī)交互等角度出發(fā)，對Agent之間的交互進(jìn)行了研究，但沒有結(jié)合Agent的口碑很好展開。

在基于Agent的口碑更新研究領(lǐng)域，蔣帥[23]在復(fù)雜網(wǎng)絡(luò)視角下，建立了在線口碑傳播的Agent模型;Sweeney等[24]研究發(fā)現(xiàn)，口碑能否產(chǎn)生一定影響，取決于信息發(fā)送方和接收方之間的關(guān)系和所傳遞的信息量，以及各種情境因素;鐵翠香[25]認(rèn)為，接受方對網(wǎng)絡(luò)口碑的信任評價是網(wǎng)絡(luò)口碑能否影響其態(tài)度與決策的關(guān)鍵因素，而且Agent社會信任度的高低會對口碑信任度產(chǎn)生相應(yīng)影響;陳蓓蕾[26]研究了互聯(lián)網(wǎng)和電子商務(wù)背景下，受口碑影響的Agent的決策機(jī)制及模型;Barreda等[27]研究了OSN背景下Agent的信任、滿意度、行為意圖和口碑之間的關(guān)系，認(rèn)為Agent之間的信任往往會對口碑更新有積極影響。以上文獻(xiàn)雖然考慮了Agent的情感特性，但未提出口碑更新模型，也沒有將基于Agent的情感勸說與口碑聯(lián)系起來，因此更無法綜合考慮口碑更新對基于Agent的情感勸說交互的影響。

針對上述問題，本文對模型作出假設(shè)，并對口碑更新機(jī)制進(jìn)行分析，繪制了相應(yīng)的機(jī)制圖；采用直覺模糊數(shù)構(gòu)建了交互評價向量，并結(jié)合前景理論，尤其是其中的價值函數(shù)，以及二分法，構(gòu)建了相應(yīng)算法，并以偽代碼表示；基于標(biāo)準(zhǔn)評價向量，構(gòu)建了口碑評價值算法，并考慮口碑隨時間衰減的動態(tài)性，基于指數(shù)分布逆形式，對相應(yīng)的口碑評價值權(quán)重進(jìn)行了設(shè)定。綜合以上研究，提出了基于Agent的情感勸說交互的口碑更新模型(Update Word of Mouth, UWOM)，并以偽代碼表示，同時結(jié)合情感強(qiáng)度第一定律，設(shè)計了相應(yīng)的情感勸說強(qiáng)度算法，進(jìn)而給出了該模型下的提議更新算法。為驗證該模型的合理性和有效性，設(shè)計了相應(yīng)算例，并進(jìn)行了分析，得出了相應(yīng)結(jié)論和管理啟示。

1 UWOM模型

為構(gòu)建UWOM模型，首先需要進(jìn)行相應(yīng)假設(shè)，分析相應(yīng)的口碑更新機(jī)制，其次要對機(jī)制中涉及的變量和算法等進(jìn)行有效構(gòu)建，并對相應(yīng)權(quán)重進(jìn)行設(shè)定，在此基礎(chǔ)上得出該模型，進(jìn)而根據(jù)該模型設(shè)計出相應(yīng)的提議更新算法，從而更好地完成基于Agent的情感勸說交互，最終體現(xiàn)該模型的合理性和有效性。

1.1 假設(shè)

(1)買方Agent a與賣方Agent b采用情感勸說的方式，針對產(chǎn)品p進(jìn)行交互。

(2)交互產(chǎn)品屬性為價格、質(zhì)量、付款期限和售后服務(wù)，其他屬性也可根據(jù)該模型計算。

(3)買方Agent a和賣方Agent b同時給出產(chǎn)品p的各項屬性提議值，且在首次交互中，參與情感勸說的Agent雙方按照各自的期望值報價。

(7)如在第k輪次時，買方Agent a接受到針對價格和付款期限的提議小于或等于自身提議值，且針對質(zhì)量和售后服務(wù)的提議大于或等于自身提議值，則達(dá)成一致，計算成交值，即最終買方和賣方提議值的中間值，結(jié)束情感勸說；否則繼續(xù)，而賣方Agent b正好相反。

(8)T為最大輪次，如T輪勸說后，雙方仍未達(dá)成一致，交互失敗，結(jié)束情感勸說。

1.2 口碑更新機(jī)制

買方Agent a與賣方Agent b在每輪交互中，首先通過相應(yīng)方法構(gòu)建交互評價向量，并通過相應(yīng)算法得到每個屬性的交互評價向量值；其次將不同屬性的交互評價向量值與其權(quán)重集成，得到每輪次的口碑評價值；最后通過相應(yīng)方法對該口碑評價值進(jìn)行權(quán)重分配，從而得到下一輪提議值，確定相應(yīng)的口碑更新值，如圖1所示。

1.3 基于直覺模糊數(shù)的交互評價向量構(gòu)建

直覺模糊數(shù)在刻畫不確定事件上具有一定優(yōu)勢[28]，自提出以來受到了眾多學(xué)者關(guān)注，如文獻(xiàn)[29]運(yùn)用直覺模糊數(shù)來刻畫突發(fā)事件的相關(guān)決策信息，研究了突發(fā)事件的應(yīng)急決策方法。在基于Agent的情感勸說中，雙方Agent的每次交互及其結(jié)果均具有不確定性，因此同樣可以看成是突發(fā)事件。參照以上研究，本文運(yùn)用直覺模糊數(shù)來構(gòu)建相應(yīng)的交互評價向量。

首先，構(gòu)建交互評價向量直覺模糊集為F={〈y,μα(y),να(y),πα(y)〉|y∈Y}，表示雙方Agent對產(chǎn)品屬性的評價。其中：Y為非空集合；μα(y)為積極的交互評價值，表示對Y中元素y的滿足程度；να(y)為消極的交互評價值，表示對Y中元素y的不滿足程度；μα(y)∈[0,1]，να(y)∈[0,1]，0≤μα(y)+να(y)≤1,y∈Y[30]。

其次，將該交互評價向量通過直覺模糊數(shù)α=(μα,να)表示[30]，則在第k輪次Agent a和Agent b的交互中，Agent a對Agent b的產(chǎn)品屬性i的交互評價向量為：

αki=〈μki,vki〉。

(1)

式中：μki為正面交互評價值;νki為負(fù)面交互評價值。

再次，根據(jù)文獻(xiàn)[31]，可得相應(yīng)的記分函數(shù)為S(α)=μα-να，精確函數(shù)為H(α)=μα+να。其中S(α)∈[-1,1]，并且如S(α1)α2；如S(α1)=S(α2)，則H(α1)>H(α2)時，有α1>α2，H(α1)=H(α2)時，有α1=α2。

最后，根據(jù)文獻(xiàn)[32]，可得α1≥α2的可能度

(2)

若p(α1≥α2)≥0.5，則α1≥α2；若p(α1≥α2)<0.5，則α1<α2。

1.4 基于前景理論的交互評價向量算法

與效用理論不同，前景理論[33]中的決策者關(guān)注相對收益和相對損失，其核心為該理論中的價值函數(shù)，而這正是實際談判參與方關(guān)注的焦點。因此，本文擬在該函數(shù)的基礎(chǔ)上，結(jié)合基于Agent的情感勸說實際對其進(jìn)行改進(jìn)，進(jìn)而構(gòu)建相應(yīng)的交互評價向量算法。

Agent在情感勸說中，對產(chǎn)品的每個屬性都有期望值與保留值，若屬性為成本型，則期望值為預(yù)期最小值，保留值為預(yù)期最大值；若屬性為效益型，則期望值為預(yù)期最大值，保留值為預(yù)期最小值。采用二分法原理[34]，同時考慮Agent的期望值和保留值，并選取兩者中間值表示Agent心理預(yù)期的中間值，以h表示，再以其為基值，可得交互第k次的Agent的相對理想收益SL(k)和相對理想損失SG(k)的計算公式如下：

(3)

(4)

另外，由式(3)和式(4)可得積極情感值μki和消極情感值νki的計算如下：

(5)

(6)

綜上所述，可得Agent在第k輪的交互評價向量αk的算法如下：

αk=(ω1μk1+ω2μk2+ω3μk3+ω4μk4,ω1νk1+

ω2νk2+ω3νk3+ω4νk4)。

(7)

其中ω1,ω2,…,ωn為屬性i的權(quán)重，采用較為普遍和有代表性的專家打分法確定[35]。

該算法可通過以下偽代碼表示：

算法1交互評價向量算法。

IF期望值<保留值THEN

IF對方提議值<自身期望值THEN

相對理想收益=POW((屬性i基值-期望值，γ))，相對理想損失=0;

IF自身期望值<=對方提議值<=屬性i基值THEN

相對理想收益=POW((屬性i基值-對方提議值，γ))，相對理想損失=0;

IF屬性i基值<對方提議值<=自身保留值THEN

相對理想收益=0，相對理想損失=-λ*POW((對方提議值-屬性i基值，β));

IF對方提議值>自身保留值THEN

相對理想收益=0，相對理想損失=-λ*POW((自身保留值-屬性i基值，β));

ELSE

IF對方提議值>自身期望值THEN

相對理想收益=POW((期望值-屬性i基值，γ))，相對理想損失=0;

IF自身期望值>=對方提議值>=屬性i基值THEN

相對理想收益=POW((對方提議值-屬性i基值，γ))，相對理想損失=0;

IF屬性i基值>對方提議值>=自身保留值THEN

相對理想收益=0，相對理想損失=-λ*POW((屬性i基值-對方提議值，β));

IF對方提議值<自身保留值THEN

相對理想收益=0，相對理想損失=-λ*POW((屬性i基值-自身保留值，β));

IF期望值<保留值THEN

積極情感值=相對理想收益/(POW((屬性i基值-期望值，γ))+ABS(-λ*POW((自身保留值-屬性i基值，β))))；

消極情感值=-相對理想損失/(POW((屬性i基值-期望值，γ))+ABS(-λ*POW((自身保留值-屬性i基值，β))))；

ELSE

積極情感值=相對理想收益/(POW((期望值-屬性i基值，γ))+ABS(-λ*POW((屬性i基值-自身保留值，β))))；

消極情感值=-相對理想損失/(POW((期望值-屬性i基值，γ))+ABS(-λ*POW((屬性i基值-自身保留值，β))))；

交互評價向量=(SUM(屬性i積極情感值*屬性i權(quán)重)，SUM(屬性i消極情感值*屬性i權(quán)重))；

1.5 基于標(biāo)準(zhǔn)評價向量的口碑評價值算法

(8)

1.6 基于指數(shù)分布逆形式的口碑評價值權(quán)重設(shè)定

越久遠(yuǎn)的口碑，說服力越差，即口碑具有動態(tài)時間衰減性，因此本文借鑒文獻(xiàn)[37]的指數(shù)分布的逆形式，對每次交互得到的口碑評價值分配權(quán)重，如式(9)所示：

(9)

式中t(k)為第k次交互占總交互次數(shù)T的權(quán)重，k越大，t(k)越大。

1.7 模型

綜合以上研究，可得UWOM模型，即每輪交互后Agent的口碑更新值為

(10)

該模型可通過以下偽代碼表示：

算法2口碑更新值算法。

口碑評價值=標(biāo)準(zhǔn)口碑評價值;

口碑評價值=標(biāo)準(zhǔn)口碑評價值-θ*ABS(記分函數(shù)(α));

口碑更新值=(口碑評價值-標(biāo)準(zhǔn)口碑評價值)*時間權(quán)重；

ELSE

口碑更新值=0;

1.8 基于UWOM模型的提議更新算法

首先，根據(jù)情感強(qiáng)度第一定律[38]，可得基于Agent的情感勸說交互的情感強(qiáng)度算法為：

q=kmlog(1+ΔV)。

(11)

式中：q為情感強(qiáng)度，其值用來衡量情感強(qiáng)度的大?。籯m為情感強(qiáng)度系數(shù)(一般取km=1)；ΔV為價值率的高差，

(12)

其次，將基于Agent的情感勸說交互的勸說強(qiáng)度用δ表示，為Agent在情感勸說過程中采取的交互策略對應(yīng)的強(qiáng)度值。依據(jù)選擇不同策略所進(jìn)行的交互過程快慢，可將交互策略分為3類：0<δ<1為緩慢型交互策略；δ=1為均勻交互策略；δ>1為急迫型交互策略。

再次，將基于Agent的情感勸說交互的情感強(qiáng)度和勸說強(qiáng)度結(jié)合，可得基于Agent的情感勸說交互的情感勸說強(qiáng)度g的算法：

g=δ·q。

(13)

最后，在基于Agent的情感勸說交互中，由于第k次交互結(jié)果會對第k+1次交互產(chǎn)生影響，考慮以上情感勸說強(qiáng)度g，可得基于Agent的情感勸說交互的提議更新算法如下：

(14)

(15)

綜合UWOM模型及該算法，可得相應(yīng)的提議更新算法為：

(16)

2 算例和分析

為更好地闡述以上模型，以煤炭行業(yè)供應(yīng)鏈管理中代表采購商的買方Agent a和代表供貨商的賣方Agent b之間正在就某種煤炭交易進(jìn)行情感勸說為例，假設(shè)如下：

(1)雙方初始提議值如表1所示。

表1 買方Agent及賣方Agent初始提議值及對產(chǎn)品各屬性的權(quán)重分配

(3)γ，β取值0.88，且λ=2.25[39]。

2.1 不考慮口碑更新的交互

為體現(xiàn)該模型的有效性，現(xiàn)將其與不考慮口碑更新的交互情況作對比分析。通過式(14)和(15)計算Agent a與Agent b第二輪后每輪提議值，如表2所示。

表2 不考慮口碑更新的交互

因此，最終在第八輪交互中，4個屬性提議值均達(dá)成一致，情感勸說成功。

2.2 采用本文提出的模型的交互

表3 采用本文提出的模型的交互

因此，最終在第八輪交互中，4個屬性提議值均達(dá)成一致，情感勸說成功。

2.3 結(jié)果分析

綜上可得各項屬性在不考慮口碑更新和本文提出的模型這兩種情況下的最終交互值，如圖2所示。

由此可見：

(1)兩種情況下的情感勸說交互次數(shù)相等，均為八次。因此，采用本文提出的模型對交互輪次沒有太大影響。

(2)兩種情況下的最終成交價格值相等，且前者最終成交質(zhì)量值及最終售后服務(wù)值均低于后者，而最終付款期限值則高于后者。因此，采用本文提出的模型能使最終結(jié)果對買方Agent更有利。

3 研究結(jié)論

本文將基于Agent的情感勸說與相應(yīng)的口碑更新結(jié)合，展開了一定程度的研究。與已有研究相比，作出的改進(jìn)及得出的結(jié)論如下：

(1)從交易中雙方Agent關(guān)注的產(chǎn)品屬性入手，著重考慮了實際交互過程中賣方Agent對買方Agent的影響，以及相應(yīng)的口碑更新對基于Agent的情感勸說的影響，研究了交互過程中Agent的口碑如何更新及更新之后如何影響買方Agent的提議值。

(2)結(jié)合基于Agent的情感勸說實際，分析了模型的口碑更新機(jī)制，并指出了其中需要構(gòu)建的變量和算法，以及需要設(shè)定的權(quán)重和模型對提議產(chǎn)生的影響，使該模型的構(gòu)建思路清晰直觀的呈現(xiàn)出來，從而為模型的構(gòu)建打下堅實的基礎(chǔ)。

(3)直覺模糊數(shù)在刻畫不確定事件上具有一定優(yōu)勢，而基于Agent的情感勸說中，雙方Agent的每次交互及其結(jié)果都具有不確定性，找到二者在這方面的契合點，采用直覺模糊數(shù)，對模型中口碑更新機(jī)制分析的交互評價向量進(jìn)行構(gòu)建，使該向量的表示更合理。

(4)結(jié)合前景理論中的價值函數(shù)，對交易雙方Agent關(guān)注重點即收益和損失進(jìn)行改進(jìn)，同時結(jié)合二分法原理，計算了基于Agent的情感勸說的相對理想收益和損失，提出了相應(yīng)的交互評價向量算法。與以往采用效用理論相比，更好地反映了現(xiàn)實交易中Agent的情感。

(5)基于標(biāo)準(zhǔn)口碑評價向量，同時考慮口碑的時間衰減性，運(yùn)用指數(shù)函數(shù)的逆形式，對每次交互得到的口碑評價值進(jìn)行計算，并分配相應(yīng)權(quán)重，從而得出了UWOM模型。該模型體現(xiàn)了現(xiàn)實中口碑會隨著時間推移而減弱的特點，因此更符合實際。

(6)結(jié)合情感強(qiáng)度第一定律，提出了情感勸說強(qiáng)度算法，并提出了沒有考慮口碑更新的提議更新算法，最后綜合該算法和所提UWOM模型，提出了相應(yīng)的提議更新算法，從而從量化的角度，更全面和客觀地綜合反應(yīng)了情感、勸說及口碑更新對提議更新的影響。

4 結(jié)束語

本文所提模型將情感、勸說和口碑更新融入了基于Agent的自動談判中，使交互過程更加符合人的思維，更加智能化。通過本文的研究，可得出以下管理啟示：

(1)交互過程中考慮口碑更新的影響，更能體現(xiàn)現(xiàn)實中歷史行為對企業(yè)決策的影響，從而使企業(yè)管理者在考慮歷史行為時所做出的決策對企業(yè)更有利。

(2)以前景理論為基礎(chǔ)的價值函數(shù)考慮了企業(yè)管理者在實際交易中關(guān)注的重點即收益和損失，從而更好地反映了實際商務(wù)談判中企業(yè)管理者對收益和損失的主觀情感，進(jìn)一步提高了基于Agent的自動談判的自適應(yīng)性，使該領(lǐng)域研究更具有實際價值。

(3)本文考慮的產(chǎn)品屬性以價格、質(zhì)量、付款期限、售后服務(wù)為例，而在實際商務(wù)談判中，企業(yè)可以結(jié)合自身業(yè)務(wù)特點考慮更多屬性，并為不同重要性的屬性分配權(quán)重。因此，本文的研究具有較好的代表性和可擴(kuò)展性。

(4)本文算例雖然以煤炭企業(yè)為例進(jìn)行研究，但該模型同樣適用于煤炭供應(yīng)鏈上的其他環(huán)節(jié)，也適用于其他領(lǐng)域的商務(wù)談判，因此具有較好的通用性。企業(yè)管理者可以在本文模型的基礎(chǔ)上，結(jié)合自身業(yè)務(wù)特點，開發(fā)出適合自己企業(yè)的系統(tǒng)，提高企業(yè)管理效率。

本文初步將情感、勸說和口碑更新與基于Agent的自動談判結(jié)合，研究了相應(yīng)的口碑更新模型，由于是對該領(lǐng)域的初步探索，因此還存在以下不足和值得進(jìn)一步研究的方向：

(1)模型著重探討買方Agent在情感勸說中考慮口碑的情況，而賣方Agent也同樣可以考慮口碑。下一步將在此基礎(chǔ)上研究雙方Agent都考慮口碑的相對復(fù)雜的情況。

(2)模型采用算法的可靠性還有待改進(jìn)，如直覺模糊數(shù)。因此下一步將考慮引入更為復(fù)雜的理論或方法，改進(jìn)其中的算法，以提高模型的合理性和有效性。

(3)口碑在更新之后，還會在Agent體系中進(jìn)行傳播，傳播給其他接受口碑的Agent，而口碑如何進(jìn)行傳播以及怎樣影響口碑接受Agent的決策是企業(yè)管理者更為關(guān)注的問題。未來，將進(jìn)一步對基于Agent的情感勸說的口碑傳播模型等展開研究。