第16卷第1期 智能系统学报 Vol.16 No.1 2021年1月 CAAI Transactions on Intelligent Systems Jan.2021 D0L:10.11992tis.202009024 基于Agent的综合信任评价的情感劝说模型 伍京华，王凯欣 (中国矿业大学（北京）管理学院，北京100083) 摘要：针对目前Agent模拟人的信任评价研究不够深人的现状，首先根据情绪认知模型(ortony clore&collins, OCC),将基于Aget的情感细分为5个等级，引入情感度量因子，采用模糊隶属度函数对其算法进行构建：其 次，采用灰色关联分析法评价各信任指标，并通过嫡权法计算相应权重，构建了综合信任评价算法；综合以上 研究，提出了基于Agt的综合信任评价的情感劝说模型，并以北京市碳排放权交易为背景，设计了相应算例， 对以上研究进行了验证和分析：最后对结论进行了归纳和梳理，并给出了下一步研究方向。 关键词：智能体；信任评价：情感劝说；模糊隶属度：商务智能；自动谈判：灰色关联分析：嫡权法 中图分类号：TP18:C931.6文献标志码：A 文章编号：1673-4785(2021)01-0117-08 中文引用格式：伍京华，王凯欣.基于Agent的综合信任评价的情感劝说模型.智能系统学报，2021,16(1)：117-124. 英文引用格式：VU Jinghua,.WANG Kaixin.Emotional persuasion model based on Agent's comprehensive trust evaluation [Jl. CAAI transactions on intelligent systems,2021,16(1):117-124. Emotional persuasion model based on Agent's comprehensive trust evaluation WU Jinghua,WANG Kaixin (School of Management,China University of Mining and Technology (Beijing),Beijing 100083,China) Abstract:In view of the present research on trust evaluation of agent simulators is not deep enough,an emotional per- suasion model is proposed.The agent-based emotion was first divided into five levels according to the OCC model. First,an emotional factor was introduced,and a fuzzy membership function was used to construct the algorithm.Second, the gray relational analysis method was used to evaluate each trust index,and the corresponding weight was calculated by the entropy weight method,fully building the comprehensive trust evaluation algorithm.Third,an emotional persua- sion model based on the agent's comprehensive trust evaluation was proposed.Under the background of emission trad- ing permits of carbon in Beijing,corresponding examples were designed to verify and analyze the model.Finally,res- ults were summarized and sorted into a conclusion,forming the next research direction. Keywords:agents;trust evaluation;emotional persuasion;fuzzy membership;business intelligence;automated negoti- ation;gray relational analysis,entropy weight method 信息技术的日新月异，使得商务智能变得越统和人工智能结合的计算实体，具有自主行动、 来越重要。作为该领域典型代表的自动谈判不需 交互协作、感知反应等模拟人的特性，是近年来 要或仅需要部分人参与，所以能较大节约谈判成 人工智能的重要代表，发展到现在，出现了将其 本，提高谈判效率及效果，在很大程度上代替了 引入商务智能的新型自动谈判模式一基于Agent 传统商务谈判四。Agent是一定环境下计算机系 的自动谈判四。 随着研究的深入，有许多学者将Agent模拟 收稿日期：2020-09-21. 人的情感和劝说的人工智能优势引入基于Agent 基金项目：国家自然科学基金项目(71972177)：中央高校基本 科研业务费专项资金项目(2020 YJSGL04). 的自动谈判中，推动该领域研究进入到了更加智 通信作者：王凯欣.E-mail:18811397606@163.com 能的阶段一基于Agent的情感劝说。信任是
DOI: 10.11992/tis.202009024 基于 Agent 的综合信任评价的情感劝说模型 伍京华，王凯欣 （中国矿业大学 (北京) 管理学院，北京 100083） 摘 要：针对目前 Agent 模拟人的信任评价研究不够深入的现状，首先根据情绪认知模型（ortony clore&collins, OCC），将基于 Agent 的情感细分为 5 个等级，引入情感度量因子，采用模糊隶属度函数对其算法进行构建；其 次，采用灰色关联分析法评价各信任指标，并通过熵权法计算相应权重，构建了综合信任评价算法；综合以上 研究，提出了基于 Agent 的综合信任评价的情感劝说模型，并以北京市碳排放权交易为背景，设计了相应算例， 对以上研究进行了验证和分析；最后对结论进行了归纳和梳理，并给出了下一步研究方向。 关键词：智能体；信任评价；情感劝说；模糊隶属度；商务智能；自动谈判；灰色关联分析；熵权法 中图分类号：TP18；C931.6 文献标志码：A 文章编号：1673−4785(2021)01−0117−08 中文引用格式：伍京华, 王凯欣. 基于 Agent 的综合信任评价的情感劝说模型 [J]. 智能系统学报, 2021, 16(1): 117–124. 英文引用格式：WU Jinghua, WANG Kaixin. Emotional persuasion model based on Agent’s comprehensive trust evaluation [J]. CAAI transactions on intelligent systems, 2021, 16(1): 117–124. Emotional persuasion model based on Agent’s comprehensive trust evaluation WU Jinghua，WANG Kaixin (School of Management, China University of Mining and Technology (Beijing), Beijing 100083, China) Abstract: In view of the present research on trust evaluation of agent simulators is not deep enough, an emotional persuasion model is proposed. The agent-based emotion was first divided into five levels according to the OCC model. First, an emotional factor was introduced, and a fuzzy membership function was used to construct the algorithm. Second, the gray relational analysis method was used to evaluate each trust index, and the corresponding weight was calculated by the entropy weight method, fully building the comprehensive trust evaluation algorithm. Third, an emotional persuasion model based on the agent’s comprehensive trust evaluation was proposed. Under the background of emission trading permits of carbon in Beijing, corresponding examples were designed to verify and analyze the model. Finally, results were summarized and sorted into a conclusion, forming the next research direction. Keywords: agents; trust evaluation; emotional persuasion; fuzzy membership; business intelligence; automated negotiation; gray relational analysis; entropy weight method 信息技术的日新月异，使得商务智能变得越 来越重要。作为该领域典型代表的自动谈判不需 要或仅需要部分人参与，所以能较大节约谈判成 本，提高谈判效率及效果，在很大程度上代替了 传统商务谈判[1]。Agent 是一定环境下计算机系 统和人工智能结合的计算实体，具有自主行动、 交互协作、感知反应等模拟人的特性，是近年来 人工智能的重要代表，发展到现在，出现了将其 引入商务智能的新型自动谈判模式−基于 Agent 的自动谈判[2]。 随着研究的深入，有许多学者将 Agent 模拟 人的情感和劝说的人工智能优势引入基于 Agent 的自动谈判中，推动该领域研究进入到了更加智 能的阶段−基于 Agent 的情感劝说[3]。信任是 收稿日期：2020−09−21. 基金项目：国家自然科学基金项目 (71972177)；中央高校基本 科研业务费专项资金项目 (2020YJSGL04). 通信作者：王凯欣. E-mail：18811397606@163.com. 第 16 卷第 1 期 智 能 系 统 学 报 Vol.16 No.1 2021 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2021
·118· 智能系统学报 第16卷 人们开展一切商务活动的前提，随时随地影响着 情感劝说决策提供大力支持。 人们在谈判劝说中的各种情感，影响整个自动谈 综上所述，文献[⑦]主要针对信任信息的获取 判的顺利进行。因此，在基于Agent的情感劝说 和集结建立模型；文献[8]考虑了时间对信任计 中，考虑Agent模拟人的信任（简称基于Agent的 算的影响，文献[9-12]从直接和间接2个角度进 信任)，研究Agent的情感劝说如何根据信任评价 行信任评价，文献[13]考虑了信誉和冲突的作 进行合理有效的动态调整，以此更好完成自动谈 用，但是以上文献均未考虑情感因素的影响；文 判，将能更进一步发挥其商务智能优势，意义重大。 献[14]仅在单属性谈判中进行了验证，适用范围 在基于Agent的信任方面，余洋等I6依据基 较小；文献[15]从主体信度评价，提议评价的角 于防御Agent的行为方式将信任分类，建立了信 度进行模型建立，将情感量化引入模型中，但模 任启动模型。曹慕昆等)将信任拓展，开发了基 型复杂，计算时不便操作；文献[17]仅证明将情 于Agent的信任的电子商务谈判系统。蒋伟进等 感因素引进基于Agent的谈判具有一定优势，但 利用时间敏感函数，提出了基于移动Agent的动 未给出情感的度量方法；文献[18]主要对认知情 态信任的计算方法。张高旭在信心-信誉模型基 感进行量化。综合对上述文献的分析，本文提出 础上，建立了能够适应动态变化环境的多属性综 了熵权-灰色关联分析法的综合信任评价模型，并 合信任模型。滕婕等综合考虑直接与间接信 将情感量化引入模型，有效地进行信任评价。 任的影响，构建了基于Agent的信任识别模型。 Majd等应用模糊逻辑提出信任模型，并通过实 1基于Agent的综合信任评价的情 验证明该模型相比于贝叶斯等模型具有更高的准 感劝说模型 确性。Tung等a提出了基于动态贝叶斯网络的 1.1 情感度量因子算法 信任评估模型，从直接和间接2方面评估目标可 信度。Balakrishnan等1考虑信誉、声誉和冲突， 基于Agent的情感劝说中，情感的度量至关 重要，而这需要对其中的情感等级进行合理有效 提出了基于Agent的信誉分配冲突的信任模型。 划分。文献[15]将其划分为积极、消极和中性 在基于Agent的情感劝说方面，董学杰对 3种类型，不仅较为笼统，而且与实际相符程度也 自动谈判中Agent的情感进行分类，建立了自动 不够。情绪认知模型(ortony clore&collins,OCC) 谈判中基于Agent的情感决策模型，并在单属性 根据3个标准及诱因和强度差异将情感划分为 谈判中进行了验证。伍京华等1利用情感第一 22种，从该模型出发对Agent的情感等级进行划 定理、模糊隶属度函数和多属性效用函数，提出 分，能较好地弥补以上不足。本文基于该模型， 了基于Agent的情感劝说的合作主体选择模型。 参考文献[23-24]的评价方法，将基于Agent的情 Jain等i提出在基于Agent的自动谈判中加入情 感因素，能起到更好的劝说效果；Adam等叨通过 感劝说中的情感进一步划分为以下5个等级： 等级l:厌恶(Disgusted),对被评价Agent极 实验证明了将情感因素引入基于Agent的自动谈 其不信任，表现出极为不高兴和不满意的情感状态： 判具有潜在的好处；Marco等I将提出的认知情 等级2：消极Negative),对被评价Agent较为 感架构引入Agent,证明情感的加入可以使Agent 的交互更加真实可信。Carolis等1建立的模型 不信任，表现出较为不高兴和不满意的情感状态； 等级3：安静(Quiet),对被评价Agent的信任 将情感与劝说结合，该模型可依据Agent的特性 处于中立状态，既不表现出不高兴和不满意的情 和习惯进行预测，得到的预测结果可作为Agent 感状态，也不表现出高兴和满意的情感状态； 选择劝说策略的依据。 在基于Agent的信任的情感劝说方面，汪矿Po 等级4：积极(Optimistic),对被评价Agent较 为信任，表现出较为高兴和满意的情感状态； 利用情感分析的方法量化信任属性，并在该方法 等级5：兴奋(Excited),对被评价Agent极其 的基础上构建了基于Agent的情感强度感知的信 信任，表现出极为高兴和满意的情感状态： 任评价模型，从直接和推荐信任2个角度对信任 本文假设x为不同的情感状态，采用模糊隶 进行评价。伍京华等2)利用多维度评价信息和 属度函数计算方法，取偏大型柯西分布及对数函 Agent关系网络，运用Dempter-.Shafer证据理论， 数作为隶属函数，通过式(I)对基于Agent的劝说 提出基于Agent的情感劝说的信任识别模型，通 中的情感进行计算： 过引入动态权重因子，将直接交互信息和推荐信 息进行组合，计算出各合作伙伴的综合信任度 [1+a(x-B- ,1≤x≤3 值，从中寻找出适合的合作伙伴，为基于Agent的 alnx+b,3<x≤5
人们开展一切商务活动的前提，随时随地影响着 人们在谈判劝说中的各种情感，影响整个自动谈 判的顺利进行[4]。因此，在基于 Agent 的情感劝说 中，考虑 Agent 模拟人的信任 (简称基于 Agent 的 信任)，研究 Agent 的情感劝说如何根据信任评价 进行合理有效的动态调整，以此更好完成自动谈 判，将能更进一步发挥其商务智能优势，意义重大[5]。 在基于 Agent 的信任方面，余洋等[6] 依据基 于防御 Agent 的行为方式将信任分类，建立了信 任启动模型。曹慕昆等[7] 将信任拓展，开发了基 于 Agent 的信任的电子商务谈判系统。蒋伟进等[8] 利用时间敏感函数，提出了基于移动 Agent 的动 态信任的计算方法。张高旭[9] 在信心-信誉模型基 础上，建立了能够适应动态变化环境的多属性综 合信任模型。滕婕等[10] 综合考虑直接与间接信 任的影响，构建了基于 Agent 的信任识别模型。 Majd 等 [11] 应用模糊逻辑提出信任模型，并通过实 验证明该模型相比于贝叶斯等模型具有更高的准 确性。Tung 等 [12] 提出了基于动态贝叶斯网络的 信任评估模型，从直接和间接 2 方面评估目标可 信度。Balakrishnan 等 [13] 考虑信誉、声誉和冲突， 提出了基于 Agent 的信誉分配冲突的信任模型。 在基于 Agent 的情感劝说方面，董学杰[14] 对 自动谈判中 Agent 的情感进行分类，建立了自动 谈判中基于 Agent 的情感决策模型，并在单属性 谈判中进行了验证。伍京华等[15] 利用情感第一 定理、模糊隶属度函数和多属性效用函数，提出 了基于 Agent 的情感劝说的合作主体选择模型。 Jain 等 [16] 提出在基于 Agent 的自动谈判中加入情 感因素，能起到更好的劝说效果；Adam 等 [17] 通过 实验证明了将情感因素引入基于 Agent 的自动谈 判具有潜在的好处；Marco 等 [18] 将提出的认知情 感架构引入 Agent，证明情感的加入可以使 Agent 的交互更加真实可信。Carolis 等 [19] 建立的模型 将情感与劝说结合，该模型可依据 Agent 的特性 和习惯进行预测，得到的预测结果可作为 Agent 选择劝说策略的依据。 在基于 Agent 的信任的情感劝说方面，汪矿[20] 利用情感分析的方法量化信任属性，并在该方法 的基础上构建了基于 Agent 的情感强度感知的信 任评价模型，从直接和推荐信任 2 个角度对信任 进行评价。伍京华等[21] 利用多维度评价信息和 Agent 关系网络，运用 Dempter-Shafer 证据理论， 提出基于 Agent 的情感劝说的信任识别模型，通 过引入动态权重因子，将直接交互信息和推荐信 息进行组合，计算出各合作伙伴的综合信任度 值，从中寻找出适合的合作伙伴，为基于 Agent 的 情感劝说决策提供大力支持。 综上所述，文献 [7] 主要针对信任信息的获取 和集结建立模型；文献 [8] 考虑了时间对信任计 算的影响，文献 [9-12] 从直接和间接 2 个角度进 行信任评价，文献 [13] 考虑了信誉和冲突的作 用，但是以上文献均未考虑情感因素的影响；文 献 [14] 仅在单属性谈判中进行了验证，适用范围 较小；文献 [15] 从主体信度评价，提议评价的角 度进行模型建立，将情感量化引入模型中，但模 型复杂，计算时不便操作；文献 [17] 仅证明将情 感因素引进基于 Agent 的谈判具有一定优势，但 未给出情感的度量方法；文献 [18] 主要对认知情 感进行量化。综合对上述文献的分析，本文提出 了熵权-灰色关联分析法的综合信任评价模型，并 将情感量化引入模型，有效地进行信任评价。 1 基于 Agent 的综合信任评价的情 感劝说模型 1.1 情感度量因子算法 基于 Agent 的情感劝说中，情感的度量至关 重要，而这需要对其中的情感等级进行合理有效 划分。文献 [15] 将其划分为积极、消极和中性 3 种类型，不仅较为笼统，而且与实际相符程度也 不够。情绪认知模型（ortony clore&collins, OCC） 根据 3 个标准及诱因和强度差异将情感划分为 22 种，从该模型出发对 Agent 的情感等级进行划 分，能较好地弥补以上不足[22]。本文基于该模型， 参考文献 [23-24] 的评价方法，将基于 Agent 的情 感劝说中的情感进一步划分为以下 5 个等级： 等级 1：厌恶 (Disgusted)，对被评价 Agent 极 其不信任，表现出极为不高兴和不满意的情感状态； 等级 2：消极 (Negative)，对被评价 Agent 较为 不信任，表现出较为不高兴和不满意的情感状态； 等级 3：安静 (Quiet)，对被评价 Agent 的信任 处于中立状态，既不表现出不高兴和不满意的情 感状态，也不表现出高兴和满意的情感状态； 等级 4：积极 (Optimistic)，对被评价 Agent 较 为信任，表现出较为高兴和满意的情感状态； 等级 5：兴奋 (Excited)，对被评价 Agent 极其 信任，表现出极为高兴和满意的情感状态； 本文假设 x 为不同的情感状态，采用模糊隶 属度函数计算方法，取偏大型柯西分布及对数函 数作为隶属函数，通过式 (1) 对基于 Agent 的劝说 中的情感进行计算： f(x) = [ 1+α(x−β) −2 ]−1 , 1 ⩽ x ⩽ 3 aln x+b, 3 < x ⩽ 5 (1) ·118· 智 能 系 统 学 报 第 16 卷
第1期 伍京华，等：基于Aget的综合信任评价的情感劝说模型 ·119· 式中a、B、a、b为待定常数。当Agent的情感表现 受极端数值影响，并可以保留变量取值差异的优 为兴奋时，隶属度为1，即5)=1；当Agent的情感 势2，因此采用均值法w=/m,对正向化矩阵 表现为安静时，隶属度为0.8，即(3)=0.8；当 进行去量纲处理，可得到被评价Agent的初始矩 Agent的情感表现为厌恶时，隶属度为0.01，即 阵W为 1=0.01. w11W12 联立3种状态： W f(5)=1 Wal Wa2 Wnm f(3)=0.8 (2) 假设Agento为最理想的合作对象，根据灰色 f(1)=0.01 关联分析法选取参考序列w0=max(1,l2,…,4nm), 计算得到a=1.1086,=0.8942,0.3915,b=0.3699。 参考序列的各项数据即为理想Agent各项指标所 则情感度量因子为 对数据。计算各个被评价Agent的每项信任指标 1+1.1086(x-0.8942)2 1≤x≤3 与理想Agent,各项参考指标的关联系数为 f(x)= (3) 0.3915lnx+0.3699, 3<x≤5 minminwo-w+pmax max w-wl Yu= (4) 1.2综合信任评价算法 wo-w+pmax max wo-W 灰色关联分析通过计算关联系数来描述各对 式中p为分辨系数，取值范围为(0,1)，一般取 象之间的联系，反映各对象之间的关联程度，具 0.5。利用式(4)计算各个被评价Agent的关联系 有对样本量的大小无严格要求、样本数据无需服 数，构成矩阵G为 从任何分布、计算过程简单、通俗易懂、可同时处 y11Y12 理确定及不确定信息等优势。熵权法通过计算 指标的信息嫡衡量指标可变性，确定指标的客观 I Yn Yn2 权重，具有计算方法简单、不受主观因素影响、计 1.2.2权重计算 算结果相对客观等优势26。因此，本文采用灰色 首先，根据公式= uij -min(ui) 将得到 关联分析法评价各信任指标，通过熵权法计算相 max(u:)-min(u:) 应权重，从而计算综合信任评价值，能更好解决 的正向化矩阵U按照区间法进行整理阿，得到标 信任评价中主体仅凭个人直觉确定合作伙伴；无 准矩阵Y为 法将定量数据与不确定信息结合而进行全面评价 y11y12 等问题7。 1.2.1评价各信任指标 ynl yn2 yru 假设在基于Agent的情感劝说中，Agent需要 其次，根据标准矩阵计算各信任指标信息熵为 通过信任评价选择合适的被评价Agent进行交 Q1= 1 yy In- (5) 互。此时有n个被评价Agent,集合为Agent= (Agent1,Agent2,·,Agent)),每个被评价Agent都有 m个被评价的信任指标，相应集合为E= 最后，计算各信任指标权重为 (e1,e,…,em),被评价Agent的信任指标e,的值为 1-Q, Z (6) 4,(=l,2,…,n:=l,2,…,m,可得被评价Agent对指 m- ∑e 标集合E的分析矩阵Ua。 此外，需要将所有指标统一为效益型或成本 1.3模型 型，以使计算结果准确。本文为评价Agent的综 综合式(3)、(4)和(6)，可得基于Agent的综合 合信任需将指标转化为效益型，即将成本型指标 信任评价的劝说模型即被评价Agent的综合信任 按式“，=max,-吗，进行计算，整理得到正向化 评价值为 矩阵U为 D;=f(x) (7 411412 =1 U= 2算例分析 为使所有数据处于同一量纲级别，需要利用 2.1算例 定的方法处理矩阵。均值法具有计算简单，不 为更好地说明和验证以上模型，本文以北京
式中 α、β、a、b 为待定常数。当 Agent 的情感表现 为兴奋时，隶属度为 1，即 f(5)=1；当 Agent 的情感 表现为安静时，隶属度为 0.8，即 f(3)=0.8；当 Agent 的情感表现为厌恶时，隶属度为 0.01，即 f(1)=0.01。 联立 3 种状态： f(5) = 1 f(3) = 0.8 f(1) = 0.01 (2) 计算得到 α=1.108 6，β=0.894 2，a=0.391 5，b=0.369 9。 则情感度量因子为 f(x) = [ 1+1.108 6(x−0.894 2)−2 ]−1 , 1 ⩽ x ⩽ 3 0.391 5ln x+0.369 9, 3 < x ⩽ 5 (3) 1.2 综合信任评价算法 灰色关联分析通过计算关联系数来描述各对 象之间的联系，反映各对象之间的关联程度，具 有对样本量的大小无严格要求、样本数据无需服 从任何分布、计算过程简单、通俗易懂、可同时处 理确定及不确定信息等优势[25]。熵权法通过计算 指标的信息熵衡量指标可变性，确定指标的客观 权重，具有计算方法简单、不受主观因素影响、计 算结果相对客观等优势[26]。因此，本文采用灰色 关联分析法评价各信任指标，通过熵权法计算相 应权重，从而计算综合信任评价值，能更好解决 信任评价中主体仅凭个人直觉确定合作伙伴；无 法将定量数据与不确定信息结合而进行全面评价 等问题[27]。 1.2.1 评价各信任指标 Agent = (Agent1,Agent2,··· ,Agentn) E = (e1, e2,··· , em) ej u ′ i j 假设在基于 Agent 的情感劝说中，Agent 需要 通过信任评价选择合适的被评价 Agent 进行交 互。此时有 n 个被评价 Agent，集合为 ，每个被评价 Agent 都有 m 个被评价的信任指标，相应集合为 ，被评价 Agent 的信任指标 的值为 (i=1,2,…,n；j=1,2,…,m)，可得被评价 Agent 对指 标集合 E 的分析矩阵 U0。 ui j=maxu ′ i j −u ′ i j 此外，需要将所有指标统一为效益型或成本 型，以使计算结果准确。本文为评价 Agent 的综 合信任需将指标转化为效益型，即将成本型指标 按式 进行计算[26] ，整理得到正向化 矩阵 U 为 U = u11 u12 ··· u1m . . . . . . un1 un2 ··· unm 为使所有数据处于同一量纲级别，需要利用 一定的方法处理矩阵。均值法具有计算简单，不 wi j = ui j/u¯j 受极端数值影响，并可以保留变量取值差异的优 势 [28] ，因此采用均值法 ，对正向化矩阵 进行去量纲处理，可得到被评价 Agent 的初始矩 阵 W 为 W = w11 w12 ··· w1m . . . . . . wn1 wn2 ··· wnm wi0 = max(ui1,ui2,··· ,unm) 假设 Agent0 为最理想的合作对象，根据灰色 关联分析法选取参考序列 ， 参考序列的各项数据即为理想 Agent 各项指标所 对数据。计算各个被评价 Agent 的每项信任指标 与理想 Agent0 各项参考指标的关联系数为 γi j = min n min m wi0 −wi j +ρmax n max m wi0 −wi j wi0 −wi j +ρmax n max m wi0 −wi j (4) 式中 ρ 为分辨系数，取值范围为 (0,1)，一般取 0.5。利用式 (4) 计算各个被评价 Agent 的关联系 数，构成矩阵 G 为 G = γ11 γ12 ··· γ1m . . . . . . γn1 γn2 ··· γnm 1.2.2 权重计算 yi j = ui j −min(ui) max(ui)−min(ui) 首先，根据公式 将得到 的正向化矩阵 U 按照区间法进行整理[29] ，得到标 准矩阵 Y 为 Y = y11 y12 ··· y1m . . . . . . yn1 yn2 ··· ynm 其次，根据标准矩阵计算各信任指标信息熵为 Qj = − 1 lnn ∑n i=1 yi j ∑n i=1 yi j ln yi j ∑n i=1 yi j (5) 最后，计算各信任指标权重为 Zj = 1− Qj m− ∑m j=1 Qj (6) 1.3 模型 综合式 (3)、(4) 和 (6)，可得基于 Agent 的综合 信任评价的劝说模型即被评价 Agent 的综合信任 评价值为 Di = f(x) ∑m j=1 Zjγi j (7) 2 算例分析 2.1 算例 为更好地说明和验证以上模型，本文以北京 第 1 期 伍京华，等：基于 Agent 的综合信任评价的情感劝说模型 ·119·
·120· 智能系统学报 第16卷 市碳排放权交易的二级市场即政府分配后的企业 其次，计算得到每位专家绝对差值和占所有 自由交易为背景，假设其中的企业为了节约成 专家绝对差值总和的比重分别为 本，提高谈判效率及成功率，采用基于Agent的情 104÷(104+118+72)=0.35:118÷(104+118+72)= 感劝说的信任评价模型进行谈判。在信任指标的 0.40:72÷(104+118+72)=0.24 选取上，主要考虑直接交互次数、情感劝说次数、 最后，将该比重作为每位专家打分的权重，计 交易金额、交易规模、推荐评分及与第三方 算3位专家打分的加权平均值，该值作为参考指 Agent的累计合作次数6个指标。直接交互次数 标。例如，Agent1的最终评分为0.35×83+0.4× 代表买方Agent与卖方Agent交易过程中的直接 87+0.24×85=85.10,同理计算得到卖方Agent对 合作次数，该值越大，买方越可信；情感劝说次 买方Agent2到Agent1o的评分为83.03,84.12， 80.25,86.27,85.14,81.73,83.90,86.65,80.75。 数表示卖方Agent在与买方Agent合作前进行的 谈判轮次，该值越小，买方Agent越可信；交易金 2)结合以上评分值，并给出卖方Agent对 额和交易规模可用于衡量交易的重要程度，该值 10个买方Agent其他所有指标初始值如表2所示。 越大，买方Agent越可信B川；推荐评分及与第三方 表2卖方Agent对所有买方Agent的指标初始值 Table 2 Index initial value of all the buyer Agents Agent的累计合作次数是间接信任指标，代表第 直接交情感劝交易金交易规推荐累计合 三方Agent的推荐程度，指标数值越大，买方 Agent 互次数说次数额万元模评分作次数 Agent越可信。 Agent 7 15 2300 85.10 15 假设共有10个买方Agent((Agent,Agentz,, Agento)向卖方Agent发出合作请求，表达合作意 Agent2 3 4 17 1100 83.03 10 向。3个第三方Agent(Agent I,AgentⅡ，Agent Agent; 2 26 3200 84.12 Ⅲ)给出推荐信息。卖方Agent对10个被评价的 Agent > 21 280080.25 9 买方Agent的情感状态分别为消极、安静、积极、 Agents 6 20 250086.27 12 安静、兴奋、积极、消极、厌恶、兴奋、安静，对应 Agent6 5 12 1400 85.14 的情感度量因子大小分别为f(2)=0.52,f(3)=0.8, Agent? 5 1 30 350081.73 f(4)=0.91,f(3=0.8,f5)=1,f6(4)=0.91,f2)=0.52 Agents 9 6 18 2500 83.90 9 f1)=0.01,f6(5F1,fio(3)=0.8。 l)利用专家评分法表示第三方Agent给出的 Agento 8 7 10 170086.65 5 评分数据如表1所示。 Agentio 12 4 16 240080.75 5 表1买方Agent所得评分 由表2得到分析矩阵为 Table 1 Score of the buyer Agents 715 230085.1015 Agent专家1专家2专家3 Agent专家1专家2专家3 3 4171100 83.03 10 Agent 83 87 85 Agent 90 84 80 9 26 320084.12 3 7 8 21 2800 80.25 9 Agent2 88 75 88 Agent7 76 87 83 6 20 2500 86.27 M Agent3 80 Uo= 86 80 Agents 88 79 86 了 12 140085.14 5 1 30 3500 81.73 1 Agent 78 83 79 Agento 84 90 85 9 6 18 250083.09 9 Agents 86 83 92 Agentio 77 85 88 7 10 1700 86.65 5 2 4 16 240080.75 J 为降低主观性影响，本文参考文献[32]，计算 正向化得到： 每个专家与其他专家所给分数的绝对差值，并将 T 115 2300 85.10 15 差值求和，用绝对差值的和表示专家的可信水平。 417 1100 83.03 10 显然，绝对差值的和越小，评分越可信。首先，计 9 6 26 3200 84.12 2 算专家1与其他2位专家的评分绝对差值为 0 21 2800 80.25 9 4 2 20 2500 86.27 12 187+85-83×2+188+75-88×2+…+ U= w 12 140085.14 188+85-77×2=104 5 > 30 3500 81.73 > 同理，求得专家2与其他2位专家的评分绝 9 18 250083.09 9 对差值为118，专家3与其他2位专家的评分绝对 8 1 10170086.65 5 差值为72。 12 4 162400 80.75 5
市碳排放权交易的二级市场即政府分配后的企业 自由交易为背景，假设其中的企业为了节约成 本，提高谈判效率及成功率，采用基于 Agent 的情 感劝说的信任评价模型进行谈判。在信任指标的 选取上，主要考虑直接交互次数、情感劝说次数、 交易金额、交易规模、推荐评分及与第三 方 Agent 的累计合作次数 6 个指标。直接交互次数 代表买方 Agent 与卖方 Agent 交易过程中的直接 合作次数，该值越大，买方越可信[30] ；情感劝说次 数表示卖方 Agent 在与买方 Agent 合作前进行的 谈判轮次，该值越小，买方 Agent 越可信；交易金 额和交易规模可用于衡量交易的重要程度，该值 越大，买方 Agent 越可信[31] ；推荐评分及与第三方 Agent 的累计合作次数是间接信任指标，代表第 三方 Agent 的推荐程度，指标数值越大，买方 Agent 越可信。 假设共有 10 个买方 Agent(Agent1，Agent2，…， Agent10) 向卖方 Agent 发出合作请求，表达合作意 向。3 个第三方 Agent(AgentⅠ，AgentⅡ，Agent Ⅲ) 给出推荐信息。卖方 Agent 对 10 个被评价的 买方 Agent 的情感状态分别为消极、安静、积极、 安静、兴奋、积极、消极、厌恶、兴奋、安静，对应 的情感度量因子大小分别为 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) 利用专家评分法表示第三方 Agent 给出的 评分数据如表 1 所示。 表 1 买方 Agent 所得评分 Table 1 Score of the buyer Agents Agent 专家1 专家2 专家3 Agent 专家1 专家2 专家3 Agent1 83 87 85 Agent6 90 84 80 Agent2 88 75 88 Agent7 76 87 83 Agent3 80 86 80 Agent8 88 79 86 Agent4 78 83 79 Agent9 84 90 85 Agent5 86 83 92 Agent10 77 85 88 为降低主观性影响，本文参考文献 [32]，计算 每个专家与其他专家所给分数的绝对差值，并将 差值求和，用绝对差值的和表示专家的可信水平。 显然，绝对差值的和越小，评分越可信。首先，计 算专家 1 与其他 2 位专家的评分绝对差值为 |87+85−83×2|+|88+75−88×2|+···+ |88+85−77×2| = 104 同理，求得专家 2 与其他 2 位专家的评分绝 对差值为 118，专家 3 与其他 2 位专家的评分绝对 差值为 72。 其次，计算得到每位专家绝对差值和占所有 专家绝对差值总和的比重分别为 104÷(104+118+72)= 0.35; 118÷(104+118+72) = 0.40; 72÷(104+118+72)= 0.24 0.35×83+0.4× 87+0.24×85 = 85.10 最后，将该比重作为每位专家打分的权重，计 算 3 位专家打分的加权平均值，该值作为参考指 标。例如，Agent 1 的最终评分为 ，同理计算得到卖方 Agent 对 买方 Agent 2 到 Agent 1 0 的评分为 83.03，84.12， 80.25，86.27，85.14，81.73，83.90，86.65，80.75。 2) 结合以上评分值，并给出卖方 Agent 对 10 个买方 Agent 其他所有指标初始值如表 2 所示。 表 2 卖方 Agent 对所有买方 Agent 的指标初始值 Table 2 Index initial value of all the buyer Agents Agent 直接交 互次数 情感劝 说次数 交易金 额/万元 交易规 模/t 推荐 评分 累计合 作次数 Agent1 2 7 15 2 300 85.10 15 Agent2 3 4 17 1 100 83.03 10 Agent3 9 2 26 3 200 84.12 2 Agent4 7 8 21 2 800 80.25 9 Agent5 4 6 20 2 500 86.27 12 Agent6 1 5 12 1 400 85.14 4 Agent7 5 1 30 3 500 81.73 7 Agent8 9 6 18 2 500 83.90 9 Agent9 8 7 10 1 700 86.65 5 Agent10 12 4 16 2 400 80.75 5 由表 2 得到分析矩阵为 U0 = 2 7 15 230 0 85.10 15 3 4 17 110 0 83.03 10 9 2 26 320 0 84.12 2 7 8 21 280 0 80.25 9 4 6 20 250 0 86.27 12 1 5 12 140 0 85.14 4 5 1 30 350 0 81.73 7 9 6 18 250 0 83.09 9 8 7 10 170 0 86.65 5 12 4 16 240 0 80.75 5 正向化得到： U = 2 1 15 230 0 85.10 15 3 4 17 110 0 83.03 10 9 6 26 320 0 84.12 2 7 0 21 280 0 80.25 9 4 2 20 250 0 86.27 12 1 3 12 140 0 85.14 4 5 7 30 350 0 81.73 7 9 2 18 250 0 83.09 9 8 1 10 170 0 86.65 5 12 4 16 240 0 80.75 5 ·120· 智 能 系 统 学 报 第 16 卷
第1期 伍京华，等：基于Agent的综合信任评价的情感劝说模型 ·121· 利用均值法将正向化矩阵去量纲处理，得初 2)由标准矩阵和信息熵式(5)计算得到各指 始化矩阵W为 标的信息熵为0.5154,0.4936,0.6714,0.5835,0.5746， 「0.33330.33330.81080.98291.01681.9231 0.6512。由权重计算式(6)计算得到各个指标的 0.50001.33330.91890.47010.99201.2821 权重分别为0.19,0.20,0.13,0.16,0.17,0.14。 1.50002.00001.40541.36751.00510.2564 3)由权重和关联系数，根据式(7)计算综合信 1.16670.00001.13511.19660.95891.1538 任评价值为 0.66670.66671.08111.06841.03071.5385 W- 0.16671.00000.64860.59831.01730.5128 0.83332.33331.62161.49570.97650.8974 D,=22y=25,D=522M-376 1.50000.66670.97301.06841.00241.1538 1.33330.33330.54050.72651.03540.6410 D,=5∑79=469.D=f∑2%y=3.83 2.00001.33330.86491.02560.96480.6410 3)由初始化矩阵得到理想合作Agento的指标为 Ds=5∑Zy=4.84,D=6∑Z%=4.17 1 w0=(2.0000,2.3333,1.6216,1.4957,1.0354,1.9231), 根据式（④）以及矩阵W计算得到各个被评价Agent D,=5∑Zy,=2.82,D=6∑ZX%=0.05 与理想Agent每个指标的关联系数如表3所示。 D=5∑2y=468,Dw=fn∑2mw=403 表3关联系数值 Table 3 Value of the Correlation coefficient 可见D>D>D>D>D1>D>D>D>D>Dg,卖 直接交劝说交易交易推荐累计合 方Agent将选择买方Agent.,进行下一步情感劝 Agent 互次数次数金额规模评分作次数 说，并最终完成谈判。通过算例可以发现，利用 Agent10.10640.09030.19660.27900.91421.0000 本文提出的模型可以帮助卖方Agent在实际商务 Agent20.11680.16560.22020.16210.82080.2364 谈判中快速完成远程异地谈判对象选择，提高后 Agent30.28410.37310.47850.60750.86780.1064 续谈判效率，推动商务智能的自动谈判进程。尤 Agent4.0.19230.07840.28970.39880.72180.2051 其在2020年突发的新冠疫情下，采用该模型可以 Agents0.12950.10640.26850.31710.97720.3403 使企业人员不需要面对面就能更好完成谈判，从 Agnt60.09770.12950.16940.18110.91660.1233 而避免面对面的传统谈判带来的极大传染风险， Agent-0.14541.00001.00001.00000.77130.1621 更进一步体现了运用该模型的紧迫性和优越性。 Agents0.28410.10640.23420.31710.85770.2051 2.2分析 Agento0.22940.09030.15510.20511.00000.1340 2.2.1与不考虑情感的模型的对比分析 Agent1o1.00000.16560.20770.29680.73770.1340 本文提出的模型综合考虑了Agent模拟人的 情感、劝说和信任，表4将本文提出的模型计算 1)将分析矩阵U按信息熵嫡标准化方法处理， 后的上述结果与该模型中Agent模拟人的情感去 计算得到标准矩阵Y: 除后的计算结果进行了列举和对比： [0.090.140.250.500.761.00 由对比结果可知，卖方Agent对被评价的买 0.180.570.350.000.430.62 0.730.860.80 0.880.600.00 方Agent的情感会严重影响信任评价值。当 0.550.000.550.710.000.54 Agent的情感处于消极或者更差时，卖方Agent的 0.270.290.500.580.940.77 Y= 最佳选择将不再是Agents,而是Agentz,。由此可 0.000.43 0.100.13 0.760.15 见，考虑Agent模拟人的情感对基于Agent的自 0.361.001.001.000.230.38 0.730.290.400.580.570.54 动谈判影响较大，能使其中的Agent模拟人的智 0.640.140.000.251.000.23 能化和理性程度更高，从而帮助企业做出更符合 1.000.570.30 0.540.080.23 实际商务谈判的决定。 表4计算结果对比分析 Table 4 Comparison of calculation results 结果 本文提出的模型 去除Agent模拟人的情感 综合信任值 2.55,3.76.4.69.3.83.4.84.4.17.2.820.05.4.68.4.03 4.874.70,5.14.4.78.4.84.4.585.42.4.85.4.68.5.03 排序 DSDDSD>DDPD>DPD>Ds DDDD>DDDPD>DD 最优选择 Agents Agent?
利用均值法将正向化矩阵去量纲处理，得初 始化矩阵 W 为 W= 0.333 3 0.333 3 0.810 8 0.982 9 1.016 8 1.923 1 0.500 0 1.333 3 0.918 9 0.470 1 0.992 0 1.282 1 1.500 0 2.000 0 1.405 4 1.367 5 1.005 1 0.256 4 1.166 7 0.000 0 1.135 1 1.196 6 0.958 9 1.153 8 0.666 7 0.666 7 1.081 1 1.068 4 1.030 7 1.538 5 0.166 7 1.000 0 0.648 6 0.598 3 1.017 3 0.512 8 0.833 3 2.333 3 1.621 6 1.495 7 0.976 5 0.897 4 1.500 0 0.666 7 0.973 0 1.068 4 1.002 4 1.153 8 1.333 3 0.333 3 0.540 5 0.726 5 1.035 4 0.641 0 2.000 0 1.333 3 0.864 9 1.025 6 0.964 8 0.641 0 wi0 = (2.000 0,2.333 3,1.621 6,1.495 7,1.035 4,1.923 1) 3) 由初始化矩阵得到理想合作 Agent0 的指标为 ， 根据式 (4) 以及矩阵 W 计算得到各个被评价 Agent 与理想 Agent 每个指标的关联系数如表 3 所示。 表 3 关联系数值 Table 3 Value of the Correlation coefficient Agent 直接交 互次数 劝说 次数 交易 金额 交易 规模 推荐 评分 累计合 作次数 Agent1 0.106 4 0.090 3 0.196 6 0.279 0 0.914 2 1.000 0 Agent2 0.116 8 0.165 6 0.220 2 0.162 1 0.820 8 0.236 4 Agent3 0.284 1 0.373 1 0.478 5 0.607 5 0.867 8 0.106 4 Agent4 0.192 3 0.078 4 0.289 7 0.398 8 0.721 8 0.205 1 Agent5 0.129 5 0.106 4 0.268 5 0.317 1 0.977 2 0.340 3 Agent6 0.097 7 0.129 5 0.169 4 0.181 1 0.916 6 0.123 3 Agent7 0.145 4 1.000 0 1.000 0 1.000 0 0.771 3 0.162 1 Agent8 0.284 1 0.106 4 0.234 2 0.317 1 0.857 7 0.205 1 Agent9 0.229 4 0.090 3 0.155 1 0.205 1 1.000 0 0.134 0 Agent10 1.000 0 0.165 6 0.207 7 0.296 8 0.737 7 0.134 0 1) 将分析矩阵 U 按信息熵标准化方法处理， 计算得到标准矩阵 Y： Y = 0.09 0.14 0.25 0.50 0.76 1.00 0.18 0.57 0.35 0.00 0.43 0.62 0.73 0.86 0.80 0.88 0.60 0.00 0.55 0.00 0.55 0.71 0.00 0.54 0.27 0.29 0.50 0.58 0.94 0.77 0.00 0.43 0.10 0.13 0.76 0.15 0.36 1.00 1.00 1.00 0.23 0.38 0.73 0.29 0.40 0.58 0.57 0.54 0.64 0.14 0.00 0.25 1.00 0.23 1.00 0.57 0.30 0.54 0.08 0.23 zj 2) 由标准矩阵和信息熵式 (5) 计算得到各指 标的信息熵为 0.515 4，0.493 6，0.671 4，0.583 5，0.574 6， 0.651 2。由权重计算式 (6) 计算得到各个指标的 权重 分别为 0.19，0.20，0.13，0.16，0.17，0.14。 3) 由权重和关联系数，根据式 (7) 计算综合信 任评价值为 D1=f1 ∑m j=1 Zjγ1 j =2.55, D2=f2 ∑m j=1 Zjγ2 j =3.76 D3=f3 ∑m j=1 Zjγ3 j =4.69, D4=f4 ∑m j=1 Zjγ4 j =3.83 D5=f5 ∑m j=1 Zjγ5 j =4.84, D6=f6 ∑m j=1 Zjγ6 j =4.17 D7=f7 ∑m j=1 Zjγ7 j =2.82, D8=f8 ∑m j=1 Zjγ8 j =0.05 D9=f9 ∑m j=1 Zjγ9 j =4.68, D10=f10∑m j=1 Zjγ10 j =4.03 可见 D5>D3>D9>D6>D10>D4>D2>D7>D1>D8，卖 方 Agent 将选择买方 Agent5 进行下一步情感劝 说，并最终完成谈判。通过算例可以发现，利用 本文提出的模型可以帮助卖方 Agent 在实际商务 谈判中快速完成远程异地谈判对象选择，提高后 续谈判效率，推动商务智能的自动谈判进程。尤 其在 2020 年突发的新冠疫情下，采用该模型可以 使企业人员不需要面对面就能更好完成谈判，从 而避免面对面的传统谈判带来的极大传染风险， 更进一步体现了运用该模型的紧迫性和优越性。 2.2 分析 2.2.1 与不考虑情感的模型的对比分析 本文提出的模型综合考虑了 Agent 模拟人的 情感、劝说和信任，表 4 将本文提出的模型计算 后的上述结果与该模型中 Agent 模拟人的情感去 除后的计算结果进行了列举和对比： 由对比结果可知，卖方 Agent 对被评价的买 方 Agent 的情感会严重影响信任评价值。当 Agent 的情感处于消极或者更差时，卖方 Agent 的 最佳选择将不再是 Agent5，而是 Agent7。由此可 见，考虑 Agent 模拟人的情感对基于 Agent 的自 动谈判影响较大，能使其中的 Agent 模拟人的智 能化和理性程度更高，从而帮助企业做出更符合 实际商务谈判的决定。 表 4 计算结果对比分析 Table 4 Comparison of calculation results 结果 本文提出的模型 去除Agent模拟人的情感 综合信任值 2.55,3.76,4.69,3.83,4.8 4,4.17,2.82,0.05,4.68,4.03 4.87,4.70,5.14,4.78,4.84,4.58,5.42,4.85,4.68,5.03 排序 D5>D3>D9>D6>D10>D4>D2>D7>D1>D8 D7>D3>D10>D1>D8>D5>D4>D2>D9>D6 最优选择 Agent5 Agent7 第 1 期 伍京华，等：基于 Agent 的综合信任评价的情感劝说模型 ·121·