基于Agent的情感勸說的輿情交互及產(chǎn)生模型

伍京華，陳虹羽，汪文生

(中國礦業(yè)大學(北京) 管理學院，北京 100083)

0 引言

隨著互聯(lián)網(wǎng)及電子商務的快速發(fā)展，商務智能中的自動談判對智能化要求越來越高。智能體(Agent)是能夠獨立決策、自主執(zhí)行，通過與其他實體交互達成目標的計算機智能系統(tǒng)，具備模擬人的思想、行為等功能，能夠在提升談判智能化程度的同時，進一步降低談判成本和提高談判模擬人的理性程度。學者們將Agent引入商務智能中的自動談判，出現(xiàn)了基于Agent的自動談判，該領域發(fā)展到最近，進一步考慮Agent模擬人的勸說能力，從而進入了智能化更高的階段，即基于Agent的勸說。情感是人類的重要特征之一，將其作為重要因素引入該領域，能充分利用和發(fā)揮Agent模擬人的情感智能特性(簡稱Agent的情感)，更好地節(jié)約企業(yè)在商務智能的自動談判中所需的人力、物力等成本，同時使談判結果更加擬人化，因此Agent的情感已經(jīng)成為商務智能領域中自動談判的研究重點[1-2]。

輿情是指在一定時間和空間內(nèi)，民眾對社會時事熱點的態(tài)度、觀點和情緒變化等的總和[3-4]。Agent的情感能夠引發(fā)基于Agent的情感勸說的輿情交互及產(chǎn)生的變化，從而影響Agent的輿情更新，并進一步影響基于Agent的情感勸說的過程及結果。因此，研究基于Agent的情感勸說過程中的輿情交互及產(chǎn)生，既能夠深入探索Agent模擬人的社會性，又可以充分發(fā)揮Agent模擬人的情感特性，從而為基于Agent的情感勸說注入新的活力。

在基于Agent的情感勸說研究中，郭曉宇[5]將情感因子引入Agent模型中，提出了具有情感因子的Agent模型，使Agent的決策行為更符合人類;Salgado等[6]針對Agent情感狀態(tài)衡量不足，綜合考慮了Agent的情感、互動及學習，設計了基于馬爾可夫的適應性情感框架模型;Subagdja等[7]針對多個Agent的建議可能會分散用戶注意力的問題，提出了基于多Agent的共同意圖的勸說模型，從而提升了勸說效率，避免了資源浪費;Wu等[8]劃分了基于Agent的勸說中情緒變化的類型，定義了積極情緒變化，構建了基于Agent的積極情緒變化的勸說及相應的評價模型;董學杰[9]將情感看作影響Agent的勸說行為的重要因素，建立了情感勸說的形式化模型，初步探究了Agent的情感對勸說行為的影響;伍京華等[10]將信任與基于Agent的情感勸說相結合，構建了相應的基于Agent的情感勸說的信任識別模型，用于談判前對合作伙伴的選擇，對該領域展開了實質(zhì)性研究。

從以上研究來看，文獻[5-7]考慮了基于Agent的情感量化，但是沒有對Agent的情感進行分類及進一步研究，也沒有考慮Agent情感的動態(tài)變化對于Agent的勸說結果及效率的影響;文獻[8]對Agent的情緒進行了劃分，并提出了相應模型，但沒有考慮Agent的情感的具體量化，更沒有考慮情感動態(tài)變化的復雜勸說環(huán)境下的基于Agent的勸說;文獻[9]雖然提出了基于Agent的情感勸說的形式化模型，但是所建立的模型沒有進一步考慮Agent的情感變化對于對方Agent的情感的影響，而且所建立的模型僅局限于形式化，說服力度也不夠;文獻[10]研究了信任影響下的Agent在情感勸說中的合作伙伴選擇，但僅對基于Agent的情感勸說進行了初步探索。最重要的是，以上研究都沒有考慮基于Agent的情感勸說中的輿情。

在基于Agent的輿情的相關研究中，馬寧等[11]基于超網(wǎng)絡中異質(zhì)Agent交互規(guī)則的設計，提出了基于超網(wǎng)絡的多Agent輿情演化模型，深入總結了Agent網(wǎng)絡輿情的演變規(guī)律;Fan等[12]基于社會判斷的輿論(Social Judgment Based Opinion, SJBO)動力學模型，研究了社會網(wǎng)絡和廣播網(wǎng)絡組成的封閉系統(tǒng)中的Agent的集體勸說，并通過實驗表明，廣播媒體與反對者之間的競爭對輿情演變起著至關重要的作用;吳鵬等[13]將網(wǎng)民視作Agent，通過研究Agent的記憶、決策和學習，設置了網(wǎng)絡輿情中網(wǎng)民群體行為的轉(zhuǎn)換規(guī)則，提出了基于狀態(tài)，算子和結果模型(State, Operator and Result, SOAR)的網(wǎng)民群體負面情感Agent模型;伍京華等[14]考慮了基于Agent的勸說中的輿論，將其劃分為積極輿論和消極輿論，并引入形式邏輯理論，構建了基于Agent的勸說中的積極輿論模型及其評價體系，初步將輿論與基于Agent的勸說結合;Monteserin等[15]考慮了影響基于Agent的勸說中參與者的社會因素及信任，結合社會影響最大化理論，提出了基于影響最大化的Agent的勸說模型。

通過對以上文獻的進一步梳理，文獻[11]僅研究了基于Agent的輿情演化模型，沒有考慮到Agent的情感和勸說對輿情的影響;文獻[12]考慮了社會網(wǎng)絡和廣播網(wǎng)絡組成的封閉系統(tǒng)中，基于Agent的集體勸說對輿情變化的影響，雖然進一步考慮了Agent的勸說，但仍舊缺乏對Agent的情感的研究;文獻[13]考慮了Agent的情感，但僅考慮了Agent的負面情感，對Agent的情感研究尚不全面，并且沒有將該模型與基于Agent的勸說相結合;文獻[14]將積極輿論與基于Agent的勸說結合，但對輿情的產(chǎn)生研究不夠深入，并且缺乏對Agent的情感的研究;文獻[15]考慮了Agent的信任因素，但對基于Agent的情感勸說研究不夠充分，并且未將該模型與輿情聯(lián)系起來，更沒有考慮Agent的情感變化對輿情交互及產(chǎn)生的影響。

綜上所述，針對基于Agent的情感勸說的輿情研究量化研究不夠的現(xiàn)狀，本文首先界定了相關定義，并依據(jù)社會影響理論，識別Agent的社會影響力和Agent的情感是影響輿情交互及產(chǎn)生的兩個最重要因素；其次引入前景理論，設計了基于Agent的前景值的情感勸說提議評價算法，同時，考慮HK(Hegselmann-Krause)模型的影響因素，提出了基于HK模型的輿情更新算法，從而構建了基于Agent的情感勸說的輿情交互及產(chǎn)生模型；最后，通過設計煤炭采購的算例，利用MATLAB仿真，構建了基于Agent的情感勸說的群體網(wǎng)絡，分析了信任閾值、關系度閾值和說服力3個最重要參數(shù)的敏感性，驗證了該模型的有效性和可行性。

1 基于Agent的情感勸說的輿情交互及產(chǎn)生模型

1.1 相關定義

定義1基于Agent的情感勸說[10]是研究Agent的情感對勸說結果的影響，由EP(s,r,ep,ei,p)構成。當Agent雙方交易時，發(fā)送方Agent(s)向接收方Agent(r)發(fā)出情感勸說ep(emotional persuasion)，生成提議p(proposal)，使接收方Agent產(chǎn)生情感強度ei(emotion intensity)。每生成一個新的提議即對應著新的情感強度，并且影響提議的最終生成。

定義2基于Agent的輿情[16]由PO(c,a,e,b,t,n)構成，指處于一定時間t(time)及社會網(wǎng)絡n(network)中的全體Agent，針對同一事件表達的對該事件的所有認知c(cognition)、態(tài)度a(attitude)、情感e(emotion)和行為傾向b(behavior)的集合。

定義3基于Agent的情感勸說的輿情[14]由EPPO(di,de,ev,po)構成，指在基于Agent的情感勸說中，買方Agent群體對同一個賣方Agent形成不同的評價，通過買方Agent彼此間交互，傳播者di(disseminator)可能對其他Agent的評價產(chǎn)生的影響，使其他Agent產(chǎn)生傳遞該評價信息的意愿de(desire)，由此達成的買方Agent對賣方Agent的統(tǒng)一評價ev(evaluation)，即為輿情po(public opinion)。

1.2 影響因素

本文在文獻[10,17]的基礎上，依據(jù)社會影響理論[18]，分析得出基于Agent的情感勸說中，輿情交互及產(chǎn)生的兩個最重要的影響因素為Agent的社會影響力和Agent的情感。

1.2.1 Agent的社會影響力

社會影響[19]，是指因與其他個體互動，使人的生理狀態(tài)和主觀感受、動機和情感、認知和信念等方面發(fā)生的變化。由此可見，在基于Agent的情感勸說中，Agent的社會影響對其中的輿情交互及產(chǎn)生影響較大，故本文進一步結合社會影響理論，定義其中Agent的社會影響力如下：

定義4Agent的社會影響力[18]。隨機選取Agenti，擁有鄰居Agentj(j≠i)，γij(t)=1表示Agenti與Agentj在t時刻發(fā)生了交互。此時，二者關系度Rij∈[0,1]，Agentj的說服力為Pj∈[0,1]，則Agentj對Agenti的社會影響力為SIij=PjRij。

其中，關系度Rij是指在γij(t)=1時，Agenti與Agentj的親疏程度，Rij越大，表示二者關系越親近；Pj是指Agentj說服Agenti，使其接受輿情的能力。

1.2.2 Agent的情感

定義5Agent的情感[20]。隨機選取Agenti，擁有鄰居Agentj(j≠i)，二者在談判中因?qū)Ψ教嶙h及自身性格而在t時刻產(chǎn)生不同情感Eij(t)；kij為Agenti的輿情堅定度，是指其與Agentj進行交互后保持自身提議評價不變的程度，1-kij則表示Agenti受其他Agent影響改變提議評價的程度，假設輿情堅定度為kij∈[0,1]，社會影響力SIij∈[0,1]，則當Agenti與Agentj的輿情差距在信任閾值內(nèi)時，Agentj產(chǎn)生的情感Eij(t)如下：

(1)

其中g1+g2=1，g1和g2分別為二者對輿情的影響權重，采用有代表性的專家打分法確定[21]。

1.3 模型

為構建合理有效的基于Agent的情感勸說的輿情交互及產(chǎn)生模型，首先要構建合理有效的提議評價算法，其次要設計合理有效的輿情更新算法，通過兩者緊密結合，實現(xiàn)Agent在情感勸說中的輿情交互及產(chǎn)生，從而進一步保證并提高基于Agent的情感勸說完成的智能化程度。基于此，本文引入前景理論，利用相對差值來衡量Agent的偏好及心理，構建基于Agent的前景值的情感勸說提議評價算法[17,22-23]，并基于HK模型，引入以上影響因素，給出基于HK模型的輿情更新算法[24]。

1.3.1 基于Agent的前景值的情感勸說提議評價算法

為構建該算法，首先假設如下：

(1)A={Agents,AgentbN}表示Agent主體，Agents為賣方，即供貨商代表，AgentbN為買方，即采購商群體;

(2)N=(1,2,…,n)表示買方Agent的數(shù)量；

(3)I={價格,質(zhì)量,付款期限,售后服務}表示情感勸說提議的屬性集合；

(5)U=(U1,U2,…,Un)表示情感勸說提議屬性的效益集合，Uj表示第j個屬性的效益值；

(6)EU=(E1,E2,…,Em)表示買方Agent的期望效益集合，Ei表示第i個屬性的效益閾值；

(7)C=(C1,C2,…,Cm)表示情感勸說提議屬性的成本集合，Ci表示第i個屬性的成本；

(8)EC=(E1,E2,…,Em)表示賣方Agent的期望成本集合，EC表示第c個屬性的成本閾值；

(9)μ={μ1,μ2}表示效益及成本屬性的情感權重集合，μ1+μ2=1，μ越大，則該屬性越重要[25]。

其次，根據(jù)情感強度第一定律，可得其中Agent的情感強度的算法如下[26]：

ei=kmlog(1+Δp),

(2)

(3)

(4)

(5)

式(5)中的ximin,ximax分別為提議的最小值和最大值。

再次，先不考慮Agent的情感，根據(jù)前景理論，可得相應的前景值即提議評價值算法如下：

(1)如提議的屬性為效益型，則相應的前景值即為提議評價值

(6)

式中：v(Δxij)表示Agent的收益或損失程度，通過式(7)計算；πij(ωp)表示相應權重，通過式(8)計算。

(7)

(8)

其中：參數(shù)α和β分別為收益和損失在該公式中的凹凸程度;λ為損失規(guī)避系數(shù);γ,δ為風險態(tài)度系數(shù)。

(2)同理，如提議的屬性為成本型，相應的前景值即提議評價值

(9)

式中πij(ωp)也根據(jù)式(8)計算，v(Δxic)則根據(jù)式(10)計算：

(10)

因此，綜合考慮提議的屬性(包括效益與成本屬性)，則相應的前景值即提議評價值為：

Vi(x)=μ1Viu(x)+μ2Vic(x)。

(11)

由于Vi(x)是只考慮提議屬性求出來的前景值即提議評價值，并沒有考慮Agent的情感，而本文的研究需要進一步考慮Agent的情感，由此得出考慮Agent的情感的前景值即提議評價值

Vie(x)=eVi(x)。

(12)

綜上所述，最后得出基于Agent的前景值的情感勸說提議評價算法為以上兩者之和，即

V(x)=Vi(x)+Vie(x)=(1+e)Vi(x)。

(13)

1.3.2 基于HK模型的輿情更新算法

HK模型是基于有界信任的觀點動力學模型，當用戶的初始觀點值為xi∈[0,1]，用戶i的觀點與用戶j的觀點差距小于等于信任閾值時，即|xi(t)-xj(t)|≤εi，用戶i在下一時刻的新觀點為交互集合內(nèi)的用戶觀點的平均值，循環(huán)執(zhí)行直到輿情更新穩(wěn)定。其輿情更新規(guī)則為：

(14)

I(i,x(t))={1≤j≤n|

|xi(t)-xj(t)|≤εi}。

(15)

目前來看，文獻[27]提出的HK模型考慮了Agent的輿情接受程度，更加貼近Agent的輿情交互及產(chǎn)生規(guī)律。因此，本文在此基礎上，引入Agent的社會影響力及情感這兩個重要影響因素，同時考慮Agent的個性，設計模型中相應的輿情更新算法如下：

首先，構建Agentj對Agenti的輿情影響程度為：

(16)

式中：Eij(t)為由Agenti引發(fā)的Agentj的情感；xi(t)、xj(t)分別為Agenti和Agentj在t時刻的提議評價值，εi表示Agenti的信任閾值，其值越小，Agent越不易受他人影響；σ為較小的正實數(shù)，即當i=j時，式(16)仍有效。

其次，考慮信任閾值εi、關系度閾值δ，可得Agentj對Agenti的輿情影響權重算法如下：

ωij(t)=

(17)

再次，對式(16)進行歸一化處理后，進一步將Agentj對Agenti的輿情影響權重算法改進如下：

(18)

最后，引入Agent的個性，考慮Agenti對輿情的堅定度kij，xi(0)為初始提議評價值，得出Agenti的輿情更新算法為：

(19)

2 算例

為驗證以上模型，本文假設煤炭行業(yè)供應鏈管理中的供貨商Agents與多個采購商的AgentbN正在就某種煤炭的采購，通過基于Agent的情感勸說進行商務智能中的自動談判，其中的提議包括價格(元)、質(zhì)量(分)、付款期限(d)和售后服務(分)。首先，假設雙方談判的初始提議取值如表1和表2所示，且當V(x)≥0.5時，雙方達成一致(因為平均期望為0.5，且輿情交互及產(chǎn)生最后趨近于0.5，所以該值設置為0.5更符合實際)；其次，根據(jù)文獻[10]，取km=1；再次，根據(jù)文獻[22]，取α=β=0.88，λ=2.25；最后，根據(jù)文獻[28]，取γ=0.61，δ=0.69。

表1 供貨商Agents可接受的提議取值范圍

表2 采購商Agentb1和Agentb2的提議值

由上述提出的模型，可得談判結果，如表3所示。

表3 采購商Agentb1和Agentb2的提議前景值即評價值

續(xù)表3

此時Vb2(x)>0.5，Vb1(x)>0.5，雙方達成一致，且Vb1(x)=0.530 25、Vb2(x)=0.535 5。

當采購商Agentb1和Agentb2交互的初始評價值分別為0.530 25，0.535 5時，εi=0.27，δ=0.5，Pj=0.5，g1=g2=0.5，Rij服從[0,1]的均勻分布，kij服從均值η=0.5，方差ν=0.15的正態(tài)分布，且σ=0.01，λ=0.000 001，進行輿情交互如圖1所示。

由圖1可知，隨著迭代次數(shù)的增加，兩個輿情分支逐漸靠近收斂，并在第8次迭代后形成一致的輿情，且收斂狀態(tài)下的輿情值穩(wěn)定在[0.533,0.544]區(qū)間。具體來說，本文提出的輿情交互及產(chǎn)生模型能夠逐漸收斂，且收斂速度較快，使得形成的前景值更加真實，更符合自動勸說環(huán)境下的提議評價以及輿情交互和產(chǎn)生特點，從而能更好地發(fā)揮Agent的智能性。

3 分析

為體現(xiàn)上述模型效果，本文首先借助MATLAB，構建N=100的基于Agent的情感勸說群體網(wǎng)絡；其次根據(jù)文獻[29]，假設提議評價值之和為1，且服從[0,1]的均勻分布，將其歸一化后按比例縮放；再次根據(jù)文獻[30]，假設Rij服從隨機均勻分布，kij服從均值η=0.5，方差ν=0.15的正態(tài)分布，且σ=0.01，λ=0.000 1，進行相應的仿真模擬。

3.1 與HK模型的對比分析

為與HK模型進行對比分析，本文假設Agent數(shù)量、初始輿情、迭代次數(shù)及信任閾值等參數(shù)相同，將εi統(tǒng)一設置為0.27，同時為了最小化其他因素的影響，將本文提出的模型參數(shù)δ及說服力Pj均設置為0.01，得出輿情交互及產(chǎn)生結果如圖2和圖3所示。

由圖2和圖3可以看出，在相同信任閾值條件下，兩者最終都呈現(xiàn)出收斂形態(tài)，且收斂狀態(tài)下的輿情值均在0.5左右，但兩者的收斂速度與形態(tài)不同。具體來說，HK模型中的Agent在前期個體交互較激烈，經(jīng)過5次分化為3種輿情簇，各個輿情簇逐漸靠近，經(jīng)過15次迭代收斂成一致輿情；本文提出的模型則經(jīng)過50次迭代逐漸形成3個輿情簇，并且隨著迭代次數(shù)的增加，各輿情簇逐漸收斂，從第250次迭代開始快速靠近，最終收斂于統(tǒng)一的輿情值。由此可見，本文提出的模型雖然收斂速度慢于HK模型，但形成的輿情簇更明確，并且各個輿情的比例更均勻，同時中立輿情占大多數(shù)，更符合該環(huán)境下的輿情交互及產(chǎn)生特征，從而能更好地發(fā)揮基于Agent的情感勸說的智能化優(yōu)勢。

3.2 敏感性分析

為進一步說明所提模型的合理性和有效性，本文選取其中較為重要的信任閾值、關系度閾值和說服力這3個參數(shù)，分別進行敏感性分析。

3.2.1 信任閾值的影響

當說服力為0.5時，該參數(shù)對輿情交互及產(chǎn)生過程的影響變得十分有限，輿情簇變化不明顯，因此，說服力為0.5時輿情交互及產(chǎn)生最為穩(wěn)定。此外，為了弱化關系度的影響，設定δ=0.1，Pj=0.5，信任閾值ε分別取0.01，0.08，0.14和0.27，得到仿真結果如圖4所示。

觀察圖4可知，Agent的輿情隨信任閾值取值不同而呈現(xiàn)出不同的交互及產(chǎn)生形態(tài)。當信任閾值取值很小且ε<0.14時，輿情收斂在穩(wěn)定狀態(tài)下逐漸分化；當0.14≤ε<0.27時，輿情交互及產(chǎn)生在較為穩(wěn)定的狀態(tài)下形成了兩種對立，即出現(xiàn)了極化；當ε≥0.27時，輿情收斂于0.5左右，提議前景值即評價值在不同信任閾值下呈現(xiàn)出不同的取值，且其中的輿情值隨信任閾值的增大而減少。

3.2.2 關系度閾值的影響

說服力與關系度的變量取值不一，導致輿情出現(xiàn)不同比例的變化，因此假設信任閾值ε=0.1，則在δ分別為0.6，0.7，0.8，0.9時，輿情交互及產(chǎn)生收斂如圖5所示。

由圖5可知，當δ<1時，在有限時間內(nèi)的輿情交互及產(chǎn)生總能達成一致，提議前景值即評價值的取值總是最后落于0.5附近。另外，隨著關系度閾值δ的增加，輿情交互及產(chǎn)生的收斂時間逐漸增加，而在達成一致前，基于Agent的情感勸說中的Agent群體的輿情交互及產(chǎn)生的收斂時間逐漸縮減。

3.2.3 說服力的影響

為研究說服力對輿情交互及產(chǎn)生收斂的影響，假設δ=0.5，ε=0.1，說服力Pj分別取0，0.4，0.7和1[31]，得到的仿真結果如圖6所示。

由圖6可見，無論說服力如何變動，輿情交互及產(chǎn)生的收斂最終均出現(xiàn)分化的形態(tài)，呈現(xiàn)出不同的輿情簇，提議前景值即評價值均為幾個不同的取值區(qū)間。當Pj∈[0,0.7]時，穩(wěn)定狀態(tài)下輿情交互及產(chǎn)生的收斂數(shù)隨Pj的增大而減少；但當Pj∈(0.7,1]時，該變量對輿情交互及產(chǎn)生過程的影響變得有限，達到穩(wěn)定狀態(tài)時的輿情簇隨Pj的增大變化不明顯，且說服力越接近1，收斂時間越長，即達到穩(wěn)定狀態(tài)所需時間越長。

綜合以上實驗結果，并進一步對其歸納和總結，可得出在基于Agent的情感勸說過程中：

(1)無論變量如何變動，輿情相近的Agent會逐漸靠攏，即均會形成幾個輿情一致的群體，并各自達成一致。

(2)Agent群體在關系度閾值及信任閾值的作用下逐漸靠攏，最終達成一致。

(3)信任閾值對輿情簇的影響更大，即信任閾值的增加會使得各Agent群體間的輿情交互及產(chǎn)生的收斂時間變短。

(4)說服力對輿情的影響程度一般，即隨著說服力的增加，輿情數(shù)變化不明顯。

綜上可知，本文提出的基于Agent的情感勸說的輿情交互及產(chǎn)生模型涉及的過程更復雜和激烈，得到的輿情收斂、對立和分化等結果充分考慮了信任閾值等因素的影響，因此更好地刻畫了商務智能環(huán)境下基于Agent的情感勸說中的輿情交互及產(chǎn)生過程，使談判過程和結果更符合實際。

4 研究結論、管理啟示及不足之處

4.1 研究結論

本文將基于Agent的情感勸說與相應的輿情交互及產(chǎn)生結合，展開了一定程度的研究。與已有研究相比，做出的改進及得出的結論如下：

(1)提出了基于Agent的情感勸說的輿情的定義，并將輿情產(chǎn)生與基于Agent的情感勸說相結合，考慮了買方Agent的提議前景值即評價值的交互對于賣方提議評價的影響，研究了輿情交互及產(chǎn)生過程中的輿情更新算法即如何產(chǎn)生新的輿情，以及輿情產(chǎn)生之后如何影響賣方提議的前景值即評價值。

(2)引入前景理論，構建了基于Agent的前景值的情感勸說提議評價算法，針對情感對于提議評價值的影響進行了量化計算。不同于效用理論，前景理論從相對收益和相對損失的角度考慮Agent的情感，而收益和損失正是參與智能談判的Agent所關注的重點。因此，本文所提出的提議評價算法既能更好反映Agent的實際情感變化，還能更好反映買賣雙方Agent的情感對結果的影響。

(3)引入HK模型，考慮Agent的社會影響力和情感這兩個最重要的影響因素，并基于這兩個因素進行量化分析，對該模型進行改進，從而給出了相應的輿情更新算法，使該算法更具有針對性，并進一步研究了Agent的情感、勸說和輿情的相關性，使該算法更符合商務智能環(huán)境下基于Agent的情感勸說特征，從而使談判過程更加理性，并使最終的談判結果更加客觀。

(4)在基于Agent的情感勸說中考慮了輿情的交互及產(chǎn)生的影響?，F(xiàn)實商務智能環(huán)境下的自動談判交互中，買方?jīng)Q策時會考慮其他與賣方合作過的主體的評價值，并調(diào)整自己的提議評價值。因此，采用本文所提出的基于Agent的情感勸說的輿情交互及產(chǎn)生模型進行模擬，可以得到更加符合人的情感勸說提議的前景值即評價值，從而更好地反映其中的輿情對提議評價值的影響，更符合實際。

4.2 管理啟示

商務智能中基于Agent的情感勸說適用于模擬現(xiàn)實中企業(yè)之間的商務談判，在極大節(jié)約談判成本的基礎上更加理性和智能地解決企業(yè)的實際商務談判問題。本文結合其中的Agent的輿情交互及產(chǎn)生對此展開研究，構建了相應模型，得出以下管理啟示：

(1)本文提出的模型將Agent的情感、勸說及輿情融入了商務智能的自動談判中進行模擬，使自動談判更符合人的理性，從而輔助企業(yè)管理者在進行實際商務談判時做出對企業(yè)更有利的決策。

(2)本文提出的提議評價值算法研究了管理者在實際交易中關注的重點即收益和損失，更真實地反映了實際商務談判中管理者對收益和損失的情感變化及影響，提高了自動談判的自適應性。

(3)本文考慮的產(chǎn)品屬性以價格、質(zhì)量、付款期限、售后服務為例，而實際商務談判中企業(yè)可以結合自身業(yè)務特點考慮更多的屬性，并為不同重要性的屬性分配權重，具有較好的靈活性。

(4)本文提出的模型也適用于其他行業(yè)商務談判問題，具有通用性。企業(yè)管理者可結合本文提出的模型，結合自身業(yè)務特點，開發(fā)出適合自己企業(yè)的商務智能自動談判系統(tǒng)，提高企業(yè)管理效率。

4.3 不足之處

本文將基于Agent的情感勸說與相應的輿情交互及產(chǎn)生結合，進行了初步探索，不足之處如下：

(1)雖然以煤炭行業(yè)供應鏈管理為背景進行了提議評價的算例分析，對其實際應用領域進行了初步探索，但沒有充分考慮買方Agent的輿情交互及產(chǎn)生，且采用的數(shù)據(jù)以假設為主。

(2)仿真實驗是根據(jù)計算所得前景值設計，各參數(shù)是基于本文提出的模型的大量仿真模擬結果，但由于問題分析需要，其中所取參數(shù)值偏低，對輿情交互及產(chǎn)生的收斂速度的提升效果不佳。

因此，下一步計劃考慮買方Agent的輿情交互及產(chǎn)生，并結合企業(yè)實際商務談判數(shù)據(jù)，設計更加合理的仿真實驗參數(shù)，從而更好地驗證和完善本文提出的模型。