基于Agent的映射的情感勸說行為產(chǎn)生模型

伍京華，葉慧慧，李 巖

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

0 引言

隨著人們對于電子商務(wù)的智能化、個(gè)性化提出更迫切的需求[1]，商務(wù)智能成為科研人員的重要研究方向，而自動談判系統(tǒng)是商務(wù)智能領(lǐng)域的重要研究內(nèi)容[2]?；贏gent的勸說系統(tǒng)是兩個(gè)或兩個(gè)以上Agent為達(dá)到共贏而進(jìn)行競爭性的決議和讓步過程，Agent之間彼此交換提議，當(dāng)某個(gè)提議被雙方接受或者達(dá)到最大勸說時(shí)間時(shí)，勸說結(jié)束[3]。Agent情感是指Agent具有模擬人類情感的能力，使Agent除了理性決策還能夠表現(xiàn)出感性行為，即個(gè)性、心情和情緒產(chǎn)生的非理智行為[4]。被賦予情感的Agent能夠更準(zhǔn)確地模擬人與人之間的相處溝通方式，也能更加靈活地進(jìn)行決策，而不是機(jī)械化地執(zhí)行交互算法[5]。因此，將情感引入基于Agent的勸說中，進(jìn)一步發(fā)揮Agent模擬人的情感特性，研究基于Agent的情感勸說成為商務(wù)智能領(lǐng)域的熱點(diǎn)和難點(diǎn)。

在基于Agent的情感映射方面，Santos等[6]為了更好地展示Agent情感的產(chǎn)生，將Agent的性格、心情、情緒映射模型與群體決策支持系統(tǒng)相結(jié)合，提出了相應(yīng)的決策模型;李海芳等[7]對Agent個(gè)性、心情、情感三者之間的關(guān)系進(jìn)行量化，建立了基于Agent的多層次情感計(jì)算模型;何海鵬[8]結(jié)合個(gè)性對心情和情感的影響，構(gòu)建了多層情感模型;Hortensius等[9]結(jié)合心理學(xué)和神經(jīng)科學(xué)，提出了Agent的情緒產(chǎn)生模型;Rincon等[10]結(jié)合三維心情空間(Pleasure-Arousal-Dominance, PAD)心情模型研究Agent如何基于個(gè)性、同理心和親和力改變其他Agent的情緒，并提出了社交情緒的概念;韓晶等[11]利用三維情感模型(Arousal-Valence-Stance, AVS)和大五性格模型，提出了基于高斯混合模型(Gaussian Mixture Model, GMM)的增量式情感映射模型，實(shí)現(xiàn)了對用戶真實(shí)情感的有效映射;王浩等[12]結(jié)合心理學(xué)知識，利用隱馬爾可夫模型(Hidden Markov Model, HMM)過程，提出了一種能模擬人類情感變化過程的情感轉(zhuǎn)移模型。

在基于Agent的情感勸說方面，Van Kleef等[13]研究了情感對基于Agent的勸說行為的影響;Adler等[14]研究認(rèn)為情感在勸說中可能促進(jìn)合作，也可能引發(fā)沖突甚至導(dǎo)致勸說的失敗;Jiang等[5]研究了PAD模型中各維度對勸說行為的影響，并建立了情感決策函數(shù);Broekens等[15]研究了情感在談判中的哪些階段起主要作用，并通過情感計(jì)算技術(shù)討論了情感談判支持系統(tǒng)可提供的更具體的與情感相關(guān)的功能;Sergio等[16]運(yùn)用模糊隸屬函數(shù)，賦予Agent情商，建立了情感計(jì)算模型;楊佩等[17]通過對信念修正算子進(jìn)行量化和排序，提出了相應(yīng)的Agent勸說方法;伍京華等[18]首次將情感和Agent勸說相結(jié)合，提出消極情感變化度的概念,構(gòu)建了基于Agent的勸說的消極情感影響模型;伍京華等[19]結(jié)合情感強(qiáng)度第一定律，運(yùn)用模糊隸屬度函數(shù)，通過建立Agent主體提議評價(jià)模型、信度評價(jià)模型和情感評價(jià)模型構(gòu)建了基于Agent的情感勸說的合作主體選擇模型。

在基于Agent的映射的情感勸說行為產(chǎn)生模型方面的研究較少，目前只有Santos等[20]將性格模型、心情空間模型、情緒模型與群體決策支持系統(tǒng)相結(jié)合，通過對比展示了基于Agent的情感勸說的優(yōu)勢;董學(xué)杰等[21]根據(jù)Agent情感決策的過程，構(gòu)建了基于Agent的情感產(chǎn)生和決策模型。情感作為人和機(jī)器最主要的區(qū)別，對勸說行為有極為重要的影響，實(shí)現(xiàn)情感的模擬不僅能使機(jī)器人或計(jì)算機(jī)具備更快的信息處理速度和更高的處理效率，還能賦予機(jī)器創(chuàng)造力、思維能力和決策控制力。根據(jù)相關(guān)心理學(xué)理論[6-10,22-23]和何海鵬[8]對多層情感模型的研究，如果個(gè)性、情緒等存在差異，產(chǎn)生的情感也會有所差別，然而文獻(xiàn)[19]和文獻(xiàn)[21]只是將情感簡單分為積極情感和消極情感，建立的情感產(chǎn)生模型缺乏對Agent性格、心情和情緒等因素考慮。因此，目前所研究的基于Agent的情感勸說產(chǎn)生模型還存在一定的局限性。

雖然目前基于Agent的勸說系統(tǒng)可以模擬人進(jìn)行一些判斷決策，但是存在對情感量化不深入，模擬人類決策不準(zhǔn)確等問題。針對這些不足，本文擬結(jié)合多層情感模型，研究基于Agent的情感勸說行為產(chǎn)生模型，建立基于Agent的映射的情感勸說行為產(chǎn)生模型。

1 基于Agent的情感映射模型

基于Agent的情感映射是Agent情感產(chǎn)生的前提和核心。根據(jù)王嵐等[24]的研究，定義基于Agent的情感映射是Agent根據(jù)個(gè)性—心情—情緒的映射產(chǎn)生相應(yīng)情感的過程。首先對個(gè)性、心情、情緒的相關(guān)心理學(xué)機(jī)理及數(shù)學(xué)量化模型進(jìn)行如下研究分析。

1.1 Agent的個(gè)性、心情、情緒模型

(1)在心理學(xué)中，個(gè)性又稱為性格和人格，是在成長過程中逐漸形成的穩(wěn)定的、獨(dú)特的個(gè)體特征[6]?？捎胣維向量Oe來表示Agent的個(gè)性集合，如式(1)所示：

(1)

式中：αi表示Agent的第i維度個(gè)性特征值，其強(qiáng)度用[-1,1]間的數(shù)值表示，αi的絕對值越大，表示此Agent在這一維度的個(gè)性特征越明顯，αi=0表示不存在某種個(gè)性。

Goldberg[25]提出的大五個(gè)性模型(Openness，Conscientiousness，Extraversion，Agreeablenes，Neuroticism, OCEAN)受到了心理學(xué)家的普遍認(rèn)可，本文采用該模型描述Agent的個(gè)性特征，因此公式(1)中的n取5。大五個(gè)性模型利用5種特質(zhì)描述個(gè)性，如表1所示。

表1 大五個(gè)性及對應(yīng)的個(gè)性特征

(2)Agent的心情指受性格因素和外界環(huán)境影響的能影響Agent行為的心理狀態(tài)[7]。在影響Agent情感的因素中，個(gè)性最為穩(wěn)定，心情的穩(wěn)定性和變化介于個(gè)性和情緒之間，其持續(xù)時(shí)間比情緒更久?？捎胢維向量Pe來表示Agent的心情狀態(tài)，如式(2)所示：

(2)

其中βi表示Agent的第i維度的心情特征值，βi∈(-1,1),i∈[1,m],其在t時(shí)刻的強(qiáng)度用[-1,1]間的數(shù)值表示。

(3)在情緒心理學(xué)中，Agent的情緒是Agent對客觀事物的態(tài)度體驗(yàn)和短暫的、易變化的行為反應(yīng)，具有瞬時(shí)性的特點(diǎn)，易隨時(shí)間快速衰減。情緒有很多種，但心理學(xué)家認(rèn)為只存在有限種基本情緒，其組合產(chǎn)生了所體驗(yàn)到的各種情緒，并且各種情緒之間具有連續(xù)性[8]。為了體現(xiàn)Agent的情緒狀態(tài)的連續(xù)性，假設(shè)存在N種基本情緒狀態(tài)，用集合Me={mi|i=1,2,…}表示Agent所有的情緒狀態(tài)，如式(3)所示：

(3)

式中mi表示Agent基本情緒狀態(tài)的情緒強(qiáng)度。

1.2 基于Agent的情感映射模型

心情的形成與個(gè)性及情緒經(jīng)歷有關(guān)[22,28]，而情緒的形成與心情有關(guān)[7-8]，因此,要實(shí)現(xiàn)Agent個(gè)性到情感的映射，應(yīng)首先將Agent的個(gè)性映射到心情，再將心情映射到情緒。情緒經(jīng)歷指的是當(dāng)前時(shí)刻之前所經(jīng)歷的情緒類型，而情緒指的是當(dāng)前時(shí)刻的心理狀態(tài)。根據(jù)馬爾科夫鏈[29]理論，初始情緒經(jīng)歷取Agent的初始情緒，交互過程中的情緒經(jīng)歷取上一輪的主導(dǎo)情緒。因此,建立如下OCEAN到PAD的“個(gè)性—心情”映射模型和PAD到OCC的“心情—情緒”映射模型。

1.2.1 基于P-GMM的Agent“個(gè)性—心情”映射模型

參照基于GMM模型的增量式情感映射模型[11]，利用層次分析法建立基于個(gè)性化GMM(Personalized Gaussian Mixture Model, P-GMM)的Agent的“個(gè)性—心情”映射模型，即圍繞大5個(gè)性模型的5個(gè)維度，引入個(gè)性參數(shù)，利用GMM模型建立“個(gè)性—心情”情感映射模型。首先建立如圖1所示層次分析結(jié)構(gòu)，底層是Agent個(gè)性特征，用P=[P1,P2,P3,P4,P5]表示，中間層是Agent個(gè)性和心情的關(guān)聯(lián)關(guān)系，頂層是心情特征的屬性。

(1)對實(shí)驗(yàn)樣本采用最小二乘法進(jìn)行估計(jì)，即

(4)

(5)

(3)由Svensson等[31]的研究可定義Agent的個(gè)性參數(shù)如式(6)所示：

(6)

其中kPe為認(rèn)知強(qiáng)度系數(shù)，取值范圍是(0,1)。

(4)Agent在第k類心情的GMM概率如式(7)所示：

(7)

式中μPek=(μpk,μak,μdk)由文獻(xiàn)[32]得到。

(8)

(5)初始心情更新。根據(jù)萬超崗[28]的研究，在情感映射過程中，Agent的初始心情會受到初始情緒的影響。結(jié)合初始心情Pe0和初始情緒m0，心情更新過程如式(9)所示：

Pe=ω1Pe0+ω2m0。

(9)

式中：ω1和ω2為心情和情緒經(jīng)歷對心情更新的影響權(quán)重，ω1+ω2=1;Pe為更新后的心情特征值，初始情緒m0取初始主導(dǎo)情緒所對應(yīng)的PAD值。

1.2.2 基于修正矩陣的Agent“心情—情緒”映射模型

每個(gè)情緒狀態(tài)都對應(yīng)于PAD心情空間的一個(gè)點(diǎn)，選取OCC情緒模型中適用于商務(wù)談判的12種情緒，由PAD三維心情空間與其對應(yīng)關(guān)系[33]，可得PAD心情空間到OCC情緒模型的轉(zhuǎn)換矩陣，即

(10)

由“個(gè)性—心情”映射模型可得心情的坐標(biāo)值為(p,a,d)，利用倒數(shù)歸一化方法對心情與基本情緒狀態(tài)間的距離進(jìn)行量化，可得Agent心情映射到OCC情緒模型的修正矩陣，利用修正矩陣和轉(zhuǎn)換矩陣實(shí)現(xiàn)PAD到OCC的映射，具體過程如下：

(1)設(shè)基本情緒狀態(tài)在PAD三維心情空間中對應(yīng)的點(diǎn)的坐標(biāo)為(pi,ai,di)i=1,2,…,N，則Agent心情與基本情緒狀態(tài)間的距離可表示為：

(11)

(12)

(3)由此可得Agent的心情到情緒的映射模型如式(13)所示:

(13)

式中mT為Agent的情緒值。

2 基于Agent的映射的情感產(chǎn)生模型

基于Agent的情感產(chǎn)生模型是基于Agent的情感勸說行為產(chǎn)生模型的核心，因此先在已有情感研究的基礎(chǔ)上對基于Agent的情感進(jìn)行合理分類，然后根據(jù)上述情感映射模型構(gòu)建相應(yīng)的基于Agent的映射的情感產(chǎn)生模型。

2.1 Agent的情感分類

情感分類是情感領(lǐng)域的關(guān)鍵問題，Ekman等[34]將情感分為Joy、Anger、Disgust、Fear、Sadness和Surprise六類，這種分類在心理學(xué)界和工程學(xué)界得到了普遍認(rèn)可。結(jié)合OCC模型的產(chǎn)生過程和主成分分析法，在Ekman情感分類的基礎(chǔ)上得到了如圖2所示的4種適用于基于Agent的勸說過程的基本情感類型，以及情緒與情感的對應(yīng)關(guān)系。

2.2 基于Agent的映射的情感產(chǎn)生模型

Mehrabian研究表明[33]，Agent的情緒對情感有直接影響作用，而Agent的情緒會受到心情的調(diào)節(jié)，當(dāng)Agent心情和情緒方向相同時(shí)，情緒會被心情增強(qiáng)，相反，情緒會被心情減弱。例如，心情好時(shí)，可能會對某些壞的行為不去計(jì)較；心情不好時(shí)，別人的好意可能也會讓人理解為歹意。因此，首先對情緒調(diào)節(jié)過程進(jìn)行定義，然后由調(diào)節(jié)后的Agent情緒產(chǎn)生情感。

(1)情緒調(diào)節(jié)。

(14)

(2)情感產(chǎn)生。Agent情感受情緒的影響，可由如圖2所產(chǎn)生的4種情感，用一個(gè)4維向量表示Agent的情感狀態(tài)，即

(15)

考慮到每個(gè)情感維度中的各個(gè)情緒對情感的影響不同，首先運(yùn)用熵值法得出第i個(gè)情感狀態(tài)中各個(gè)情緒的權(quán)重，然后由各個(gè)權(quán)重與情緒值獲得該情感狀態(tài)值，具體過程如下：

1)數(shù)據(jù)標(biāo)準(zhǔn)化處理。情緒的絕對值越大，對情感的影響越大，因此第i種情感中第j種情緒的比重為：

(16)

2)計(jì)算第j種情緒的信息熵。

(17)

式中n表示j列Yij≠0的值的個(gè)數(shù)。由于情感是4維向量，令c=1/ln(4)。

3)根據(jù)信息熵冗余度，計(jì)算各個(gè)情緒的權(quán)重值。

(18)

4)計(jì)算各情感值。

(19)

3 基于Agent的映射的情感勸說行為產(chǎn)生模型

基于Agent的映射的情感勸說行為產(chǎn)生模型是基于Agent的情感勸說得以順利進(jìn)行的前提。在基于Agent的情感勸說產(chǎn)生的過程中，買賣雙方Agent通過基于Agent的映射的情感產(chǎn)生模型產(chǎn)生相應(yīng)的Agent情感，然后由對方的歷史交易信息判斷對方Agent的勸說風(fēng)格，進(jìn)而根據(jù)Agent認(rèn)知庫中提取出來的Agent對各屬性的期望值和極限值的信息產(chǎn)生相應(yīng)的勸說行為。

3.1 基于Agent的情感勸說行為分類

3.2 基于Agent的映射的情感勸說行為產(chǎn)生模型

根據(jù)模糊認(rèn)知邏輯[23，38]，定義Agent認(rèn)知是指Agent在勸說過程中的知識和意圖。Agent首先按照本身個(gè)性特征和情緒狀態(tài)，使用基于Agent的映射的情感產(chǎn)生模型映射出相應(yīng)的情感，再利用所處的情感狀態(tài)、認(rèn)知狀態(tài)和勸說規(guī)則產(chǎn)生合適的勸說行為，整個(gè)基于Agent的映射的情感勸說行為產(chǎn)生模型如圖3所示。

3.2.1 基于Agent的映射的情感勸說行為產(chǎn)生

基于Agent的情感勸說行為的產(chǎn)生規(guī)則可用邏輯語言表示如下：

G(T)={Act|Emax,t,Oe,Pe(t),me(t),

KI,NH,RB}。

(20)

式中：G(T)為Agent在T時(shí)刻產(chǎn)生的勸說決策;Act表示Agent的情感勸說行為;Emax,t表示t時(shí)刻Agent的主導(dǎo)情感，且有{Oe,Pe(t),me(t)}→Emax,t，表示Agent在t時(shí)刻的個(gè)性O(shè)e;心情Pe(t)、情緒me(t)通過情感映射模型得出t時(shí)刻的主導(dǎo)情感Emax,t;KI為勸說Agent的認(rèn)知，包括Agent勸說意圖集合，即Agent對勸說中各屬性的期望值和極限值，如在煤炭行業(yè)供應(yīng)鏈管理中采購商對交貨期的期望為3天，極限為5天，對成交價(jià)格的期望為500元，極限為800元；NH為勸說案例庫，包含對方Agent在以往交易中的勸說過程及結(jié)果，可根據(jù)這些歷史交易數(shù)據(jù)，預(yù)測對方Agent是何種勸說風(fēng)格。

Agent勸說風(fēng)格是一個(gè)相對的概念，是指相對自身而言，對方Agent在歷史交易的勸說過程中針對各勸說屬性所體現(xiàn)的明顯的決策特點(diǎn)，包括冒險(xiǎn)型(adventurous persuasion style)、謹(jǐn)慎型(cautious persuasion style)、合作型(cooperative persuasion style)。為得到Agent的勸說風(fēng)格，定義Agent的勸說風(fēng)格評價(jià)值：

(21)

(22)

若PUs>PUb，則Agents的冒險(xiǎn)性相對更明顯；若PUs

(1)當(dāng)PUs-PUb∈[-1,-0.6]時(shí)，證明PUs∈[0，0.2]，PUb∈[0.8,1]，此時(shí)雙方的勸說風(fēng)格評價(jià)值相差很大，賣方的相對勸說風(fēng)格為冒險(xiǎn)型，買方為合作型。

(2)當(dāng)PUs-PUb∈(-0.6,-0.2]時(shí)，證明PUs∈[0.2，0.4]，PUb∈[0.6,0.8]，此時(shí)雙方的勸說風(fēng)格評價(jià)值相差比較大，賣方的相對勸說風(fēng)格為冒險(xiǎn)型且買方為謹(jǐn)慎型，或者賣方為謹(jǐn)慎型且買方為合作型。

(3)當(dāng)PUs-PUb∈(-0.2,0.2)時(shí)，證明PUs和PUb都在[0.4，0.6]之間，此時(shí)雙方的勸說風(fēng)格評價(jià)值相差較小，買賣雙方的相對勸說風(fēng)格可看成相同。

(4)當(dāng)PUs-PUb∈[0.2,0.6)時(shí)，證明PUs∈[0.6,0.8]，PUb∈[0.2，0.4]，雙方的勸說風(fēng)格評價(jià)值相差比較大，此時(shí)賣方的相對勸說風(fēng)格為合作型且買方為謹(jǐn)慎型，或者賣方為謹(jǐn)慎型且買方為冒險(xiǎn)型。

(5)當(dāng)PUs-PUb∈[0.6,1]時(shí)，證明PUs∈[0.8,1]，PUb∈[0，0.2]，此時(shí)雙方的勸說風(fēng)格評價(jià)值相差很大，賣方的相對勸說風(fēng)格為合作型，買方為冒險(xiǎn)型。

表3 賣方情感勸說行為的產(chǎn)生規(guī)則

表4 買方情感勸說行為的產(chǎn)生規(guī)則

Agent初始提議受各屬性期望值、初始主導(dǎo)情感和初始勸說行為的影響，根據(jù)上述買賣雙方Agent勸說行為的產(chǎn)生規(guī)則，可定義初始勸說行為產(chǎn)生函數(shù)：

(23)

其中：T1為Agent針對各屬性的初始提議值集合;t1,t2,…,tn為各勸說屬性值;TExpectations為Agent針對各屬性的期望值集合;τEmax〈t1,t2,…,tn〉為Agent受主導(dǎo)情感影響的讓步幅度，如處于Joy情感狀態(tài)時(shí)，關(guān)注價(jià)格的Agent可能會產(chǎn)生10%的價(jià)格讓步和20%的交貨期讓步。將各勸說屬性按照主體關(guān)注程度從強(qiáng)到弱排序：t(1),t(2),…,t(n)，n>10，結(jié)合主導(dǎo)情緒類型，可產(chǎn)生如表5所示情感讓步幅度[39]。

表5 情感讓步幅度表

3.2.2 基于Agent的映射的情感勸說行為更新

處于勸說中的Agent會根據(jù)情感產(chǎn)生不同的情感勸說行為，針對勸說中的多個(gè)屬性，發(fā)出相應(yīng)的勸說提議，從而促使勸說過程得以順利進(jìn)行。根據(jù)文獻(xiàn)[40]可知，Agent當(dāng)前輪次的勸說提議受上一輪次提議、當(dāng)前輪次主導(dǎo)情感和當(dāng)前輪次勸說行為的影響，因此定義勸說行為更新函數(shù)：

(24)

其中：Tk為Agent當(dāng)前輪次的提議值集合，Tk-1為Agent上一輪次的提議值集合;τEmax,k〈t1,t2,…,tn〉為Agent受當(dāng)前輪次主導(dǎo)情感影響的讓步幅度，根據(jù)Agent情感映射規(guī)則，在交互過程中，情緒和心情會直接和間接地導(dǎo)致Agent情感變化。

(25)

(2)主導(dǎo)情緒衰減。在心理學(xué)上，情緒具有瞬時(shí)性[28]，根據(jù)情感強(qiáng)度第一定律，其衰減函數(shù)可以用指數(shù)函數(shù)來表示，因此選用指數(shù)函數(shù)作為主導(dǎo)情緒衰減函數(shù)：

(26)

綜上可得，基于Agent的映射的情感勸說交互流程如圖4所示。

4 算例及分析

4.1 算例

以煤炭行業(yè)供應(yīng)鏈管理中的采購商和銷售商的交易為背景，采購商為Agent1，供應(yīng)商為Agent2，雙方就煤炭產(chǎn)品的價(jià)格(單位：元)和交貨期(單位：天)兩個(gè)主要屬性(若有其他屬性可通過同樣的方法計(jì)算)通過中介Agent進(jìn)行勸說提議的交換。當(dāng)買方Agent1收到的關(guān)于價(jià)格和交貨期的勸說值小于或等于自身提議值(或賣方Agent2收到的關(guān)于價(jià)格或交貨期的勸說值大于或等于自身提議值)時(shí)，勸說成功，結(jié)束情感勸說，成交值為買賣雙方最終提議的平均值。最大勸說輪次為10，假設(shè)買賣雙方受資金的限制都更關(guān)注價(jià)格屬性，雙方Agent對價(jià)格和交貨期的期望值和極限值如表6所示，Agent1和Agent2的以往交易案例信息如表7所示。

表6 買賣雙方Agent對價(jià)格和交貨期的期望值和極限值

表7 買賣雙方Agent以往交易案例信息

為了增強(qiáng)本文所提模型的合理性，并驗(yàn)證其有效性，使用Python分別對未考慮Agent情感和映射的勸說模型(Persuasion behavior generation Model based on Agent, PMBA)和基于Agent映射的情感勸說行為產(chǎn)生模型(emotional Persuasion behavior Generation Model based on Agent’s Mapping, PGMBA)進(jìn)行系統(tǒng)實(shí)現(xiàn)。

4.1.1 未考慮Agent情感和映射的勸說模型(PMBA)

在傳統(tǒng)的基于Agent的勸說過程中，Agent通常按照固定的勸說行為，根據(jù)固定的讓步步長進(jìn)行勸說交互，在這種情況下，買賣雙方的勸說更新函數(shù)如下：

Tk〈t1,t2,…,tn〉=

(27)

由圖5可以看出，不考慮情感和映射時(shí)，買賣雙方Agent以固定的讓步步長，經(jīng)過7輪達(dá)成交易，成交值為雙方最終提議的平均值，即[35.5,4.635]。

4.1.2 基于Agent的映射的情感勸說行為產(chǎn)生模型(PGMBA)

采用本文提出的基于Agent的映射的情感勸說行為產(chǎn)生模型進(jìn)行交互實(shí)驗(yàn)，實(shí)驗(yàn)參數(shù)設(shè)置如圖6所示，運(yùn)行結(jié)果如圖7所示。具體的情感勸說交互過程如表9所示。

由圖6可以看出，采用PGMBA模型時(shí)，買賣雙方Agent根據(jù)主導(dǎo)情感和勸說行為，動態(tài)地產(chǎn)生勸說提議，經(jīng)過6輪達(dá)成交易。由表9可以看出，雙方成交值為雙方最終提議的平均值，即[35.06,4.05]。

表9 采用PGMBA模型的勸說過程表

4.2 分析

4.2.1 對比分析

觀察以上實(shí)驗(yàn)結(jié)果可得使用PMBA模型和PGMBA模型，買賣雙方各屬性成交速度對比圖如圖8所示，買賣雙方成交值對比圖，如圖9所示。

綜合分析兩種模型的實(shí)驗(yàn)結(jié)果，可得：①使用PMBA模型的交互輪數(shù)為7輪，使用PGMBA模型的交互輪數(shù)為6次。可見，使用加入情感和映射的勸說交互速度更快。②使用PGMBA模型的價(jià)格成交值和交貨期成交值均低于PMBA模型。可見，使用本文模型相對于買方Agent更加有利。③由圖9可得，調(diào)整合適的參數(shù)后，無論是價(jià)格還是交貨期，使用PGMBA模型都比使用PMBA模型的收斂速度更快。因此，加入情感和映射的勸說交互過程更加符合實(shí)際勸說，對買方來說更具有有效性。

4.2.2 靈敏度分析

圖10是賣方ω1取最優(yōu)且雙方τEmax取表5中值時(shí)，買方的ω1變化對勸說交互過程的影響，圖11是買方ω1取最優(yōu)且雙方τEmax取表5中值時(shí)，賣方的ω1變化對勸說交互過程的影響。從兩圖可以看出，隨著ω1的減小，勸說的收斂速度加快。由于ω1和ω2分別是上一輪次心情和情緒對當(dāng)前輪次心情的影響權(quán)重，可得到結(jié)論：情緒經(jīng)歷(即上一輪次情緒)對當(dāng)前心情的影響權(quán)重越大，勸說收斂速度越快。

圖12是買賣雙方的ω1都取最優(yōu)時(shí)，單一勸說屬性的τEmax變化對勸說收斂速度的影響，圖中縱軸的取值是勸說成功所需輪數(shù)的倒數(shù)，當(dāng)達(dá)到0.5時(shí)，代表只需兩輪即可勸說成功，達(dá)成合作。由圖12可以看出，交貨期的τEmax固定時(shí)，隨著價(jià)格讓步幅度的增大，勸說的收斂速度加快。同樣，價(jià)格的τEmax固定時(shí)，隨著交貨期讓步幅度的增大，勸說的收斂速度也加快。

綜上可得：ω1越小，勸說收斂速度越快，τEmax越大，勸說收斂速度越快。

5 研究結(jié)論及管理啟示

5.1 研究結(jié)論

在傳統(tǒng)的基于Agent的勸說過程中，Agent通常按照固定的勸說行為，根據(jù)固定的讓步步長進(jìn)行勸說交互，產(chǎn)生的Agent勸說與實(shí)際勸說提議的產(chǎn)生過程相差甚遠(yuǎn)，這導(dǎo)致Agent不適用于動態(tài)變化的勸說環(huán)境，相比現(xiàn)有研究，本文做出的改進(jìn)和相應(yīng)的結(jié)論如下：

(1)將情感引入基于Agent的勸說模型中，讓勸說Agent模擬人類情感產(chǎn)生過程的優(yōu)勢在于：使Agent更加擬人化，勸說過程更加符合實(shí)際，有助于賦予Agent創(chuàng)造性的思考能力和獨(dú)立的決策能力。

(2)將映射的概念引入到基于Agent的情感勸說領(lǐng)域，并結(jié)合心理學(xué)中情感的概念，定義了基于Agent的情感映射，由于性格、心情、情緒和情感的產(chǎn)生并不是獨(dú)立存在的，它們之間相互影響，通過映射的方法將這些情感特征聯(lián)系起來，使Agent所產(chǎn)生的情感更符合情感的實(shí)際產(chǎn)生過程，更適用于動態(tài)變化的勸說環(huán)境。

(3)基于Agent的情感產(chǎn)生模型和李海芳等[7-8]研究的多層情感模型相比，加入個(gè)性化參數(shù)的P-GMM情感映射模型和加入修正矩陣的情感映射模型可以更加精準(zhǔn)地映射得到心情和情緒特征值；考慮心情更新、情緒衰減和情緒調(diào)節(jié)更加精確的量化情感，可以真實(shí)地模擬人類情感的產(chǎn)生，提高了對動態(tài)變化勸說環(huán)境的適應(yīng)性。

(4)結(jié)合人際勸說理論，對基于Agent的情感勸說行為進(jìn)行詳細(xì)分類，并引入Agent勸說風(fēng)格因子的概念，使Agent根據(jù)情感狀態(tài)和自身慣有的勸說風(fēng)格產(chǎn)生情感勸說行為，并通過實(shí)驗(yàn)驗(yàn)證了這種情感勸說行為產(chǎn)生模型的合理性。

5.2 管理啟示

基于Agent的情感勸說的研究對企業(yè)商務(wù)智能中的自動談判領(lǐng)域及人工智能情感研究領(lǐng)域都有一定的理論和實(shí)踐意義。

(1)理論方面 在較大程度上將管理中的不確定性問題尤其是Agent的情感轉(zhuǎn)化為參與談判的企業(yè)各方都樂于接受的確定性問題，降低了由于情感導(dǎo)致的不確定性，從而推動了情感和商務(wù)智能領(lǐng)域的理論及模型的應(yīng)用研究。

(2)實(shí)踐方面 充分考慮了基于Agent的情感的人工智能特性，對企業(yè)實(shí)際談判人員的情感及情感變化進(jìn)行模擬，不僅可以部分或全部代替人完成商務(wù)談判，降低企業(yè)成本，還能保證談判Agent模擬的真實(shí)性，優(yōu)化和提高企業(yè)商務(wù)談判速度及效率，改善和提高企業(yè)商務(wù)績效及決策水平，更有應(yīng)用到企業(yè)管理中的價(jià)值。

由于本文提出的基于Agent的映射的情感勸說行為產(chǎn)生模型具有一定的通用性，建議企業(yè)在實(shí)際應(yīng)用中，結(jié)合自身業(yè)務(wù)特點(diǎn)，對實(shí)際談判中的情感進(jìn)行合理分類，采用以上模型并進(jìn)一步開發(fā)更適合本企業(yè)管理特色的同類系統(tǒng)。此外，建議企業(yè)管理者在開發(fā)使用該類系統(tǒng)前，能充分掌握該類系統(tǒng)能給企業(yè)帶來的益處，同時(shí)能將其作為企業(yè)管理理念，對企業(yè)所有人員進(jìn)行培訓(xùn)。

本文初步將Agent模擬人的映射、情感和勸說相結(jié)合，構(gòu)建出系統(tǒng)完整且科學(xué)合理的基于Agent映射的情感勸說行為產(chǎn)生模型。但在實(shí)際商務(wù)談判中，基于Agent的情感勸說還受Agent模擬人的學(xué)習(xí)、偏好等其他因素影響，這些都將是下一步的研究方向。