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·
·122· 智能系统学报 第16卷 2.2.2与熵权-TOPSIS评价模型的对比分析 Agent在不同的情感状态下得到的被评价的买方 将本文建立的模型与文献[33]的熵权-TOP Agent的排序始终不变。 SIS模型进行对比，如表5所示，根据本文提出的 因此，本文提出引入情感度量因子的模型， 模型计算得到Agent:5为最优选择，而根据嫡权- 可使评价Agent依据该因子调节对不同被评 TOPSIS(technique for order preference by similarity 价Agent的情感状态，更符合真实谈判，适用性 to ideal solution)评价模型进行计算时，卖方 更强。 表5模型结果对比 Table 5 Comparison of models'results 结果 本文提出的模型 嫡权-TOPSIS评价模型 被评价Agent的综合信任值为 评价结果 被评Agent与理想解的关联度为0.3425,0.4216,0.6507,0.3644， 2.55,3.76.4.69,3.834.844.172.82,0.05,4.684.03 0.3956.0.2701,0.6614.0.4795,0.3355,0.6026 排序 DDDD>DDD>DD>D DDDDD>DDD>DD 3结束语 man behavior,2015,45:307-315. [S]伍京华，王佳莹，张富娟，等.基于Agent的信任的情感 本文综合运用OCC模型、模糊隶属度函数、 劝说决策模型研究[】.计算机集成制造系统，2021， 灰色关联分析法及熵权法，对其中的信任指标及 27(3):887-898. 权重计算进行设定，构建基于Agent的综合信任 WU Jinghua,WANG Jiaying,ZHANG Fujuan,et al.Re- 评价的情感劝说模型。该模型能充分利用Agent search on emotional persuasion decision model based on 在自动谈判中的历史信任信息，以及第三方 agent's trust[J].Computer integrated manufacturing sys- Agent提供的推荐信任信息，使信任的评价更加 tems,2021,27(3y887-898 可靠，为解决远程异地谈判问题，提高谈判效率 [6]余洋，夏春和，原志超，等.计算机网络协同防御系统信 提供了一种新思路。通过算例及其分析，以及与 任启动模型[.浙江大学学报（工学版），2016,50(9)： 其他模型的对比分析，验证了该模型能够有效计 16841694. 算并选择出可信买方Agent,从而验证了该模型 YU Yang,XIA Chunhe,YUAN Zhichao.Trust bootstrap- 的有效性。但文中在实际数据运用及系统构建方 ping model for computer network collaborative defense system[J].Journal of Zhejiang University(engineering sci- 面还有所欠缺，后续将进一步完善。 cnce),2016,50(9y:1684-1694. 参考文献： [7]曹慕昆，戴晓沛，杨兴燚，等.基于多Aget信任机制的 电子商务谈判系统研究[】.信息系统学报，2015(1)： [1]罗旭东，黄俏娟，詹捷字.自动谈判及其基于模糊集的模 27-38. 型综述U.计算机科学，2019,46(12)：220-230. CAO Mukun,DAI Xiaopei,YANG Xingyi,et al.Re- LUO Xudong,HUANG Qiaojuan,ZHAN Jieyu.A survey search on E-commerce negotiation system based on multi- of automated negotiation and its fuzzy set based models[J]. agent trust mechanism[J].Journal of information systems, Computer science,2019,46(12):220-230. 2015(127-38. [2]SHENG Yin,HU Wenting,ZHU Xianjun.Trust-based [8]湖南商学院.基于移动Agent的动态信任计算方法P] agent evaluation in collaborative systems[Cl//Proceedings 中国：CN201911084911.6,2020-02-28 of the 14th CCF Conference on Computer Supported Co- Hunan University of Commerce.Dynamic trust calcula- operative Work and Social Computing.Kunming,China, tion method based on mobile Agent[P].CN: 2019:287-296. CN201911084911.6,2020-02-28 [3]CHEN Chouyong,XU Chao.A negotiation optimization [9]张高旭.基于多属性评价的信任模型研究D].天津：天 strategy of collaborative procurement with supply chain 津大学，2016：12-22 based on multi-Agent system[J].Mathematical problems in ZHANG Gaoxu.Research on trust model based on multi- engineering:theory,methods and applications,2018: attribute ratings[D].Tianjin:Tianjin University,2016: 4653648. 12-22. [4]BASHEER G S,AHMAD M S,TANG A Y C,et al.Cer- [10]滕婕，夏志杰，罗梦莹，等.基于Multi--Agent的网络谣 tainty,trust and evidence:towards an integrative model of 言传播事件中信息主体信任识别研究[.情报学报， confidence in multi-agent systems[J].Computers in hu- 2020,39(3):105-114
2.2.2 与熵权-TOPSIS 评价模型的对比分析 将本文建立的模型与文献 [33] 的熵权-TOPSIS 模型进行对比，如表 5 所示，根据本文提出的 模型计算得到 Agent5 为最优选择，而根据熵权- TOPSIS(technique for order preference by similarity to ideal solution) 评价模型进行计算时，卖方 Agent 在不同的情感状态下得到的被评价的买方 Agent 的排序始终不变。 因此，本文提出引入情感度量因子的模型， 可使评价 Agent 依据该因子调节对不同被评 价 Agent 的情感状态，更符合真实谈判，适用性 更强。 表 5 模型结果对比 Table 5 Comparison of models’ results 结果 本文提出的模型 熵权-TOPSIS评价模型 评价结果 被评价Agent的综合信任值为 2.55,3.76,4.69,3.83,4.84,4.17,2.82,0.05,4.68,4.03 被评Agent与理想解的关联度为 0.3425,0.421 6,0.6507,0.364 4, 0.3956,0.270 1,0.6614,0.479 5,0.3355,0.602 6 排序 D5>D3>D9>D6>D10>D4>D2>D7>D1>D8 D7>D3>D10>D8>D2>D5>D4>D1>D9>D6 3 结束语 本文综合运用 OCC 模型、模糊隶属度函数、 灰色关联分析法及熵权法，对其中的信任指标及 权重计算进行设定，构建基于 Agent 的综合信任 评价的情感劝说模型。该模型能充分利用 Agent 在自动谈判中的历史信任信息，以及第三 方 Agent 提供的推荐信任信息，使信任的评价更加 可靠，为解决远程异地谈判问题，提高谈判效率 提供了一种新思路。通过算例及其分析，以及与 其他模型的对比分析，验证了该模型能够有效计 算并选择出可信买方 Agent，从而验证了该模型 的有效性。但文中在实际数据运用及系统构建方 面还有所欠缺，后续将进一步完善。 参考文献： 罗旭东, 黄俏娟, 詹捷宇. 自动谈判及其基于模糊集的模 型综述 [J]. 计算机科学, 2019, 46(12): 220–230. LUO Xudong, HUANG Qiaojuan, ZHAN Jieyu. A survey of automated negotiation and its fuzzy set based models[J]. Computer science, 2019, 46(12): 220–230. [1] SHENG Yin, HU Wenting, ZHU Xianjun. Trust-based agent evaluation in collaborative systems[C]//Proceedings of the 14th CCF Conference on Computer Supported Cooperative Work and Social Computing. Kunming, China, 2019: 287–296.. [2] CHEN Chouyong, XU Chao. A negotiation optimization strategy of collaborative procurement with supply chain based on multi-Agent system[J]. Mathematical problems in engineering: theory, methods and applications, 2018: 4653648. [3] BASHEER G S, AHMAD M S, TANG A Y C, et al. Certainty, trust and evidence: towards an integrative model of confidence in multi-agent systems[J]. Computers in hu- [4] man behavior, 2015, 45: 307–315. 伍京华, 王佳莹, 张富娟, 等. 基于 Agent 的信任的情感 劝说决策模型研究 [J]. 计算机集成制造系统, 2021, 27(3): 887–898. WU Jinghua, WANG Jiaying, ZHANG Fujuan, et al. Research on emotional persuasion decision model based on agent’s trust[J]. Computer integrated manufacturing systems, 2021, 27(3): 887–898 . [5] 余洋, 夏春和, 原志超, 等. 计算机网络协同防御系统信 任启动模型 [J]. 浙江大学学报 (工学版), 2016, 50(9): 1684–1694. YU Yang, XIA Chunhe, YUAN Zhichao. Trust bootstrapping model for computer network collaborative defense system[J]. Journal of Zhejiang University (engineering science), 2016, 50(9): 1684–1694. [6] 曹慕昆, 戴晓沛, 杨兴燚, 等. 基于多 Agent 信任机制的 电子商务谈判系统研究 [J]. 信息系统学报, 2015(1): 27–38. CAO Mukun, DAI Xiaopei, YANG Xingyi, et al. Research on E-commerce negotiation system based on multiagent trust mechanism[J]. Journal of information systems, 2015(1): 27–38. [7] 湖南商学院.基于移动 Agent 的动态信任计算方法 [P]. 中国: CN201911084911.6, 2020−02−28. Hunan University of Commerce. Dynamic trust calculation method based on mobile Agent[P]. CN: CN201911084911.6, 2020−02–28. [8] 张高旭. 基于多属性评价的信任模型研究 [D]. 天津：天 津大学, 2016: 12−22. ZHANG Gaoxu. Research on trust model based on multiattribute ratings[D]. Tianjin: Tianjin University, 2016: 12–22. [9] 滕婕, 夏志杰, 罗梦莹, 等. 基于 Multi-Agent 的网络谣 言传播事件中信息主体信任识别研究 [J]. 情报学报, 2020, 39(3): 105–114. [10] ·122· 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 ·123· TENG Jie,XIA Zhijie,LUO Mengying,et al.Research 2016:16-17 on trust recognition of information subject in network ru- [21]伍京华，张富娟，许陈颖.基于Aget的情感劝说的信 mor propagation event based on multi-agent[J].Journal of 任识别模型研究[J].管理工程学报，2019,33(2)： the China society for scientific and technical information. 219-226. 2020,39(3):105-114. WU Jinghua,ZHANG Fujuan,XU Chenying.Research [11]MAJD E,BALAKRISHNAN V.A trust model for re- on trust recognition model of emotional persuasion based commender agent systems[J].Soft computing,2017, on Agent[J].Journal of industrial engineering and engin- 21(2):417-433 eering management,2019,33(2):219-226. [12]NGUYEN T D,BAI Quan.A dynamic Bayesian network [22]吴鹏，李婷，仝冲，等.基于OCC模型和LSTM模型的 approach for agent group trust evaluation[J].Computers 财经微博文本情感分类研究円.情报学报，2020,39(1)： in human behavior,2018.89:237-245. 81-89. [13]MAJD E,BALAKRISHNAN V.A reputation-oriented WU Peng,LI Ting,TONG Chong,et al.Sentiment classi- trust model for multi-agent environments[J].Industrial fication of financial microblog text based on the model of management and data systems,2016,116(7):1380-1396. OCC and LSTM[J].Journal of the China society for sci- [14]董学杰，蒋国瑞，黄梯云.多Agent自动谈判情感决策 entific and technical information,2020,39(1):81-89. 模型研究).运筹与管理，2014,23(2)：133-138. [23]孙泽华，丁情.基于神经网络模型的自助式劳务定价规 DONG Xuejie,JIANG Guorui,HUANG Tiyun.Re- 律探析).当代经济，2018(14)：146-148 search on emotional decision model of multi-agent negoti- SUN Zehua,DING Qian.Analysis of self-service labor ation[J].Operations research and management science, pricing based on neural network model[J].Contemporary 2014,232):133-138. economics.2018(14):146-148. [15]伍京华，许陈颖，张富娟.基于Agent的情感劝说的合 [24]韩中庚.非线性连续型效用函数的构造方法及其应用 作主体选择模型[J].管理工程学报，2019,33(1)： [C]Ⅲ第四届全国决策科学/多目标决策研讨会论文集 230-237 杭州.中国.2007：263-267 WU Jinghua,XU Chenying,ZHANG Fujuan.Agent- HANG Zhonggeng.Construction method of nonlinear based emotional persuasive cooperative subject selection continuous utility function and its application[C]//Pro- model[J].Journal of industrial engineering and engineer- ceedings of the 4th National Decision-making ing management,2019,33(1):230-237. Science/Multi-objective Decision-making Seminar.Hang- [16]JAIN P,DAHIYA D.An intelligent multi agent frame- zhou:Chinese Operational Research Society,2007: work for E-commerce using case based reasoning and ar- 263-267. gumentation for negotiation[C]//Proceedings of the [25]LI Bingjun,LI Xiaolu.Research on the relationship 6th International Conference on Information Systems, between corporate social responsibility and financial per- Technology and Management.Grenoble,France,2012: formance based on grey correlation analysis:taking the 164175. smartphone company as an example[J].Open journal of [17]ADAM M T P,TEUBNER T,GIMPEL H.No rage applied sciences,2018,8(9):431-440. against the machine:how computer agents mitigate hu- [26]李俊杰，程婉静，梁媚，等.基于嫡权-层次分析法的中 man emotional processes in electronic negotiations[J]. 国现代煤化工行业可持续发展综合评价).化工进展， Group decision and negotiation,2018,27(4):543-571. 2020,39(4:1329-1338. [18]MARCO J P,ARBELOA F J S,BAGDASARI E C. LI Junjie,CHENG Wanjing,LIANG Mei,et al.Compre- Combining cognition and emotion in virtual agents[J]. hensive evaluation on sustainable development of China's Kybernetes,,2017,46(6)933-946. advanced coal to chemicals industry based on EWM- [19]DECAROLIS B.MAZZOTTA I.A user adaptive per- AHP[J].Chemical industry and engineering progress, suasive system based on 'a rational'theory[J].Interna- 2020,39(4):1329-1338. tional journal of human-computer studies,2017,108: [2]仲鑫恺.基于熵权和灰色关联分析法确立PPP项目审 70-88. 计重点的研究[D1.福州：福建工程学院，2018：16-18. [20]汪矿基于情感强度感知的动态信任评估机制研究D] ZHONG Xinkai.The research on PPP project audit focus 南京：南京邮电大学，2016.16-17 based on entropy weight and the grey relational analysis WANG Kuang.Dynamic trust evaluation mechanism method[J].Fuzhou:Fujian University of Technology, based on perception of affective intensity[D].Nanjing: 2018:16-18. Nanjing University of Posts and Telecommunications, [28]SREEJITH S.PRIYADARSHINI A.CHAGANTI P K
TENG Jie, XIA Zhijie, LUO Mengying, et al. Research on trust recognition of information subject in network rumor propagation event based on multi-agent[J]. Journal of the China society for scientific and technical information, 2020, 39(3): 105–114. MAJD E, BALAKRISHNAN V. A trust model for recommender agent systems[J]. Soft computing, 2017, 21(2): 417–433. [11] NGUYEN T D, BAI Quan. A dynamic Bayesian network approach for agent group trust evaluation[J]. Computers in human behavior, 2018, 89: 237–245. [12] MAJD E, BALAKRISHNAN V. A reputation-oriented trust model for multi-agent environments[J]. Industrial management and data systems, 2016, 116(7): 1380–1396. [13] 董学杰, 蒋国瑞, 黄梯云. 多 Agent 自动谈判情感决策 模型研究 [J]. 运筹与管理, 2014, 23(2): 133–138. DONG Xuejie, JIANG Guorui, HUANG Tiyun. Research on emotional decision model of multi-agent negotiation[J]. Operations research and management science, 2014, 23(2): 133–138. [14] 伍京华, 许陈颖, 张富娟. 基于 Agent 的情感劝说的合 作主体选择模型 [J]. 管理工程学报, 2019, 33(1): 230–237. WU Jinghua, XU Chenying, ZHANG Fujuan. Agentbased emotional persuasive cooperative subject selection model[J]. Journal of industrial engineering and engineering management, 2019, 33(1): 230–237. [15] JAIN P, DAHIYA D. An intelligent multi agent framework for E-commerce using case based reasoning and argumentation for negotiation[C]//Proceedings of the 6th International Conference on Information Systems, Technology and Management. Grenoble, France, 2012: 164–175. [16] ADAM M T P, TEUBNER T, GIMPEL H. No rage against the machine: how computer agents mitigate human emotional processes in electronic negotiations[J]. Group decision and negotiation, 2018, 27(4): 543–571. [17] MARCO J P, ARBELOA F J S, BAGDASARI E C. Combining cognition and emotion in virtual agents[J]. Kybernetes, 2017, 46(6): 933–946. [18] DECAROLIS B, MAZZOTTA I. A user adaptive persuasive system based on ‘a rational’ theory[J]. International journal of human-computer studies, 2017, 108: 70–88. [19] 汪矿.基于情感强度感知的动态信任评估机制研究 [D]. 南京：南京邮电大学, 2016, 16−17. WANG Kuang. Dynamic trust evaluation mechanism based on perception of affective intensity[D]. Nanjing: Nanjing University of Posts and Telecommunications, [20] 2016: 16–17. 伍京华, 张富娟, 许陈颖. 基于 Agent 的情感劝说的信 任识别模型研究 [J]. 管理工程学报, 2019, 33(2): 219–226. WU Jinghua, ZHANG Fujuan, XU Chenying. Research on trust recognition model of emotional persuasion based on Agent[J]. Journal of industrial engineering and engineering management, 2019, 33(2): 219–226. [21] 吴鹏, 李婷, 仝冲, 等. 基于 OCC 模型和 LSTM 模型的 财经微博文本情感分类研究 [J]. 情报学报, 2020, 39(1): 81–89. WU Peng, LI Ting, TONG Chong, et al. Sentiment classification of financial microblog text based on the model of OCC and LSTM[J]. Journal of the China society for scientific and technical information, 2020, 39(1): 81–89. [22] 孙泽华, 丁倩. 基于神经网络模型的自助式劳务定价规 律探析 [J]. 当代经济, 2018(14): 146–148. SUN Zehua, DING Qian. Analysis of self-service labor pricing based on neural network model[J]. Contemporary economics, 2018(14): 146–148. [23] 韩中庚. 非线性连续型效用函数的构造方法及其应用 [C]// 第四届全国决策科学/多目标决策研讨会论文集， 杭州，中国，2007: 263−267. HANG Zhonggeng. Construction method of nonlinear continuous utility function and its application[C]//Proceedings of the 4th National Decision-making Science/Multi-objective Decision-making Seminar. Hangzhou: Chinese Operational Research Society, 2007: 263–267. [24] LI Bingjun, LI Xiaolu. Research on the relationship between corporate social responsibility and financial performance based on grey correlation analysis: taking the smartphone company as an example[J]. Open journal of applied sciences, 2018, 8(9): 431–440. [25] 李俊杰, 程婉静, 梁媚, 等. 基于熵权–层次分析法的中 国现代煤化工行业可持续发展综合评价 [J]. 化工进展, 2020, 39(4): 1329–1338. LI Junjie, CHENG Wanjing, LIANG Mei, et al. Comprehensive evaluation on sustainable development of China's advanced coal to chemicals industry based on EWMAHP[J]. Chemical industry and engineering progress, 2020, 39(4): 1329–1338. [26] 仲鑫恺. 基于熵权和灰色关联分析法确立 PPP 项目审 计重点的研究 [D].福州：福建工程学院, 2018:16–18. ZHONG Xinkai. The research on PPP project audit focus based on entropy weight and the grey relational analysis method[J]. Fuzhou: Fujian University of Technology, 2018: 16–18. [27] [28] SREEJITH S, PRIYADARSHINI A, CHAGANTI P K. 第 1 期 伍京华，等：基于 Agent 的综合信任评价的情感劝说模型 ·123·
·124· 智能系统学报 第16卷 Multi-objective optimization of surface roughness and re- [33]赵腾，杨世忠.嫡权TOPSIS法在企业财务风险评价中 sidual stress in turning using grey relation analysis[J]. 的应用一以酒鬼酒公司为例财会月刊，2019(3)： Materials today:proceedings,2020,26:2862-2868. 9-16. [29]GONG Wei,WANG Nan,ZHANG Na,et al.Water res- ZHAO Teng,YANG Shizhong.Application of entropy istance and a comprehensive evaluation model of mag- weight-TOPSIS in financial risk assessment of enter- nesium oxychloride cement concrete based on Taguchi prises--a case study of Jiugui companies[J].Finance and and entropy weight method[J].Construction and building accounting monthly,2019(3):9-16. materials,.2020,260:119817. 作者简介： [30]SHENG Yin,HU Wenting,ZHU Xianjun.Trust-based agent evaluation in collaborative systems[C]//Proceed- 伍京华，副教授，博土生导师 ings of the 14th Trust-Based Agent Evaluation in Collab- CAAI终身会员、CCF高级会员，主要 研究方向为商务智能、管理信息系统、 orative Systems.Kunming,China,2019:287-296. 决策支持系统、基于Agent的理论与 [31]RAMCHURN S D,JENNINGS N R,SIERRA C,et al. 方法。主持国家自然科学基金面上项 Devising a trust model for multi-agent interactions using 目1项，横向课题多项。发表学术论 confidence and reputation[J].Applied artificial intelli- 文40余篇，出版学术专著2部。 gence,2004,18(9/10:833-852. [32]刘鹏，王莉芳，许燕.基于“专家打分法”的DEA交叉效 王凯欣，硕士研究生，主要研究方 向为管理信息系统。曾获美国大学生 率聚集方法).科技管理研究，2019,392)：248-253. 数学建模竞赛二等奖。 LIU Peng,WANG Lifang,XU Yan.DEA cross-effi- ciency aggregation method based upon expert scoring[J]. Science and technology management research,2019, 39(2:248-253. 2021中国粒计算与知识发现学术会议 2021 China Granular Computing and Knowledge Discovery Conference 由中国人工智能学会主办、中国人工智能学会粒计算与知识发现专委会协办、国际粗糙集学会支持，华 东交通大学承办的2021年中国粒计算与知识发现学术会议（第21届中国粗糙集与软计算学术会议、第 15届中国粒计算学术会议、第9届三支决策学术会议)将于2021年8月20-22日在“英雄城一江西南昌” 召开。现将会议有关征文事宜通知如下，热忱欢迎相关研究人员踊跃投稿并参会。 征文范围（包括但不限于）： 1)粗糙集与软计算；2)粒计算理论及其应用：3)三支决策模型与分析；4)知识发现与数据挖掘。 重要日期： 投稿截止日期：2021年3月25日 录用通知日期：2021年6月10日 终稿提交日期：2021年6月25日 会议举办日期：2021年8月20-22日 投稿要求及详情参见网址：https:://easychair.org/conferences//?conf=cgckd2021 投稿与会务咨询： 钱老师(13775075661)：余老师(13755776891) 会务邮箱：cgckd2021@163.com 通信地址：江西省南昌市双港东大街808号华东交通大学软件学院(330013) 会议网站：http://cgckd2021.ecitu.edu.cn
Multi-objective optimization of surface roughness and residual stress in turning using grey relation analysis[J]. Materials today: proceedings, 2020, 26: 2862–2868. GONG Wei, WANG Nan, ZHANG Na, et al. Water resistance and a comprehensive evaluation model of magnesium oxychloride cement concrete based on Taguchi and entropy weight method[J]. Construction and building materials, 2020, 260: 119817. [29] SHENG Yin, HU Wenting, ZHU Xianjun. Trust-based agent evaluation in collaborative systems[C]//Proceedings of the 14th Trust-Based Agent Evaluation in Collaborative Systems. Kunming, China, 2019: 287–296. [30] RAMCHURN S D, JENNINGS N R, SIERRA C, et al. Devising a trust model for multi-agent interactions using confidence and reputation[J]. Applied artificial intelligence, 2004, 18(9/10): 833–852. [31] 刘鹏, 王莉芳, 许燕. 基于“专家打分法”的 DEA 交叉效 率聚集方法 [J]. 科技管理研究, 2019, 39(2): 248–253. LIU Peng, WANG Lifang, XU Yan. DEA cross-efficiency aggregation method based upon expert scoring[J]. Science and technology management research, 2019, 39(2): 248–253. [32] 赵腾, 杨世忠. 熵权 TOPSIS 法在企业财务风险评价中 的应用——以酒鬼酒公司为例 [J]. 财会月刊, 2019(3): 9–16. ZHAO Teng, YANG Shizhong. Application of entropy weight-TOPSIS in financial risk assessment of enterprises -- a case study of Jiugui companies[J]. Finance and accounting monthly, 2019(3): 9–16. [33] 作者简介： 伍京华，副教授，博士生导师， CAAI 终身会员、CCF 高级会员，主要 研究方向为商务智能、管理信息系统、 决策支持系统、基于 Agent 的理论与 方法。主持国家自然科学基金面上项 目 1 项，横向课题多项。发表学术论 文 40 余篇，出版学术专著 2 部。 王凯欣，硕士研究生，主要研究方 向为管理信息系统。曾获美国大学生 数学建模竞赛二等奖。 2021 中国粒计算与知识发现学术会议 2021 China Granular Computing and Knowledge Discovery Conference 由中国人工智能学会主办、中国人工智能学会粒计算与知识发现专委会协办、国际粗糙集学会支持，华 东交通大学承办的 2021 年中国粒计算与知识发现学术会议（第 21 届中国粗糙集与软计算学术会议、第 15 届中国粒计算学术会议、第 9 届三支决策学术会议）将于 2021 年 8 月 20−22 日在“英雄城—江西南昌” 召开。现将会议有关征文事宜通知如下，热忱欢迎相关研究人员踊跃投稿并参会。 征文范围（包括但不限于）： 1）粗糙集与软计算；2）粒计算理论及其应用；3）三支决策模型与分析；4）知识发现与数据挖掘。 重要日期： 投稿截止日期：2021 年 3 月 25 日 录用通知日期：2021 年 6 月 10 日 终稿提交日期：2021 年 6 月 25 日 会议举办日期：2021 年 8 月 20−22 日 投稿要求及详情参见网址：https://easychair.org/conferences/?conf=cgckd2021 投稿与会务咨询： 钱老师（13775075661）；余老师（13755776891） 会务邮箱：cgckd2021@163.com 通信地址：江西省南昌市双港东大街 808 号华东交通大学软件学院（330013） 会议网站：http://cgckd2021.ecjtu.edu.cn ·124· 智 能 系 统 学 报 第 16 卷
