伍京華，陳虹羽，汪文生

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

0 引言

隨著互聯(lián)網(wǎng)及電子商務(wù)的快速發(fā)展，商務(wù)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(dú)立決策、自主執(zhí)行，通過與其他實(shí)體交互達(dá)成目標(biāo)的計(jì)算機(jī)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(shí)，進(jìn)一步降低談判成本和提高談判模擬人的理性程度。學(xué)者們將Agent引入商務(wù)智能中的自動談判，出現(xiàn)了基于Agent的自動談判，該領(lǐng)域發(fā)展到最近，進(jìn)一步考慮Agent模擬人的勸說能力，從而進(jìn)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(lǐng)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(wù)智能的自動談判中所需的人力、物力等成本，同時(shí)使談判結(jié)果更加擬人化，因此Agent的情感已經(jīng)成為商務(wù)智能領(lǐng)域中自動談判的研究重點(diǎn)[1-2]。

輿情是指在一定時(shí)間和空間內(nèi)，民眾對社會時(shí)事熱點(diǎn)的態(tài)度、觀點(diǎn)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(jìn)一步影響基于Agent的情感勸說的過程及結(jié)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(xué)習(xí)，設(shè)計(jì)了基于馬爾可夫的適應(yīng)性情感框架模型;Subagdja等[7]針對多個(gè)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(fèi);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(gòu)建了基于Agent的積極情緒變化的勸說及相應(yīng)的評價(jià)模型;董學(xué)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(jié)合，構(gòu)建了相應(yīng)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(lǐng)域展開了實(shí)質(zhì)性研究。

從以上研究來看，文獻(xiàn)[5-7]考慮了基于Agent的情感量化，但是沒有對Agent的情感進(jìn)行分類及進(jìn)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(jié)果及效率的影響;文獻(xiàn)[8]對Agent的情緒進(jìn)行了劃分，并提出了相應(yīng)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(fù)雜勸說環(huán)境下的基于Agent的勸說;文獻(xiàn)[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(jìn)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(xiàn)[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(jìn)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(guān)研究中，馬寧等[11]基于超網(wǎng)絡(luò)中異質(zhì)Agent交互規(guī)則的設(shè)計(jì)，提出了基于超網(wǎng)絡(luò)的多Agent輿情演化模型，深入總結(jié)了Agent網(wǎng)絡(luò)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(xué)模型，研究了社會網(wǎng)絡(luò)和廣播網(wǎng)絡(luò)組成的封閉系統(tǒng)中的Agent的集體勸說，并通過實(shí)驗(yàn)表明，廣播媒體與反對者之間的競爭對輿情演變起著至關(guān)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(xué)習(xí)，設(shè)置了網(wǎng)絡(luò)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(jié)果模型(State, Operator and Result, SOAR)的網(wǎng)民群體負(fù)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(gòu)建了基于Agent的勸說中的積極輿論模型及其評價(jià)體系，初步將輿論與基于Agent的勸說結(jié)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(jié)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(xiàn)的進(jìn)一步梳理，文獻(xiàn)[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(xiàn)[12]考慮了社會網(wǎng)絡(luò)和廣播網(wǎng)絡(luò)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(jìn)一步考慮了Agent的勸說，但仍舊缺乏對Agent的情感的研究;文獻(xiàn)[13]考慮了Agent的情感，但僅考慮了Agent的負(fù)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(jié)合;文獻(xiàn)[14]將積極輿論與基于Agent的勸說結(jié)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(xiàn)[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(guān)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(gè)最重要因素；其次引入前景理論，設(shè)計(jì)了基于Agent的前景值的情感勸說提議評價(jià)算法，同時(shí)，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(gòu)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(shè)計(jì)煤炭采購的算例，利用MATLAB仿真，構(gòu)建了基于Agent的情感勸說的群體網(wǎng)絡(luò)，分析了信任閾值、關(guān)系度閾值和說服力3個(gè)最重要參數(shù)的敏感性，驗(yàn)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(guān)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(jié)果的影響，由EP(s,r,ep,ei,p)構(gòu)成。當(dāng)Agent雙方交易時(shí)，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(qiáng)度ei(emotion intensity)。每生成一個(gè)新的提議即對應(yīng)著新的情感強(qiáng)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(gòu)成，指處于一定時(shí)間t(time)及社會網(wǎng)絡(luò)n(network)中的全體Agent，針對同一事件表達(dá)的對該事件的所有認(rèn)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(gòu)成，指在基于Agent的情感勸說中，買方Agent群體對同一個(gè)賣方Agent形成不同的評價(jià)，通過買方Agent彼此間交互，傳播者di(disseminator)可能對其他Agent的評價(jià)產(chǎn)生的影響，使其他Agent產(chǎn)生傳遞該評價(jià)信息的意愿de(desire)，由此達(dá)成的買方Agent對賣方Agent的統(tǒng)一評價(jià)ev(evaluation)，即為輿情po(public opinion)。

1.2 影響因素

本文在文獻(xiàn)[10,17]的基礎(chǔ)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(gè)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(gè)體互動，使人的生理狀態(tài)和主觀感受、動機(jī)和情感、認(rèn)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(jìn)一步結(jié)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(jī)選取Agenti，擁有鄰居Agentj(j≠i)，γij(t)=1表示Agenti與Agentj在t時(shí)刻發(fā)生了交互。此時(shí)，二者關(guān)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(guān)系度Rij是指在γij(t)=1時(shí)，Agenti與Agentj的親疏程度，Rij越大，表示二者關(guān)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(jī)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(shí)刻產(chǎn)生不同情感Eij(t)；kij為Agenti的輿情堅(jiān)定度，是指其與Agentj進(jìn)行交互后保持自身提議評價(jià)不變的程度，1-kij則表示Agenti受其他Agent影響改變提議評價(jià)的程度，假設(shè)輿情堅(jiān)定度為kij∈[0,1]，社會影響力SIij∈[0,1]，則當(dāng)Agenti與Agentj的輿情差距在信任閾值內(nèi)時(shí)，Agentj產(chǎn)生的情感Eij(t)如下：

(1)

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

1.3 模型

為構(gòu)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(gòu)建合理有效的提議評價(jià)算法，其次要設(shè)計(jì)合理有效的輿情更新算法，通過兩者緊密結(jié)合，實(shí)現(xiàn)Agent在情感勸說中的輿情交互及產(chǎn)生，從而進(jìn)一步保證并提高基于Agent的情感勸說完成的智能化程度?；诖?，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(gòu)建基于Agent的前景值的情感勸說提議評價(jià)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(jià)算法

為構(gòu)建該算法，首先假設(shè)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(jià)格,質(zhì)量,付款期限,售后服務(wù)}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(gè)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(gè)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(gè)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(gè)屬性的成本閾值；

(9)μ={μ1,μ2}表示效益及成本屬性的情感權(quán)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(qiáng)度第一定律，可得其中Agent的情感強(qiáng)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(yīng)的前景值即提議評價(jià)值算法如下：

(1)如提議的屬性為效益型，則相應(yīng)的前景值即為提議評價(jià)值

(6)

式中：v(Δxij)表示Agent的收益或損失程度，通過式(7)計(jì)算；πij(ωp)表示相應(yīng)權(quán)重，通過式(8)計(jì)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(fēng)險(xiǎn)態(tài)度系數(shù)。

(2)同理，如提議的屬性為成本型，相應(yīng)的前景值即提議評價(jià)值

(9)

式中πij(ωp)也根據(jù)式(8)計(jì)算，v(Δxic)則根據(jù)式(10)計(jì)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(yīng)的前景值即提議評價(jià)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(jià)值，并沒有考慮Agent的情感，而本文的研究需要進(jìn)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(jià)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(jià)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(diǎn)動力學(xué)模型，當(dāng)用戶的初始觀點(diǎn)值為xi∈[0,1]，用戶i的觀點(diǎn)與用戶j的觀點(diǎn)差距小于等于信任閾值時(shí)，即|xi(t)-xj(t)|≤εi，用戶i在下一時(shí)刻的新觀點(diǎn)為交互集合內(nèi)的用戶觀點(diǎn)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(xiàn)[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(chǔ)上，引入Agent的社會影響力及情感這兩個(gè)重要影響因素，同時(shí)考慮Agent的個(gè)性，設(shè)計(jì)模型中相應(yīng)的輿情更新算法如下：

首先，構(gòu)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(shí)刻的提議評價(jià)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(shí)數(shù)，即當(dāng)i=j時(shí)，式(16)仍有效。

其次，考慮信任閾值εi、關(guān)系度閾值δ，可得Agentj對Agenti的輿情影響權(quán)重算法如下：

ωij(t)=

(17)

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

(18)

最后，引入Agent的個(gè)性，考慮Agenti對輿情的堅(jiān)定度kij，xi(0)為初始提議評價(jià)值，得出Agenti的輿情更新算法為：

(19)

2 算例

為驗(yàn)證以上模型，本文假設(shè)煤炭行業(yè)供應(yīng)鏈管理中的供貨商Agents與多個(gè)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(jìn)行商務(wù)智能中的自動談判，其中的提議包括價(jià)格(元)、質(zhì)量(分)、付款期限(d)和售后服務(wù)(分)。首先，假設(shè)雙方談判的初始提議取值如表1和表2所示，且當(dāng)V(x)≥0.5時(shí)，雙方達(dá)成一致(因?yàn)槠骄谕麨?.5，且輿情交互及產(chǎn)生最后趨近于0.5，所以該值設(shè)置為0.5更符合實(shí)際)；其次，根據(jù)文獻(xiàn)[10]，取km=1；再次，根據(jù)文獻(xiàn)[22]，取α=β=0.88，λ=2.25；最后，根據(jù)文獻(xiàn)[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(jié)果，如表3所示。

表3 采購商Agentb1和Agentb2的提議前景值即評價(jià)值

續(xù)表3

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

當(dāng)采購商Agentb1和Agentb2交互的初始評價(jià)值分別為0.530 25，0.535 5時(shí)，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(jìn)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(gè)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(shí)，更符合自動勸說環(huán)境下的提議評價(jià)以及輿情交互和產(chǎn)生特點(diǎn)，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(gòu)建N=100的基于Agent的情感勸說群體網(wǎng)絡(luò)；其次根據(jù)文獻(xiàn)[29]，假設(shè)提議評價(jià)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(xiàn)[30]，假設(shè)Rij服從隨機(jī)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(jìn)行相應(yīng)的仿真模擬。

3.1 與HK模型的對比分析

為與HK模型進(jìn)行對比分析，本文假設(shè)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(shè)置為0.27，同時(shí)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(shè)置為0.01，得出輿情交互及產(chǎn)生結(jié)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(gè)體交互較激烈，經(jīng)過5次分化為3種輿情簇，各個(gè)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(gè)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(gè)輿情的比例更均勻，同時(shí)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(jìn)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(guān)系度閾值和說服力這3個(gè)參數(shù)，分別進(jìn)行敏感性分析。

3.2.1 信任閾值的影響

當(dāng)說服力為0.5時(shí)，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(shí)輿情交互及產(chǎn)生最為穩(wěn)定。此外，為了弱化關(guān)系度的影響，設(shè)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(jié)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(dāng)信任閾值取值很小且ε<0.14時(shí)，輿情收斂在穩(wěn)定狀態(tài)下逐漸分化；當(dāng)0.14≤ε<0.27時(shí)，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(dāng)ε≥0.27時(shí)，輿情收斂于0.5左右，提議前景值即評價(jià)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(guān)系度閾值的影響

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

由圖5可知，當(dāng)δ<1時(shí)，在有限時(shí)間內(nèi)的輿情交互及產(chǎn)生總能達(dá)成一致，提議前景值即評價(jià)值的取值總是最后落于0.5附近。另外，隨著關(guān)系度閾值δ的增加，輿情交互及產(chǎn)生的收斂時(shí)間逐漸增加，而在達(dá)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(shí)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(shè)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(jié)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(jià)值均為幾個(gè)不同的取值區(qū)間。當(dāng)Pj∈[0,0.7]時(shí)，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(dāng)Pj∈(0.7,1]時(shí)，該變量對輿情交互及產(chǎn)生過程的影響變得有限，達(dá)到穩(wěn)定狀態(tài)時(shí)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(shí)間越長，即達(dá)到穩(wěn)定狀態(tài)所需時(shí)間越長。

綜合以上實(shí)驗(yàn)結(jié)果，并進(jìn)一步對其歸納和總結(jié)，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(gè)輿情一致的群體，并各自達(dá)成一致。

(2)Agent群體在關(guān)系度閾值及信任閾值的作用下逐漸靠攏，最終達(dá)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(shí)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(fù)雜和激烈，得到的輿情收斂、對立和分化等結(jié)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(wù)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(jié)果更符合實(shí)際。

4 研究結(jié)論、管理啟示及不足之處

4.1 研究結(jié)論

本文將基于Agent的情感勸說與相應(yīng)的輿情交互及產(chǎn)生結(jié)合，展開了一定程度的研究。與已有研究相比，做出的改進(jìn)及得出的結(jié)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(jié)合，考慮了買方Agent的提議前景值即評價(jià)值的交互對于賣方提議評價(jià)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(jià)值。

(2)引入前景理論，構(gòu)建了基于Agent的前景值的情感勸說提議評價(jià)算法，針對情感對于提議評價(jià)值的影響進(jìn)行了量化計(jì)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(guān)注的重點(diǎn)。因此，本文所提出的提議評價(jià)算法既能更好反映Agent的實(shí)際情感變化，還能更好反映買賣雙方Agent的情感對結(jié)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(gè)最重要的影響因素，并基于這兩個(gè)因素進(jìn)行量化分析，對該模型進(jìn)行改進(jìn)，從而給出了相應(yīng)的輿情更新算法，使該算法更具有針對性，并進(jìn)一步研究了Agent的情感、勸說和輿情的相關(guān)性，使該算法更符合商務(wù)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(jié)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(shí)商務(wù)智能環(huán)境下的自動談判交互中，買方?jīng)Q策時(shí)會考慮其他與賣方合作過的主體的評價(jià)值，并調(diào)整自己的提議評價(jià)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(jìn)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(jià)值，從而更好地反映其中的輿情對提議評價(jià)值的影響，更符合實(shí)際。

4.2 管理啟示

商務(wù)智能中基于Agent的情感勸說適用于模擬現(xiàn)實(shí)中企業(yè)之間的商務(wù)談判，在極大節(jié)約談判成本的基礎(chǔ)上更加理性和智能地解決企業(yè)的實(shí)際商務(wù)談判問題。本文結(jié)合其中的Agent的輿情交互及產(chǎn)生對此展開研究，構(gòu)建了相應(yīng)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(wù)智能的自動談判中進(jìn)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(jìn)行實(shí)際商務(wù)談判時(shí)做出對企業(yè)更有利的決策。

(2)本文提出的提議評價(jià)值算法研究了管理者在實(shí)際交易中關(guān)注的重點(diǎn)即收益和損失，更真實(shí)地反映了實(shí)際商務(wù)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(yīng)性。

(3)本文考慮的產(chǎn)品屬性以價(jià)格、質(zhì)量、付款期限、售后服務(wù)為例，而實(shí)際商務(wù)談判中企業(yè)可以結(jié)合自身業(yè)務(wù)特點(diǎn)考慮更多的屬性，并為不同重要性的屬性分配權(quán)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(wù)談判問題，具有通用性。企業(yè)管理者可結(jié)合本文提出的模型，結(jié)合自身業(yè)務(wù)特點(diǎn)，開發(fā)出適合自己企業(yè)的商務(wù)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(yīng)的輿情交互及產(chǎn)生結(jié)合，進(jìn)行了初步探索，不足之處如下：

(1)雖然以煤炭行業(yè)供應(yīng)鏈管理為背景進(jìn)行了提議評價(jià)的算例分析，對其實(shí)際應(yīng)用領(lǐng)域進(jìn)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(shè)為主。

(2)仿真實(shí)驗(yàn)是根據(jù)計(jì)算所得前景值設(shè)計(jì)，各參數(shù)是基于本文提出的模型的大量仿真模擬結(jié)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(jì)劃考慮買方Agent的輿情交互及產(chǎn)生，并結(jié)合企業(yè)實(shí)際商務(wù)談判數(shù)據(jù)，設(shè)計(jì)更加合理的仿真實(shí)驗(yàn)參數(shù)，從而更好地驗(yàn)證和完善本文提出的模型。