基于Agent的情感劝说的舆情交互及产生模型

伍京华，陈虹羽，汪文生

(中国矿业大学(北京) 管理学院，北京 100083)

0 引言

随着互联网及电子商务的快速发展，商务智能中的自动谈判对智能化要求越来越高。智能体(Agent)是能够独立决策、自主执行，通过与其他实体交互达成目标的计算机智能系统，具备模拟人的思想、行为等功能，能够在提升谈判智能化程度的同时，进一步降低谈判成本和提高谈判模拟人的理性程度。学者们将Agent引入商务智能中的自动谈判，出现了基于Agent的自动谈判，该领域发展到最近，进一步考虑Agent模拟人的劝说能力，从而进入了智能化更高的阶段，即基于Agent的劝说。情感是人类的重要特征之一，将其作为重要因素引入该领域，能充分利用和发挥Agent模拟人的情感智能特性(简称Agent的情感)，更好地节约企业在商务智能的自动谈判中所需的人力、物力等成本，同时使谈判结果更加拟人化，因此Agent的情感已经成为商务智能领域中自动谈判的研究重点[1-2]。

舆情是指在一定时间和空间内，民众对社会时事热点的态度、观点和情绪变化等的总和[3-4]。Agent的情感能够引发基于Agent的情感劝说的舆情交互及产生的变化，从而影响Agent的舆情更新，并进一步影响基于Agent的情感劝说的过程及结果。因此，研究基于Agent的情感劝说过程中的舆情交互及产生，既能够深入探索Agent模拟人的社会性，又可以充分发挥Agent模拟人的情感特性，从而为基于Agent的情感劝说注入新的活力。

在基于Agent的情感劝说研究中，郭晓宇[5]将情感因子引入Agent模型中，提出了具有情感因子的Agent模型，使Agent的决策行为更符合人类;Salgado等[6]针对Agent情感状态衡量不足，综合考虑了Agent的情感、互动及学习，设计了基于马尔可夫的适应性情感框架模型;Subagdja等[7]针对多个Agent的建议可能会分散用户注意力的问题，提出了基于多Agent的共同意图的劝说模型，从而提升了劝说效率，避免了资源浪费;Wu等[8]划分了基于Agent的劝说中情绪变化的类型，定义了积极情绪变化，构建了基于Agent的积极情绪变化的劝说及相应的评价模型;董学杰[9]将情感看作影响Agent的劝说行为的重要因素，建立了情感劝说的形式化模型，初步探究了Agent的情感对劝说行为的影响;伍京华等[10]将信任与基于Agent的情感劝说相结合，构建了相应的基于Agent的情感劝说的信任识别模型，用于谈判前对合作伙伴的选择，对该领域展开了实质性研究。

从以上研究来看，文献[5-7]考虑了基于Agent的情感量化，但是没有对Agent的情感进行分类及进一步研究，也没有考虑Agent情感的动态变化对于Agent的劝说结果及效率的影响;文献[8]对Agent的情绪进行了划分，并提出了相应模型，但没有考虑Agent的情感的具体量化，更没有考虑情感动态变化的复杂劝说环境下的基于Agent的劝说;文献[9]虽然提出了基于Agent的情感劝说的形式化模型，但是所建立的模型没有进一步考虑Agent的情感变化对于对方Agent的情感的影响，而且所建立的模型仅局限于形式化，说服力度也不够;文献[10]研究了信任影响下的Agent在情感劝说中的合作伙伴选择，但仅对基于Agent的情感劝说进行了初步探索。最重要的是，以上研究都没有考虑基于Agent的情感劝说中的舆情。

在基于Agent的舆情的相关研究中，马宁等[11]基于超网络中异质Agent交互规则的设计，提出了基于超网络的多Agent舆情演化模型，深入总结了Agent网络舆情的演变规律;Fan等[12]基于社会判断的舆论(Social Judgment Based Opinion, SJBO)动力学模型，研究了社会网络和广播网络组成的封闭系统中的Agent的集体劝说，并通过实验表明，广播媒体与反对者之间的竞争对舆情演变起着至关重要的作用;吴鹏等[13]将网民视作Agent，通过研究Agent的记忆、决策和学习，设置了网络舆情中网民群体行为的转换规则，提出了基于状态，算子和结果模型(State, Operator and Result, SOAR)的网民群体负面情感Agent模型;伍京华等[14]考虑了基于Agent的劝说中的舆论，将其划分为积极舆论和消极舆论，并引入形式逻辑理论，构建了基于Agent的劝说中的积极舆论模型及其评价体系，初步将舆论与基于Agent的劝说结合;Monteserin等[15]考虑了影响基于Agent的劝说中参与者的社会因素及信任，结合社会影响最大化理论，提出了基于影响最大化的Agent的劝说模型。

通过对以上文献的进一步梳理，文献[11]仅研究了基于Agent的舆情演化模型，没有考虑到Agent的情感和劝说对舆情的影响;文献[12]考虑了社会网络和广播网络组成的封闭系统中，基于Agent的集体劝说对舆情变化的影响，虽然进一步考虑了Agent的劝说，但仍旧缺乏对Agent的情感的研究;文献[13]考虑了Agent的情感，但仅考虑了Agent的负面情感，对Agent的情感研究尚不全面，并且没有将该模型与基于Agent的劝说相结合;文献[14]将积极舆论与基于Agent的劝说结合，但对舆情的产生研究不够深入，并且缺乏对Agent的情感的研究;文献[15]考虑了Agent的信任因素，但对基于Agent的情感劝说研究不够充分，并且未将该模型与舆情联系起来，更没有考虑Agent的情感变化对舆情交互及产生的影响。

综上所述，针对基于Agent的情感劝说的舆情研究量化研究不够的现状，本文首先界定了相关定义，并依据社会影响理论，识别Agent的社会影响力和Agent的情感是影响舆情交互及产生的两个最重要因素；其次引入前景理论，设计了基于Agent的前景值的情感劝说提议评价算法，同时，考虑HK(Hegselmann-Krause)模型的影响因素，提出了基于HK模型的舆情更新算法，从而构建了基于Agent的情感劝说的舆情交互及产生模型；最后，通过设计煤炭采购的算例，利用MATLAB仿真，构建了基于Agent的情感劝说的群体网络，分析了信任阈值、关系度阈值和说服力3个最重要参数的敏感性，验证了该模型的有效性和可行性。

1 基于Agent的情感劝说的舆情交互及产生模型

1.1 相关定义

定义1基于Agent的情感劝说[10]是研究Agent的情感对劝说结果的影响，由EP(s,r,ep,ei,p)构成。当Agent双方交易时，发送方Agent(s)向接收方Agent(r)发出情感劝说ep(emotional persuasion)，生成提议p(proposal)，使接收方Agent产生情感强度ei(emotion intensity)。每生成一个新的提议即对应着新的情感强度，并且影响提议的最终生成。

定义2基于Agent的舆情[16]由PO(c,a,e,b,t,n)构成，指处于一定时间t(time)及社会网络n(network)中的全体Agent，针对同一事件表达的对该事件的所有认知c(cognition)、态度a(attitude)、情感e(emotion)和行为倾向b(behavior)的集合。

定义3基于Agent的情感劝说的舆情[14]由EPPO(di,de,ev,po)构成，指在基于Agent的情感劝说中，买方Agent群体对同一个卖方Agent形成不同的评价，通过买方Agent彼此间交互，传播者di(disseminator)可能对其他Agent的评价产生的影响，使其他Agent产生传递该评价信息的意愿de(desire)，由此达成的买方Agent对卖方Agent的统一评价ev(evaluation)，即为舆情po(public opinion)。

1.2 影响因素

本文在文献[10,17]的基础上，依据社会影响理论[18]，分析得出基于Agent的情感劝说中，舆情交互及产生的两个最重要的影响因素为Agent的社会影响力和Agent的情感。

1.2.1 Agent的社会影响力

社会影响[19]，是指因与其他个体互动，使人的生理状态和主观感受、动机和情感、认知和信念等方面发生的变化。由此可见，在基于Agent的情感劝说中，Agent的社会影响对其中的舆情交互及产生影响较大，故本文进一步结合社会影响理论，定义其中Agent的社会影响力如下：

定义4Agent的社会影响力[18]。随机选取Agenti，拥有邻居Agentj(j≠i)，γij(t)=1表示Agenti与Agentj在t时刻发生了交互。此时，二者关系度Rij∈[0,1]，Agentj的说服力为Pj∈[0,1]，则Agentj对Agenti的社会影响力为SIij=PjRij。

其中，关系度Rij是指在γij(t)=1时，Agenti与Agentj的亲疏程度，Rij越大，表示二者关系越亲近；Pj是指Agentj说服Agenti，使其接受舆情的能力。

1.2.2 Agent的情感

定义5Agent的情感[20]。随机选取Agenti，拥有邻居Agentj(j≠i)，二者在谈判中因对方提议及自身性格而在t时刻产生不同情感Eij(t)；kij为Agenti的舆情坚定度，是指其与Agentj进行交互后保持自身提议评价不变的程度，1-kij则表示Agenti受其他Agent影响改变提议评价的程度，假设舆情坚定度为kij∈[0,1]，社会影响力SIij∈[0,1]，则当Agenti与Agentj的舆情差距在信任阈值内时，Agentj产生的情感Eij(t)如下：

(1)

其中g1+g2=1，g1和g2分别为二者对舆情的影响权重，采用有代表性的专家打分法确定[21]。

1.3 模型

为构建合理有效的基于Agent的情感劝说的舆情交互及产生模型，首先要构建合理有效的提议评价算法，其次要设计合理有效的舆情更新算法，通过两者紧密结合，实现Agent在情感劝说中的舆情交互及产生，从而进一步保证并提高基于Agent的情感劝说完成的智能化程度。基于此，本文引入前景理论，利用相对差值来衡量Agent的偏好及心理，构建基于Agent的前景值的情感劝说提议评价算法[17,22-23]，并基于HK模型，引入以上影响因素，给出基于HK模型的舆情更新算法[24]。

1.3.1 基于Agent的前景值的情感劝说提议评价算法

为构建该算法，首先假设如下：

(1)A={Agents,AgentbN}表示Agent主体，Agents为卖方，即供货商代表，AgentbN为买方，即采购商群体;

(2)N=(1,2,…,n)表示买方Agent的数量；

(3)I={价格,质量,付款期限,售后服务}表示情感劝说提议的属性集合；

(5)U=(U1,U2,…,Un)表示情感劝说提议属性的效益集合，Uj表示第j个属性的效益值；

(6)EU=(E1,E2,…,Em)表示买方Agent的期望效益集合，Ei表示第i个属性的效益阈值；

(7)C=(C1,C2,…,Cm)表示情感劝说提议属性的成本集合，Ci表示第i个属性的成本；

(8)EC=(E1,E2,…,Em)表示卖方Agent的期望成本集合，EC表示第c个属性的成本阈值；

(9)μ={μ1,μ2}表示效益及成本属性的情感权重集合，μ1+μ2=1，μ越大，则该属性越重要[25]。

其次，根据情感强度第一定律，可得其中Agent的情感强度的算法如下[26]：

ei=kmlog(1+Δp),

(2)

(3)

(4)

(5)

式(5)中的ximin,ximax分别为提议的最小值和最大值。

再次，先不考虑Agent的情感，根据前景理论，可得相应的前景值即提议评价值算法如下：

(1)如提议的属性为效益型，则相应的前景值即为提议评价值

(6)

式中：v(Δxij)表示Agent的收益或损失程度，通过式(7)计算；πij(ωp)表示相应权重，通过式(8)计算。

(7)

(8)

其中：参数α和β分别为收益和损失在该公式中的凹凸程度;λ为损失规避系数;γ,δ为风险态度系数。

(2)同理，如提议的属性为成本型，相应的前景值即提议评价值

(9)

式中πij(ωp)也根据式(8)计算，v(Δxic)则根据式(10)计算：

(10)

因此，综合考虑提议的属性(包括效益与成本属性)，则相应的前景值即提议评价值为：

Vi(x)=μ1Viu(x)+μ2Vic(x)。

(11)

由于Vi(x)是只考虑提议属性求出来的前景值即提议评价值，并没有考虑Agent的情感，而本文的研究需要进一步考虑Agent的情感，由此得出考虑Agent的情感的前景值即提议评价值

Vie(x)=eVi(x)。

(12)

综上所述，最后得出基于Agent的前景值的情感劝说提议评价算法为以上两者之和，即

V(x)=Vi(x)+Vie(x)=(1+e)Vi(x)。

(13)

1.3.2 基于HK模型的舆情更新算法

HK模型是基于有界信任的观点动力学模型，当用户的初始观点值为xi∈[0,1]，用户i的观点与用户j的观点差距小于等于信任阈值时，即|xi(t)-xj(t)|≤εi，用户i在下一时刻的新观点为交互集合内的用户观点的平均值，循环执行直到舆情更新稳定。其舆情更新规则为：

(14)

I(i,x(t))={1≤j≤n|

|xi(t)-xj(t)|≤εi}。

(15)

目前来看，文献[27]提出的HK模型考虑了Agent的舆情接受程度，更加贴近Agent的舆情交互及产生规律。因此，本文在此基础上，引入Agent的社会影响力及情感这两个重要影响因素，同时考虑Agent的个性，设计模型中相应的舆情更新算法如下：

首先，构建Agentj对Agenti的舆情影响程度为：

(16)

式中：Eij(t)为由Agenti引发的Agentj的情感；xi(t)、xj(t)分别为Agenti和Agentj在t时刻的提议评价值，εi表示Agenti的信任阈值，其值越小，Agent越不易受他人影响；σ为较小的正实数，即当i=j时，式(16)仍有效。

其次，考虑信任阈值εi、关系度阈值δ，可得Agentj对Agenti的舆情影响权重算法如下：

ωij(t)=

(17)

再次，对式(16)进行归一化处理后，进一步将Agentj对Agenti的舆情影响权重算法改进如下：

(18)

最后，引入Agent的个性，考虑Agenti对舆情的坚定度kij，xi(0)为初始提议评价值，得出Agenti的舆情更新算法为：

(19)

2 算例

为验证以上模型，本文假设煤炭行业供应链管理中的供货商Agents与多个采购商的AgentbN正在就某种煤炭的采购，通过基于Agent的情感劝说进行商务智能中的自动谈判，其中的提议包括价格(元)、质量(分)、付款期限(d)和售后服务(分)。首先，假设双方谈判的初始提议取值如表1和表2所示，且当V(x)≥0.5时，双方达成一致(因为平均期望为0.5，且舆情交互及产生最后趋近于0.5，所以该值设置为0.5更符合实际)；其次，根据文献[10]，取km=1；再次，根据文献[22]，取α=β=0.88，λ=2.25；最后，根据文献[28]，取γ=0.61，δ=0.69。

表1 供货商Agents可接受的提议取值范围

表2 采购商Agentb1和Agentb2的提议值

由上述提出的模型，可得谈判结果，如表3所示。

表3 采购商Agentb1和Agentb2的提议前景值即评价值

续表3

此时Vb2(x)>0.5，Vb1(x)>0.5，双方达成一致，且Vb1(x)=0.530 25、Vb2(x)=0.535 5。

当采购商Agentb1和Agentb2交互的初始评价值分别为0.530 25，0.535 5时，εi=0.27，δ=0.5，Pj=0.5，g1=g2=0.5，Rij服从[0,1]的均匀分布，kij服从均值η=0.5，方差ν=0.15的正态分布，且σ=0.01，λ=0.000 001，进行舆情交互如图1所示。

由图1可知，随着迭代次数的增加，两个舆情分支逐渐靠近收敛，并在第8次迭代后形成一致的舆情，且收敛状态下的舆情值稳定在[0.533,0.544]区间。具体来说，本文提出的舆情交互及产生模型能够逐渐收敛，且收敛速度较快，使得形成的前景值更加真实，更符合自动劝说环境下的提议评价以及舆情交互和产生特点，从而能更好地发挥Agent的智能性。

3 分析

为体现上述模型效果，本文首先借助MATLAB，构建N=100的基于Agent的情感劝说群体网络；其次根据文献[29]，假设提议评价值之和为1，且服从[0,1]的均匀分布，将其归一化后按比例缩放；再次根据文献[30]，假设Rij服从随机均匀分布，kij服从均值η=0.5，方差ν=0.15的正态分布，且σ=0.01，λ=0.000 1，进行相应的仿真模拟。

3.1 与HK模型的对比分析

为与HK模型进行对比分析，本文假设Agent数量、初始舆情、迭代次数及信任阈值等参数相同，将εi统一设置为0.27，同时为了最小化其他因素的影响，将本文提出的模型参数δ及说服力Pj均设置为0.01，得出舆情交互及产生结果如图2和图3所示。

由图2和图3可以看出，在相同信任阈值条件下，两者最终都呈现出收敛形态，且收敛状态下的舆情值均在0.5左右，但两者的收敛速度与形态不同。具体来说，HK模型中的Agent在前期个体交互较激烈，经过5次分化为3种舆情簇，各个舆情簇逐渐靠近，经过15次迭代收敛成一致舆情；本文提出的模型则经过50次迭代逐渐形成3个舆情簇，并且随着迭代次数的增加，各舆情簇逐渐收敛，从第250次迭代开始快速靠近，最终收敛于统一的舆情值。由此可见，本文提出的模型虽然收敛速度慢于HK模型，但形成的舆情簇更明确，并且各个舆情的比例更均匀，同时中立舆情占大多数，更符合该环境下的舆情交互及产生特征，从而能更好地发挥基于Agent的情感劝说的智能化优势。

3.2 敏感性分析

为进一步说明所提模型的合理性和有效性，本文选取其中较为重要的信任阈值、关系度阈值和说服力这3个参数，分别进行敏感性分析。

3.2.1 信任阈值的影响

当说服力为0.5时，该参数对舆情交互及产生过程的影响变得十分有限，舆情簇变化不明显，因此，说服力为0.5时舆情交互及产生最为稳定。此外，为了弱化关系度的影响，设定δ=0.1，Pj=0.5，信任阈值ε分别取0.01，0.08，0.14和0.27，得到仿真结果如图4所示。

观察图4可知，Agent的舆情随信任阈值取值不同而呈现出不同的交互及产生形态。当信任阈值取值很小且ε<0.14时，舆情收敛在稳定状态下逐渐分化；当0.14≤ε<0.27时，舆情交互及产生在较为稳定的状态下形成了两种对立，即出现了极化；当ε≥0.27时，舆情收敛于0.5左右，提议前景值即评价值在不同信任阈值下呈现出不同的取值，且其中的舆情值随信任阈值的增大而减少。

3.2.2 关系度阈值的影响

说服力与关系度的变量取值不一，导致舆情出现不同比例的变化，因此假设信任阈值ε=0.1，则在δ分别为0.6，0.7，0.8，0.9时，舆情交互及产生收敛如图5所示。

由图5可知，当δ<1时，在有限时间内的舆情交互及产生总能达成一致，提议前景值即评价值的取值总是最后落于0.5附近。另外，随着关系度阈值δ的增加，舆情交互及产生的收敛时间逐渐增加，而在达成一致前，基于Agent的情感劝说中的Agent群体的舆情交互及产生的收敛时间逐渐缩减。

3.2.3 说服力的影响

为研究说服力对舆情交互及产生收敛的影响，假设δ=0.5，ε=0.1，说服力Pj分别取0，0.4，0.7和1[31]，得到的仿真结果如图6所示。

由图6可见，无论说服力如何变动，舆情交互及产生的收敛最终均出现分化的形态，呈现出不同的舆情簇，提议前景值即评价值均为几个不同的取值区间。当Pj∈[0,0.7]时，稳定状态下舆情交互及产生的收敛数随Pj的增大而减少；但当Pj∈(0.7,1]时，该变量对舆情交互及产生过程的影响变得有限，达到稳定状态时的舆情簇随Pj的增大变化不明显，且说服力越接近1，收敛时间越长，即达到稳定状态所需时间越长。

综合以上实验结果，并进一步对其归纳和总结，可得出在基于Agent的情感劝说过程中：

(1)无论变量如何变动，舆情相近的Agent会逐渐靠拢，即均会形成几个舆情一致的群体，并各自达成一致。

(2)Agent群体在关系度阈值及信任阈值的作用下逐渐靠拢，最终达成一致。

(3)信任阈值对舆情簇的影响更大，即信任阈值的增加会使得各Agent群体间的舆情交互及产生的收敛时间变短。

(4)说服力对舆情的影响程度一般，即随着说服力的增加，舆情数变化不明显。

综上可知，本文提出的基于Agent的情感劝说的舆情交互及产生模型涉及的过程更复杂和激烈，得到的舆情收敛、对立和分化等结果充分考虑了信任阈值等因素的影响，因此更好地刻画了商务智能环境下基于Agent的情感劝说中的舆情交互及产生过程，使谈判过程和结果更符合实际。

4 研究结论、管理启示及不足之处

4.1 研究结论

本文将基于Agent的情感劝说与相应的舆情交互及产生结合，展开了一定程度的研究。与已有研究相比，做出的改进及得出的结论如下：

(1)提出了基于Agent的情感劝说的舆情的定义，并将舆情产生与基于Agent的情感劝说相结合，考虑了买方Agent的提议前景值即评价值的交互对于卖方提议评价的影响，研究了舆情交互及产生过程中的舆情更新算法即如何产生新的舆情，以及舆情产生之后如何影响卖方提议的前景值即评价值。

(2)引入前景理论，构建了基于Agent的前景值的情感劝说提议评价算法，针对情感对于提议评价值的影响进行了量化计算。不同于效用理论，前景理论从相对收益和相对损失的角度考虑Agent的情感，而收益和损失正是参与智能谈判的Agent所关注的重点。因此，本文所提出的提议评价算法既能更好反映Agent的实际情感变化，还能更好反映买卖双方Agent的情感对结果的影响。

(3)引入HK模型，考虑Agent的社会影响力和情感这两个最重要的影响因素，并基于这两个因素进行量化分析，对该模型进行改进，从而给出了相应的舆情更新算法，使该算法更具有针对性，并进一步研究了Agent的情感、劝说和舆情的相关性，使该算法更符合商务智能环境下基于Agent的情感劝说特征，从而使谈判过程更加理性，并使最终的谈判结果更加客观。

(4)在基于Agent的情感劝说中考虑了舆情的交互及产生的影响。现实商务智能环境下的自动谈判交互中，买方决策时会考虑其他与卖方合作过的主体的评价值，并调整自己的提议评价值。因此，采用本文所提出的基于Agent的情感劝说的舆情交互及产生模型进行模拟，可以得到更加符合人的情感劝说提议的前景值即评价值，从而更好地反映其中的舆情对提议评价值的影响，更符合实际。

4.2 管理启示

商务智能中基于Agent的情感劝说适用于模拟现实中企业之间的商务谈判，在极大节约谈判成本的基础上更加理性和智能地解决企业的实际商务谈判问题。本文结合其中的Agent的舆情交互及产生对此展开研究，构建了相应模型，得出以下管理启示：

(1)本文提出的模型将Agent的情感、劝说及舆情融入了商务智能的自动谈判中进行模拟，使自动谈判更符合人的理性，从而辅助企业管理者在进行实际商务谈判时做出对企业更有利的决策。

(2)本文提出的提议评价值算法研究了管理者在实际交易中关注的重点即收益和损失，更真实地反映了实际商务谈判中管理者对收益和损失的情感变化及影响，提高了自动谈判的自适应性。

(3)本文考虑的产品属性以价格、质量、付款期限、售后服务为例，而实际商务谈判中企业可以结合自身业务特点考虑更多的属性，并为不同重要性的属性分配权重，具有较好的灵活性。

(4)本文提出的模型也适用于其他行业商务谈判问题，具有通用性。企业管理者可结合本文提出的模型，结合自身业务特点，开发出适合自己企业的商务智能自动谈判系统，提高企业管理效率。

4.3 不足之处

本文将基于Agent的情感劝说与相应的舆情交互及产生结合，进行了初步探索，不足之处如下：

(1)虽然以煤炭行业供应链管理为背景进行了提议评价的算例分析，对其实际应用领域进行了初步探索，但没有充分考虑买方Agent的舆情交互及产生，且采用的数据以假设为主。

(2)仿真实验是根据计算所得前景值设计，各参数是基于本文提出的模型的大量仿真模拟结果，但由于问题分析需要，其中所取参数值偏低，对舆情交互及产生的收敛速度的提升效果不佳。

因此，下一步计划考虑买方Agent的舆情交互及产生，并结合企业实际商务谈判数据，设计更加合理的仿真实验参数，从而更好地验证和完善本文提出的模型。