基于Agent的情感劝说的信任识别模型研究论文

基于Agent的情感劝说的信任识别模型研究

伍京华，张富娟，许陈颖

（中国矿业大学（北京）管理学院，北京 100083）

摘要：由于Agent系统的分布式特征，使得传统的安全手段已经不适用于新的应用需求，而解决该问题最重要的思路是信任管理，其基础之一就是信任识别。本文在 Agent情感劝说的背景下，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，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Agent的决策提供大力的支持。

关键词：Agent情感劝说；证据理论；关系网；信任识别

0 引言

随着互联网技术和经济的发展，组织之间的交易变得越来越频繁，谈判作为交易中必不可少的商务活动也变得越来越重要，信息作为重要资源对谈判的成功与否起着至关重要的作用^[1]。基于Agent的谈判方式由于融入了先进的信息技术，极大地提高了谈判的效率，因此越来越受人们的推崇。但由于Agent系统的开放性和不确定性，Agent系统在被广泛应用的同时也遇到了许多问题，信任是其中重要问题之一^[2]。主体之间的信任是开展一切交易的前提，作为商务系统抽象及实施的多智能体系统，Agent间的信任实际是这些商务主体间的信任，Agent反映的是这些商务主体的行为^[3]。相较于以往博弈论^[4]和启发式的研究方法，具有劝说机制的Agent谈判允许Agent在谈判中模拟人类的劝说行为，在谈判过程中提供自己接受或者拒绝提议的论据，并通过劝说的方式影响对手的谈判偏好，因此能较好解决该问题，更受青睐^[5]。

在多Agent系统中，Agent往往代表着不同的组织或用户，为了成功交互，这些Agent需要与其它Agent相互合作、协调和协商以实现其目标^[6]。这就要求多 Agent系统中能对交互方的信任度进行度量，而Agent的信任度值一般通过信任模型进行计算度量。目前信息技术领域对信任的研究有很多，如赵书良^[7]提出了一种基于信用和关系网的 Agent系统体系，其中对信任合作伙伴的选取中，在一定程度上抑制了恶意推荐、协同作弊等现象；张高旭^[8]在信心-信誉模型的基础上提出了多属性评价的信任模型，将直接信任和间接信任进行组合，在计算直接信任时考虑了人的行为是动态性的，引入时间遗忘因子，对于间接信任，主要参考推荐者的推荐信息；杨兴燚^[9]针对多 Agent系统引入信任评估机制，建立信任模型，着重解决信任获取问题，建立了多Agent的信任信息获取与集结的新模型，并且将原有的信任机制与自动谈判系统相结合。S Ramchurn^[10]在信任模型的计算中综合直接信任和间接信任信息，使用模糊集的方法来估价目标 Agent的信任度值。Ghusoon Salim Basheer^[11]提出基于Agent的信心模型，整合了信心的两个因素，即信任和确定性，并用两者交互的记录作为验证Agent信任和确定性的证据。

基于Agent劝说的代表研究有Leila Amgoud^[12]等基于形式逻辑理论，提出了Agent劝说中常用的威胁和奖励的模型及评价算法；杨佩^[13]等基于经济学中的多属性效用理论，提出信念修正算子的概念，通过对该算子的计算和比较，对信念进行量化和排序，提出了相应的Agent劝说方法。

情感因子的引入促使Agent谈判过程更加人性化，董学杰^[14]将情感因素引入辩论谈判中，并将情感作为一种影响Agent的外部因素，探讨了情感对于Agent评价及决策的问题。R Santos^[15]等在基于Agent群体决策支持系统中引入情感特征，对Agent协商过程予以改进。

在多Agent系统中合作伙伴选择方面的研究主要代表有Wang Shixian^[16]等，认为合作伙伴选择是虚拟企业成功的关键因素之一，其在原有信任模型基础上，使用模糊算法来计算Agent的初始值，而不是静态定义。曹聪梅^[17]等提出了基于多Agent的合作伙伴选择系统的框架，定义了Agent的结构，确定了Agent间交互作用的方式，包括协商目标、协商协议和推理模型，以提高合作伙伴选择的效率和质量。

综上所述，文献[4~8]针对Agent中的信任问题提出了相关模型，在信任评价中使用的是单一评价因素；文献[9,10]对Agent劝说的方式、交互机制以及评价体系进行了一定的研究，但不够深入和系统；文献[11,12]中将情感作为一种影响因子引入Agent辩论谈判中，使谈判过程更加拟人化。文献[14]对原有的信任模型进行了改进，提高了信任管理模型的合作效率；文献[15]将具有自治性软件 Agent引入合作伙伴选择中，提高了合作伙伴选择的效率。

那么，在脱贫成效评估中，如何才能做到精准呢？可以通过 “大数据”与 “小数据”相结合，并辅以 “个别访谈”的方法实现。所谓 “大数据”评估，是涵盖所有评估对象的 “普查”；而 “小数据”则是涵盖部分评估对象的 “抽查”。运用 “大数据”评估，可以掌握宏观层面的脱贫状况；而运用 “小数据”，则可以掌握微观层面的脱贫状况；与此同时，对脱贫户进行 “个别访谈”，则可以进一步补充、完善 “评估数据”的不足之处，做到 “精准”“无遗漏”。于是，通过现代数据技术与传统评估技术的结合，可以实现脱贫成效的精准测算。

测试方法：以4个标记构成测试路线，4个标杆形成十字，直线距离为5m，十字的中点位置放置标记作为信号接收的起点和信号应答完毕后的终点。受试者站立于中点位置，根据随机信号指令完成4个不同方向的触杆动作。在该项指标测试中，受试者需完成的触杆次数为4次，跑动距离为10m，不仅能够反映出受试者视觉信号的搜索能力、信号的应答速度，也能够体现出受试者在完成动作时肢体的协调配合、动作的高效组织能力。指标测试以速度为核心，计算受试者根据信号指示准确完成相应的应答动作的时间。

步骤6:若i=n,算法结束,计算定位误差:其中EROi表示每个未知节点的定位误差;平均定位误差用节点通信半径归一化后的相对定位误差表示,EROAVE表示平均定位误差,(xR(i),yR(i))和(xE(i),yE(i))分别表示第i个未知节点的实际坐标和估计坐标,n表示未知节点总数。

1 信任信息的获取及相关定义

1.1 信任信息获取

在开放的Agent系统中，为了实现自己的目标，需要从大量潜在的Agent中选择最为可靠的Agent进行交互。判定一个Agent是否可靠，首先需要搜集其特征信息。Agent的特征信息一般分为两种：一是与目标Agent的直接交互信息，有直接信息计算而得直接信任，如图1，A与B、B与C、C与D是直接信任关系；二是其他Agent对交互方Agent的推荐信息，有推荐信息计算而得间接信任，如图2，A与C、A与D是间接信任；本文中的推荐信息是由Agent关系网络获得。

图1 直接信任

图2 间接信任

Agent关系网络是为了达到某种特定目的，Agent与Agent间进行交流的网络。Agent通过关系网获得所需要的信息，并在群体中建立起信任机制，促进关系网中Agent的合作^[18]。在关系网中信息流动性大，信息接受者多是合作双方的潜在合作伙伴，一旦在某次交易中出现违约或者不符合规范的行为，在关系网中会有相关记录，将影响这些潜在合作伙伴对该违约方的看法，加大其违约成本，甚至使违约方在关系群体中无法立足，从而减小了潜在的合作风险，为关系网中成员提供安全保障。因此在Agent关系网络中寻找目标Agent推荐者可以在一定程度上避免恶意推荐^[6]。

为了信任信息获取的便捷性和可靠性，在实际操作中，企业之间可以通过Agent模拟相应的关系网络，建立以信任联盟为基础的基于Agent的情感劝说系统，供所有成员企业在实际交易中进行关于目标Agent间接信任信息的查询与使用，从而更好实现信任信息的共享。该类系统能集合多个企业的实际交易信息，参与信任信息分享的企业都可以从中获得自身所需要的关于其他目标企业的实际交易信息，进而更好地实现间接信任信息的计算，为企业成功筛选目标企业提供详细信息。因此，从该角度来说，各企业愿意分享自身的交易信息，这一点在赵书良^[19]的博士论文中也已经通过系统仿真进行了一定程度的说明和验证。

根据上述讨论，SPP在图5所示的螺旋波导中传播一周，场分布在波前所在横截面中整体旋转B=-2π(1-cosφ)角度.显然，如果SPP传播N周，场分布会旋转NB=-2πN(1-cosφ)角度，这个旋转角度还不是相位，接下来我们从场分布的旋转和SPP本征模表达式出发推导出几何相位.上述波导中的n阶SPP场量都具有如下形式：

1.2 相关定义

在 Agent双方交易中所获得的交易记录，利用Dempster-Shafer证据理论对交易方进行信任评价，其原理是利用各自独立的理论通过组合得出一致性结果^[20]，下面是对所用到的证据理论进行简要介绍。

如果用T 表示Agent可信任，¬T 表示Agent不可信任，设θ 是一个识别框架，且θ = {T ,¬T }。

定义1：令θ 为一个识别框架，函数m满足2^θ → [0,1]，且满足

则 m 称为基本概率分配函数（Basic Probability Assignment，BPA），其中2^θ 是θ 的幂集，∅为空集，对于本文问题，有：

Dempster合成规则（Dempster’s combinational rule）也称为证据合成公式，其定义如下。

定义2：对于∀A ⊆θ ，θ 上的两个mass函数m ₁，m ₂的Dempster合成规则为：

其中k为归一化常数

信任函数也称为信度函数（Belief function）。

（湖南省中国特色社会主义理论体系研究中心湘潭大学基地研究员廖永安、王聪如是说，《光明日报》，2018年11月14日）

定义3：在识别框架θ 上基于概率分配函数m的信任函数为:

定义4：Agent情感包括性格、心情、情绪三个层次，是描述Agent具有稳定而深刻社会含义的感性反映，表示Agent对事物的态度，愉悦是情绪中最具代表性的一种，Agent愉悦度是对愉悦这种情绪的一种量化。

2 基于Agent的情感劝说的信任识别模型

（1）直接信任

本模型中，直接信任是由交易双方直接交互而建立起的局部信念。由于信任不并不是由单一方面引起的，而是一个组合的概念，由多种因素组合考虑的结果，且在组合信任时权重的分配有不同的方法。在本模型中，选取影响信任的主要因素有：往日交易中货物的质量、是否能在规定时间内供货完成的程度，在往日的交易中劝说的力度以及每次交易过程和完成的结果的愉悦度作为一次评价的四个属性，以下简称质量、供货度、劝说力度和愉悦度，在组合信任时其权重分配如图3所示。

图3 信任的本体性及权重分配

即可将基于 Agent的信任模型表示为：T {a ⇒b } = {Q ,G ,P ,E }，其中Q代表每次提供货物的质量，G代表每次供货度，P代表每次交易过程中的劝说力度，E代表每次交易的愉悦度。

假设买方为Agenta，卖方为Agentb，Agentb为Agenta供了h次货物，即C ={c 1,c 2,c 3 ,...,ch },Agenta对每次得到的货物质量、供货度、劝说力度和愉悦度进行定级^[21]，定级是对交易完成后各属性量化的一种方式，等级可取O = {0.1,0.2,0.3...,1}内的离散值。

统计得到的 h次货物的质量的直方图q(x) ，其中x ∈O ,q(x) 表示质量等级为x的货物所占的比率，因此，所有q(x) 之和为1，买方要设定两个门限值，即χ_i 和δ_i ，且0 ≤ χ_i ≤1，0 ≤δ_i ≤1，χ_i ≥δ_i 。同理得到供货度等级的直方图为g(x) ，买方给出的交货期的两门限值为α_i 和β_i ，且0 ≤ α_i ≤ 1,0 ≤ β_i ≤ 1,β_i ≥α_i ；劝说力度等级的直方图为p(x) ，买方给出的劝说力度的门限值为γ_i 和η_i ，且0 ≤ γ_i ≤ 1,0 ≤ η_i ≤ 1,η_i ≥γ_i ，每次交易的愉悦度等级的直方图e(x) ，门限值为λ_i 和μ_i ，且0≤λ_i ≤ 1,0≤ μ_i ≤ 1,μ_i ≥λ_i 。基于信任的本体性，给出基于证据的信任度的计算：

定义5：在基于Agent情感劝说中，Agent根据自身在劝说中所具有的知识、经验、技能等，将根据往常交易所留下的交易记录对对方的信任进行计算，并以量化的方式进行比较，这种经过计算而得出的信任值的大小称为基于证据的信任度。

买方Agenta在选择卖方Agent时对其信任度同样设定两个门限值分别为ω_i 和 Ω_i ，且0≤ω_i ≤ 1，0 ≤ Ω _i ≤ 1，ω _i ≥ Ω_i 。对 于 鉴 别 框 架 中 θ = {T ,¬T }的T 和 ¬T ,有 信 任 函 数Bel({T }) = m({T })及Bel({¬T })= m({¬ T })。因此，根据买卖两方直接交互所产生的直接信任度为：

（2）间接信任模型

根据Agent间的直接交互历史计算信任度固然是一个可靠的途径，然而当仅仅依靠Agent间的直接交互历史来估计目标Agent的信任度是危险的^[22,23]。当Agent与目标Agent间的直接交互次数较少，这时仅依靠直接交互历史计算目标Agent的信任度显然是不可靠的^[24]。因此，在Agent劝说系统中，出现以上情况时，Agent可以借助Agent关系网络中其他Agent的推荐信息来进行判断。

前面对Agent关系网络已经做了介绍，由于Agent关系网络有很强的的规则性，因此利用Agent关系网络中推荐人的推荐信息^[26]，其可信度会相对较高，在Agent关系网络中，同一个目标Agent可能会有多个推荐者推荐，按照与Agentb交互次数由多到少排序，选择出与Agentb交互次数在规定最少交互次数之上的推荐者^[27]。

当有多位Agent推荐目标Agent时，要考虑该Agent与目标Agent曾经发生的交互次数，选择推荐者时要着重考虑其余目标Agent的交互次数，交互次数越多，其推荐信息可信度越高^[25]。

传感器供5V直流电，输出信号经三极管来控制负载。当感知人进入感应范围输出高电平，离开时自动延时关闭高电平后输出低电平。调节距离电位器和延时电位器可调整感应距离和延时长短，本项目中逆时针旋转距离电位器以减少感应距离，顺时针旋转延时电位器以加长延时。

本模型中使用 Dempster-Shafer证据理论中的组合规则来组合 Agent关系网中推荐者的推荐信息，从而得到目标Agent的间接信任度。如果Agenta估价Agentb的信任度，当有多位推荐者推荐时，根据Dempster-Shafer证据理论中的组合规则，有以下运算：

假设：Agent1与Agentb的直接交互有n₁次；

Agent2与Agentb的直接交互有n₂次；

Agent3与Agentb的直接交互有n₃次；

...

Agentn与Agentb的直接交互有n_n次。

一个月的时间，先后有96名县人大代表、274名镇人大代表回到原选区进行述职评议，其中县人大代表全部采用了口头述职的方式。已述职的96名县人大代表全部为称职以上评价，其中来永峰等23名县人大代表的得票全部为优秀。

设l =n ₁+n ₂+...+n_n ，m_n ({T })表示推荐者 Agentn对Agentb的基本概率数分配函数（其中n=1,2,3...），其有效信任函数为m_n ({T })。

根据推荐者的累计信任，可以得到对Agentb的总信任函数为：

防盗门事件直接关系到两家人的声誉，吕凌子是个聪明人，不到万不得已，她绝不会将事情的全部经过和盘托出，最多点到为止。

对于识别框架θ = {T ,¬T }中的T 和¬T ，Bel和m是等价的，即Bel_b ({T }) = m_b ({T })，因此Agenta对Agentb产生的信任度为：

1932年，Binham提出黏度的倒数具有加和性，并经过实验验证，如式(2)。可以看出，该模型预测精度会随着组分油品的黏度比增大而显著降低，特别不适合两种组分油黏度相差大的油品混合后黏度的预测[4]。1992年，李闯文通过13组实验结果对该模型进行预测，发现结果并不理想，在此基础上提出一种改进模型，如式(3)。

（3）直接信任-间接信任模型

（3）Agenta对Agentb1的信任度值

利用公式（10）计算目标Agentb的信任度时，也要考虑实际交互过程中，当Agenta与Agentb直接交互达到一定程度时，Agenta则主要依赖自身的交互；而当 Agenta直接交互较少时，Agenta则更多的依赖Agent关系网络中其他Agent的推荐信息^[30]，因此，公式（10）中，使用动态权重因子 d和1-d在计算目标Agentb的信任度时是非常重要的，d的定义如下^[31]：

①Agentc1对Agentb1信任度的计算。

3 算例分析

为了对以上模型进行阐述，假设煤炭行业供应链管理中的采购商（买方）和供应商（卖方）之间正在就褐煤产品进行交易，有多个卖家和买家在进行褐煤的销售和购买，出于时间成本、交易对象选择的正确定以及谈判效率的考虑，选择本模型进行交易对象的筛选。

表1 卖方与Agenta的直接交互次数和推荐者个数

假设买方 Agenta和卖方 Agentb1，Agentb2和Agentb3有交互历史，但交互历史未达到可以估价交互方信任度的最小值Z _min，三个卖方与Agenta的直接交互次数和推荐者分别如表1所示。

设定Z _min为15次，Agenta设定的信任度值的两个门限值_iω 和Ω_i 分别为0.4和0.7；针对质量设定的两个门限值_iχ 、iδ 为0.3和0.5；针对在规定时间内完成交货的程度等级的_iα 、iβ 为0.6和0.8；劝说力度等级的的门限值_iγ ，_iη 为0.5和0.7；愉悦度等级的门限值_iλ ，_iμ 为0.6和0.9。本模型中对于每位推荐者只考虑其与相应Agent的直接交互所产生的信任度，以下是对卖方Agentb1的信任度进行计算的整个过程：

根据表4的统计，其直方图如图12—图15所示。

表2 与Agentb1七次直接交互中质量等级和交货完成程度等级

根据表2，其直方图如图4—图7所示。

图4 Agentb1供货质量等级直方图

图5 Agentb1规定期限内交货完成程度等级直方图

图6 Agentb1劝说力度等级直方图

图7 Agentb1愉悦度等级直方图

根据表2拟定数据和直方图统计频数，Agenta对Agentb1信任评价的计算为：

即由于 Agenta和 Agentb1的直接交互产生的信任度值为：I (a ⇒b ) = Bel({T }) = m({T }) = 0.629。

（2）Agenta由其他推荐者对Agentb1产生的信任度

关于Agentb1有三位推荐者Agentc1，Agentc2，Agentc3，与其直接交互有7次，16次，20次。以下是对各推荐者对Agentb1的信任度的计算。

其中，为Agenta与Agentb的直接交互次数，Z _min为只用于直接交互来计算交互方（Agentb）信任度的最少交互次数，对不同的交互Z _min具有不同的取值，且取值大小根据买方对直接信任和间接信任的信赖情况。

表3 Agentc1与Agentb1七次直接交互中质量等级和交货完成程度等级

根据表3，其直方图如图8—图11所示。

对于紫斑病的防治可以通过在发病初期喷75%百菌清可湿性粉剂600倍液、70%代森锰锌可湿性粉剂500倍液、50%扑海因可湿性粉剂1500倍液、40%的大富丹可湿性粉剂500倍液等药剂的轮换使用，每隔一周以上时间喷施一次。连续喷施4次即可。

图8 Agentc1供货质量等级直方图

图9 Agentc1规定期限内交货完成程度等级直方图

图10 Agentb1劝说力度等级直方图

图11 Agentb1愉悦度等级直方图

根据表 3拟定数据和直方图统计的质量等级频数，Agentc对Agentb1信任评价计算为：

即由于Agentc1和Agentb1的直接交互产生的信任度值为： Bel₁({T }) = m₁({T }) = 0.543。

②推荐者Agentc2对Agentb1信任度的计算。

表4 Agentc2与Agentb1直接交互中质量等级和交货完成程度等级

（1）Agenta与卖方Agentb1的直接交互信任度值计算

图12 Agentb1供货质量等级直方图

图13 Agentb1规定期限内交货完成程度等级直方图

图14 Agentb1劝说力度等级直方图

图15 Agentb1愉悦度等级直方图

根据表4拟定的数据和直方图的统计结果，其信任评价计算如下：

2.智能网联汽车软件、算法、地图等的更新升级，需要由汽车制造商或软件供应商及时发布通知，提醒用户自己更新升级，因用户未能及时更新升级，交通肇事罪发生的根源在于用户的疏忽，推定用户有过错，应由用户来承担法律责任；

即由于Agentc2和Agentb1的直接交互产生的信任度值为： Bel₂({T }) = m₂({T }) = 0.719。

表5 Agentc3与Agentb1直接交互中质量等级和交货完成程度等级

③推荐者Agentc3对Agentb1信任度的计算。

根据表5的统计，其直方图如图16—图19所示。

本文在基于上述研究的基础上，结合现实生活中，人们往往会从多个角度去评估某个产品或某项服务，因此本文利用多维度评价信息，将情感和劝说引入信任识别模型中，多维度的评价信息让本模型不同于传统模型的单一因素评价，充分利用了用户的多维度评价信息，且情感和劝说的加入，让整个模型更能适应复杂和动态的谈判环境；运用 Dempster-Shafer证据理论，并引入动态权重因子将直接信任和间接信任进行组合形成更准确的评价；利用 Agent关系网络选取目标 Agent推荐者，可以有效避免恶意推荐；因此，本模型能准确选出信任合作伙伴，同时在一定程度上促进Agent间的信任，较大程度的提高Agent选取合作伙伴的效率，使Agent谈判顺利进行，具有一定的理论和实际应用价值。

图16 Agentb1供货质量等级直方图

图17 Agentb1规定期限内交货完成程度等级直方图

图18 Agentb1劝说力度等级直方图

图19 Agentb1愉悦度等级直方图

根据表5拟定的数据和直方图的统计结果，其信任评价计算如下：

即由于Agentc3和Agentb1的直接交互产生的信任度值为： Bel₃({T }) = m₃({T }) = 0.85。

由Dempster-Shafer证据理论中的组合规则，

其中经过计算，则

故由推荐者提供的 Agentb1的可信任度值为

女人俯身柜台，一款款地打量着。花奴站在柜台内，热情地招呼女人。女人看哪款，花奴就讲解哪款，一口一个姐，叫得亲热。女人只是看，不说话。玉敏从女人进店起，便一直尾在女人身后，热情招呼着。玉敏是店长助理，带班的。带班的不用站柜台，就站在店堂内。女人到了钻石柜，玉敏给花奴递了个眼色，自己仍站在女人右侧，帮衬着花奴。罗兰金店有这么个规矩，顾客挑选商品时，必须有两个店员同时接待，一内一外，相帮相衬。两张巧舌，更易激发顾客的消费欲，说服顾客的可能性更大一些。

T =dI (a ⇒b ) + (1 - d )Re(a ⇒b )，由于买卖双方的直接交互

模型中Agent的信任由两部分组成，即直接信任和间接信任^[28]。Agenta与Agentb进行交易，假设Agenta要对Agentb的信任度进行计算，既要考虑a，b之间的直接交互所得的直接信任度，也要考虑 Agent关系网络中其他 Agent对目标Agentb的间接信任值^[29]，即：

由直接信任-间接信任模型均为达到Z _min=15（次），因此买方Agenta对Agentb1的信任度值为：

对于，Aagentb2假设其两位推荐者分别与其进行交互的次数为18次和15次，根据以上模型计算出Agenta对Agentb2的直接信任度值为I_{b 2}(a ⇒b ₂ ) = 0.76，k=0.807,间接信任度值为,将以上数值带入直接信任-间接信任公式中得：

Agentb3的三位推荐者分别与其进行交互了 14次、19次和8次，根据本模型，计算出Agenta对Agentb3的直接信任度值为 I_{b 3}⁽a ⇒b ₃ ) = 0.778，k=0.763,间接信任度值为,将以上数值带入直接信任-间接信任公式中得：

以上是根据模型计算出的买方 Agenta对卖方 Agentb1，Agentb2和Agentb3的信任度值分别为0.952，0.815和0.86。从以上结果来看，Agenta对 Agentb1的信任度值更大，即认为Agentb1的更可信，最终Agenta会选择Agentb1进行此次交易。

4 研究结论

以Agent之间的直接交互历史，结合Agent关系网络中其他Agent对目标Agent的推荐信息，以动态权重因子将直接信任和间接信任进行组合，在计算信任时，考虑了信任是一个组合概念，引入往日交互中目标Agent的劝说及情感因素，与前人研究相比，本文研究做出的改进和得出的结论总结如下：

流域的径流量变化主要受两个因素的影响：一为降水强度与其空间分布，二为流域内区域的人为活动强度。由于人为活动对流域径流的影响具有显著的时空差异，因此流域水文过程具有趋势性、阶段性的特点。将本研究的研究对象设定为年径流系数序列，是为了减少由降水强度差异引起的流域径流变化，分析人为活动引起的流域年径流变化的阶段性。本研究采用的分析方法为：有序聚类法、序列滑动平均法等。

（1）基于信任的本体性利用多维度评价信息。本文基于信任的本体性，即信任是由多种因素组合而成，选取双方交易中影响信任的最主要因素，即供货的质量、在规定时间内供货完成程度、交易中的劝说力度以及交易中双方合作的愉悦度，充分利用双方交易中的四个维度的评价信息，从而完成对服务者的可信性度量，并且提高其适用性和灵活性。

（2）将直接信任和间接信任以动态权重因子进行组合，更贴近实际。在信任信息收集时同时考虑了直接信任和间接信任，并且在两者组合时引入动态权重因子d，即随着交易双方直接交互次数不同，权重是不同的。例如当买方与目标Agent之间有充足的交互经验，会倾向赋予直接信任一个较大的权重。以动态权重因子进行组合，可以使结果更贴近实际。

（3）引入情感和劝说影响因素，使模型更具有人工智能的特性，更加能适应动态复杂的环境。在实际生活中，双方在谈判过程中一定会用到劝说，劝说的力度也正是表明劝说方合作愿望的强烈程度，而双方交易的愉悦度也表明买方对合作结果的满意度，将这两个因素引入信任模型中，使模型在计算时考虑到人情感因素，计算结果更切实际。

（4）利用Agent关系网络寻找推荐者，很大程度上避免恶意推荐。本文利用 Agent关系网络寻找推荐者，是因为Agent关系网络中信息流动性较大，信息接受者多是合作双方的潜在合作者，合作一方的违约或是不符合规范的行为，都将会在下次合作时影响交易方对其看法，因此，在 Agent关系网络中的Agent的违约成本是很大的，在一定程度上可以避免被恶意推荐或者在合作中出现违约行为。

（5）通过每次交易后对各属性的定级，利用第一手材料获取信任评价，是一种简单有效的方法。每次交易后对服务或货品的质量、在规定时间内的供货完成程度、在交易过程中的劝说力度和对交易过程和结果的愉悦度定级，经过多次服务累计下来的等级信息，获得目标Agent的信任评价，这种简单而行之有效的方法提高了合作伙伴的选择效率。

5 管理启示

（1）目前，人们对人工智能普遍关注度较高，使得人工智能成为了研究热点之一。基于Agent的情感劝说系统作为自动谈判领域的最新代表，因为进一步考虑了Agent在人工智能方面的情感特性，更好将其在人工智能方面的的优势进行挖掘，并应用于实际商务谈判中，所以能更好更高效的解决远程、异地或有时差等企业谈判中的实际问题。但是在现有的很多企业实际系统中，对Agent的人工智能优势尤其是情感特征并未挖掘和利用，导致企业管理者难以体会到该系统的优势。本文的研究充分考虑了这一点，并结合实际谈判中谈判人员的情感展开研究。实际操作中，建议企业管理者在开发使用该类系统前，充分理解和掌握采用该类系统能给企业带来的实际效益和好处，同时能将其作为本企业管理理念，对企业所有人员进行培训，使基于Agent的情感劝说系统能更好在企业管理中得到实际开发和应用。

（2）通过对企业的实际关系网络进行梳理和 Agent模拟，形成确定的信任联盟，并以此为基础，开发相应的基于Agent的情感劝说系统，使企业愿意并主动将交易信息分享给第三方，进而更好实现企业间信任关系的筛选和建立。在现今基于Agent的情感劝说系统中，直接信任信息的获取可以依据企业与目标Agent直接交易记录获得，但是间接信任息的获取渠道是有限的，而且获取信息的可靠性也有待考证，这就在一定程度上限制了该类系统的发展和应用。鉴于此，在实际应用中，建议企业管理者结合企业自身特点，通过Agent模拟本企业关系网络形成的信任联盟，并以此为基础，建立为各企业提供信任信息分享及获取的系统，为以后交易中获取目标企业的信任信息及能成功可靠的筛选交易合作伙伴提供渠道和保障。在该系统中，还应建立相应的激励机制，以使成员企业更愿意和主动分享自身的交易信息，例如对于主动分享自身交易信息的的企业，可给予其查看其它一定量企业的交易信息（如10条）作为激励。

参 考 文 献

[1]张明清, 范涛, 唐俊,等. 基于 Agent分布式系统信任模型仿真[J].计算机工程与设计, 2014, 35(9):3202-3206.

[2]柯小路. 证据理论中信任函数的合成方法研究与应用[D]. 中国科学技术大学, 2016.

[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 Human Behavior, 2015, 45:307-315.

[4]Yu H, Shen Z, Leung C, et al. A Survey of Multi-Agent Trust Management Systems[J]. IEEE Access, 2013, 1(1):35-50.

[5]伍京华, 蒋国瑞, 孙华梅,等. 基于Agent的辩论谈判过程建模与系统实现[J]. 管理工程学报, 2008, 22(3):69-73.

[6]赵书良, 蒋国瑞, 黄梯云. 基于信用和关系网的Multi-agent System信任体系[J]. 计算机工程, 2006, 32(8):198-200.

[7]赵书良, 蒋国瑞, 黄梯云. 一种Multi-agent System的信任模型[J].管理科学学报, 2006, 9(5):36-43.

[8]张高旭. 基于多属性评价的信任模型研究[D]. 天津大学, 2016.

[9]杨兴燚. 基于多 Agent信任机制的电子商务谈判系统研究[D]. 厦门大学, 2014.

[10]Ramchurn S, Jennings N, CARLESSIERRA, et al. Devising a trust model for multi-agent interactions using confidence and reputation[J].Applied Artificial Intelligence, 2004, 18(9-10):833-852.

[11]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 Human Behavior, 2015, 45:307-315.

[12]Leila Amgoud, Henri Prade. Handling threats, rewards and explanatory arguments in a unified setting. In International Journal Of Intelligent Systems, Wiley periodical Inc. 2005,20 (12): 1195-1218.

[13]杨佩, 高阳, 陈兆乾. 一种劝说式多 Agent多议题协商方法[J]. 计算机研究与发展, 2006, 43(7):1149-1154.

[14]董学杰. 基于情感模型的辩论谈判系统研究[D]. 北京工业大学,2013.

[15]Santos R, Marreiros G, Ramos C, et al. Personality, Emotion, and Mood in Agent-Based Group Decision Making[J]. IEEE Intelligent Systems, 2011, 26(6):58-66.

[16]Wang S, Wei S. Research on multi-agent system based trust model of partner selection of virtual enterprise[C]// International Conference on Networked Digital Technologies. IEEE, 2009:512-514.

[17]曹聪梅, 甘仞初, 吴菊华,等. 基于多Agent的合作伙伴选择协商模型[J]. 计算机工程与设计, 2006, 27(4):629-632.

[18]栾玉琪. 基于 Agent模型的社会推荐系统分析研究[D]. 华中师范大学, 2016.

[19]赵书良.多智能体合作理论与方法及其在商务智能中的应用[D]. 北京工业大学, 2006.

[20]Hang C W, Zhang Z, Singh M P. Shin: Generalized Trust Propagation with Limited Evidence[J]. Computer, 2013, 46(3):78-85.

[21]孙怀江. 开放多Agent系统信任管理中的信任获取方法研究[J]. 计算机工程与应用, 2004, 40(29):135-138.

[22]隋新, 蔡国永, 史磊,等. 多 Agent合作中的信任模型研究[J]. 计算机工程, 2010, 36(24):116-118.

[23]王玲玲, 童向荣. 基于多目标优化的多Agent信任联盟模型[J]. 济南大学学报(自然科学版), 2015, 29(5):350-354.

[24]彭泽洲. 基于社会网络与声誉信任机制的移动多 Agent系统信任模型[J]. 计算机应用与软件, 2012, 29(8):190-192.

[25]黄巧华, 黄穗. 基于多Agent的医疗信任模型的模拟[J]. 计算机应用与软件, 2011, 28(5):129-130.

[26]Xu X, Bessis N, Cao J. An Autonomic Agent Trust Model for IoT systems [J]. Procedia Computer Science, 2013, 21:107-113.

[27]Shi Z T, Zeng J C. Agent-Based Enterprise Relationship Network Evolving Model[J]. Journal of Taiyuan University of Science &Technology, 2014.

[28]贺利坚, 黄厚宽. MAS中信任和信誉系统的研究进展[J]. 计算机科学, 2011, 38(4):1-8.

[29]陈广福. 多 Agent系统环境下动态信任模型研究[D]. 桂林电子科技大学, 2011.

[30]Bagheri E, Zafarani R, Barouni-Ebrahimi M. Can reputation migrate?On the propagation of reputation in multi-context communities[J].Knowledge-Based Systems, 2009, 22(6):410-420.

[31]王平. 多Agent系统中的信任模型研究[D]. 西南师范大学 西南大学, 2005.

Research on trust recognition model of emotional persuasion based on Agent

WU Jing-hua，ZHANG Fu-juan，XU Chen-ying
（School of Management, China University of Mining and Technology, Beijing 100083, China）

Abstract: With the development of Internet technology and economy, transactions between organizations have become more and more frequent. As a necessary business activity, negotiation has become more and more important. Information, as an important resource, plays a vital role in the success of the negotiation.The negotiation mode based on Agent has greatly improved the efficiency of negotiation because of its integration into advanced information technology.However, because of the openness and uncertainty of the Agent system, the Agent system has also encountered many problems at the same time, and trust is one of the most important problems. In multi- Agent systems, Agent often represents different organizations or users, and in order to succeed, these Agent need to cooperate, coordinate and negotiate with other Agent to achieve their goals. This requires that the multi-Agent system can measure the trust degree of the interactive side, and the trust value of Agent is calculated by the trust model. The trust recognition model is established in this paper, and the appropriate partner is selected by this model.

Under the background of Agent's emotional persuasion, using the multi dimension evaluation information and the Agent relation network and using the Dempter-Shafer evidence theory, the trust recognition model of emotional persuasion based on Agent is put forward, and the dynamic weighting factor is introduced to combine the direct interaction information and the recommendation information to calculate the comprehensive trust value of the partners. From that, we can find out suitable partners to provide strong support for Agent's decision making. The validity of the model is proved by an example.

With the direct interaction history between Agent and the recommendation information of other Agents on the target Agent in the Agent relationship network, direct trust and indirect trust are combined with dynamic weighting factors. In computing trust, trust is considered as a combination concept, and the persuasion and emotional factors of target Agent in the interaction of the past are introduced. In comparison with human studies, the improvements and conclusions drawn from this study are summarized as follows:

(1) Trust is a combinatorial concept and uses multi-dimensional evaluation information. This article is based on the ontology of trust, that is, trust is composed of many factors. The main factors that affect the trust of both parties are the quality of supply, the degree of supply completion in the prescribed time,the persuasion in the transaction and the pleasure of the cooperation between the two parties in the transaction, and the four dimensions of the transaction are fully utilized. The evaluation information, which completes the trustworthiness measurement of the service providers, improves its applicability and flexibility.

(2) Direct trust and indirect trust are combined by dynamic weight factors, which is more close to reality. Direct trust and indirect trust are considered in the collection of trust information, and the dynamic weighting factor D is introduced in the combination of the two, that is, the weight is different with the number of direct interaction between the two parties. For example, when the buyer and target Agent have sufficient interaction experience, they will tend to give direct trust a larger weight. The combination of dynamic weight factors can make the results closer to reality.

(3) Introducing emotion and persuasion influence factors to make the model more intelligent and adaptable to dynamic and complex environment. In real life, persuasion must be used in the process of negotiation. The strength of persuasion is also a strong degree of persuasion. The pleasure of the two parties also shows the satisfaction of the buyer with the results of the cooperation. The two factors are introduced into the trust model to make the model consider the emotional factors in the calculation. The calculation results are more practical.

(4) Using Agent relational network to find recommender, to a large extent, avoid malicious recommendation. In this paper, the Agent relationship network is used to find the referer, because the information mobility of the Agent network is large, the information receiver is the potential collaborator of the two parties,and the breach of the cooperative party or the behavior that does not conform to the standard will affect the view of the transaction party in the next cooperation.Therefore, in the Agent relations network the default cost of Agent is very large, to a certain extent, and it can avoid malicious recommendation or breach of contract in cooperation.

(5) It is a simple and effective way to get the trust evaluation by first hand material after grading each attribute of every transaction. After each transaction,key attributes, such as the quality of the service or goods, the degree of delivery completion within the specified time, the persuasion in the process of transaction, the degree of pleasure in the transaction process and the outcome, and the hierarchical information accumulated over a number of services to obtain the trust evaluation of the target Agent, can be used to improve partner selection efficiency.

Key words: Agent emotional persuasion; Evidence theory; Relational network; Trust recognition

中文编辑： 杜 健；英文编辑： Charlie C. Chen

中图分类号：TP315; TP181

文献标识码：A

文章编号：1004-6062(2019)02-0219-008

DOI：10.13587/j.cnki.jieem.2019.02.026

收稿日期：2018-04-17

修回日期：2018-05-27

基金项目：中央高校基本科研业务费专项资金资助项目（2009QG03）

作者简介：伍京华（1978—），男，江西高安人；中国矿业大学（北京）管理学院副教授，硕士生导师；研究方向：Agent理论与方法、市场营销、供应链金融、农村金融等。

标签：Agent情感劝说论文;  证据理论论文;  关系网论文;  信任识别论文;  中国矿业大学(北京)管理学院论文;