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：

$f(x) = \left\{ \begin{array}{l} {\left[ {1 + \alpha {{(x - \beta )}^{ - 2}}} \right]^{ - 1}},\quad1 \leqslant x \leqslant 3 \\ a\ln x + b,\quad3 < x \leqslant 5 \\ \end{array} \right.$

(1)

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：

$\left\{ {\begin{array}{*{20}{l}} {f(5) = 1} \\ {f(3) = 0.8} \\ {f(1) = 0.01} \end{array}} \right.$

(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

$f(x) = \left\{ \begin{array}{l} {\left[ {1 + 1.108\;6{{(x - 0.894\;2)}^{ - 2}}} \right]^{ - 1}},\quad1 \leqslant x \leqslant 3 \\ 0.391\;5\ln x + 0.369\;9,\quad3 < x \leqslant 5 \\ \end{array} \right.$

(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

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 ${\rm{Agent}} = $ $ ({\rm{Agen}}{{\rm{t}}_1},{\rm{Agen}}{{\rm{t}}_2}, \cdots ,{\rm{Agen}}{{\rm{t}}_n})$ ，每个被评价Agent都有m个被评价的信任指标，相应集合为 $E = $ $ \left( {{e_1},{e_2}, \cdots ,{e_m}} \right)$ ，被评价Agent的信任指标 ${e_j}$ 的值为 ${u'_{ij}}$ (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。

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 ${u_{ij}}{\rm{ = }}\max {u'_{ij}} - {u'_{ij}}$ 进行计算^[26]，整理得到正向化矩阵U为

${{U}} = \left[ {\begin{array}{*{20}{c}} {{u_{{\rm{11}}}}\begin{array}{*{20}{c}} {{u_{{\rm{12}}}}}&{} \end{array}}& \cdots &{{u_{{\rm{1}}m}}} \\ \vdots &{}& \vdots \\ {{u_{n{\rm{1}}}}\begin{array}{*{20}{c}} {{u_{n{\rm{2}}}}}&{} \end{array}}& \cdots &{{u_{nm}}} \end{array}} \right]$

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 ${w_{ij}} = {{{u_{ij}}} / {{{\bar u}_j}}}$ ，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

${{W}} = \left[ {\begin{array}{*{20}{c}} {{w_{{\rm{11}}}}\begin{array}{*{20}{c}} {{w_{{\rm{12}}}}}&{} \end{array}}& \cdots &{{w_{{\rm{1}}m}}} \\ \vdots &{}& \vdots \\ {{w_{n{\rm{1}}}}\begin{array}{*{20}{c}} {{w_{n{\rm{2}}}}}&{} \end{array}}& \cdots &{{w_{nm}}} \end{array}} \right]$

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 $ {w}_{i0}=\max\left({u}_{i1},{u}_{i2},\cdots , {u}_{nm}\right) $ ，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

${\gamma _{ij}} = \frac{{\mathop {\min }\limits_n \mathop {\min }\limits_m \left| {{w_{i0}} - {w_{ij}}} \right| + \rho \mathop {\max }\limits_n \mathop {\max }\limits_m \left| {{w_{i0}} - {w_{ij}}} \right|}}{{\left| {{w_{i0}} - {w_{ij}}} \right| + \rho \mathop {\max }\limits_n \mathop {\max }\limits_m \left| {{w_{i0}} - {w_{ij}}} \right|}}$

(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

${{G}} = \left[ {\begin{array}{*{20}{c}} {{{{\gamma}} _{{\rm{11}}}}\begin{array}{*{20}{c}} {{{{\gamma}} _{{\rm{12}}}}}&{} \end{array}}& \cdots &{{{{\gamma}} _{{\rm{1}}m}}} \\ \vdots &{}& \vdots \\ {{{{\gamma}} _{n{\rm{1}}}}\begin{array}{*{20}{c}} {{{{\gamma}} _{n2}}}&{} \end{array}}& \cdots &{{{{\gamma}} _{nm}}} \end{array}} \right]$

1.2.2 权重计算

首先，根据公式 ${y_{ij}} = \dfrac{{{u_{ij}} - \min ({u_i})}}{{\max ({u_i}) - \min ({u_i})}}$ 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

${{Y}} = \left[ {\begin{array}{*{20}{c}} {{{{y}}_{11}}\begin{array}{*{20}{c}} {{{{y}}_{12}}}&{} \end{array}}& \cdots &{{{{y}}_{{\rm{1}}m}}} \\ \vdots &{}& \vdots \\ {{{{y}}_{n{\rm{1}}}}\begin{array}{*{20}{c}} {{{{y}}_{n{\rm{2}}}}}&{} \end{array}}& \cdots &{{{{y}}_{nm}}} \end{array}} \right]$

其次，根据标准矩阵计算各信任指标信息熵为

${Q_j} = - \frac{1}{{\ln n}}\sum\limits_{i = 1}^n {\frac{{{y_{ij}}}}{{\displaystyle\sum\limits_{i = 1}^n {{y_{ij}}} }}\ln \frac{{{y_{ij}}}}{{\displaystyle\sum\limits_{i = 1}^n {{y_{ij}}} }}} $

(5)

最后，计算各信任指标权重为

${Z_j} = \frac{{1 - {Q_j}}}{{m - \displaystyle\sum\limits_{j = 1}^m {{Q_j}} }}$

(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

${D_i} = f(x)\sum\limits_{j = 1}^m {{Z_j}{\gamma _{ij}}} $

(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。

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

$\begin{aligned} &\left| {{\rm{87 + 85 - 83}} \times {\rm{2}}} \right|{\rm{ + }}\left| {{\rm{88 + 75 - 88}} \times {\rm{2}}} \right| {\rm{ + }} \cdots {\rm{ + }} \\&| {\rm{88 + 85 -}} 77 \times {\rm{2}} |= {\rm{ 104}} \end{aligned}$

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

$\begin{aligned} {\rm{104}} \div \left( {{\rm{104 + 118 + 72}}} \right){\rm{ = 0}}{\rm{.35}} ; {\rm{118}} \div ( 104 + 118 + 72 )= \\ {\rm{ 0}}{\rm{.40}} ;{\rm{72}} \div \left( {{\rm{104 + 118 + 72}}} \right){\rm{ = 0}}{\rm{.24}}\quad\quad\quad\quad \end{aligned}$

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，Agent₁的最终评分为 ${\rm{0}}{\rm{.35}} \times {\rm{83 + 0}}{\rm{.4}} \times $ $ {\rm{87 + 0}}{\rm{.24}} \times {\rm{85 = 85}}{\rm{.10}}$ ，同理计算得到卖方Agent对买方Agent₂到Agent₁₀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。

由表2得到分析矩阵为

${{{U}}_{\rm{0}}} = \left[ {\begin{array}{*{20}{c}} {\rm{2}}&{\rm{7}}&{{\rm{15}}}&{{\rm{2 30\;0}}}&{{\rm{85}}{\rm{.10}}}&{{\rm{15}}} \\ {\rm{3}}&{\rm{4}}&{{\rm{17}}}&{{\rm{1 10\;0}}}&{{\rm{83}}{\rm{.03}}}&{{\rm{10}}} \\ {\rm{9}}&{\rm{2}}&{{\rm{26}}}&{{\rm{3 20\;0}}}&{{\rm{84}}{\rm{.12}}}&{\rm{2}} \\ {\rm{7}}&{\rm{8}}&{{\rm{21}}}&{{\rm{2 80\;0}}}&{{\rm{80}}{\rm{.25}}}&{\rm{9}} \\ {\rm{4}}&{\rm{6}}&{{\rm{20}}}&{{\rm{2 50\;0}}}&{{\rm{86}}{\rm{.27}}}&{{\rm{12}}} \\ {\rm{1}}&{\rm{5}}&{{\rm{12}}}&{{\rm{1 40\;0}}}&{{\rm{85}}{\rm{.14}}}&{\rm{4}} \\ {\rm{5}}&{\rm{1}}&{{\rm{30}}}&{{\rm{3 50\;0}}}&{{\rm{81}}{\rm{.73}}}&{\rm{7}} \\ {\rm{9}}&{\rm{6}}&{{\rm{18}}}&{{\rm{2 50\;0}}}&{{\rm{83}}{\rm{.09}}}&{\rm{9}} \\ {\rm{8}}&{\rm{7}}&{{\rm{10}}}&{{\rm{1 70\;0}}}&{{\rm{86}}{\rm{.65}}}&{\rm{5}} \\ {{\rm{12}}}&{\rm{4}}&{{\rm{16}}}&{{\rm{2 40\;0}}}&{{\rm{80}}{\rm{.75}}}&{\rm{5}} \end{array}} \right]$

正向化得到：

${{U}} = \left[{\begin{array}{*{20}{c}} {\rm{2}}&{\rm{1}}&{{\rm{15}}}&{{\rm{2 30\;0}}}&{{\rm{85}}{\rm{.10}}}&{{\rm{15}}} \\ {\rm{3}}&{\rm{4}}&{{\rm{17}}}&{{\rm{1 10\;0}}}&{{\rm{83}}{\rm{.03}}}&{{\rm{10}}} \\ {\rm{9}}&{\rm{6}}&{{\rm{26}}}&{{\rm{3 20\;0}}}&{{\rm{84}}{\rm{.12}}}&{\rm{2}} \\ {\rm{7}}&{\rm{0}}&{{\rm{21}}}&{{\rm{2 80\;0}}}&{{\rm{80}}{\rm{.25}}}&{\rm{9}} \\ {\rm{4}}&{\rm{2}}&{{\rm{20}}}&{{\rm{2 50\;0}}}&{{\rm{86}}{\rm{.27}}}&{{\rm{12}}} \\ {\rm{1}}&{\rm{3}}&{{\rm{12}}}&{{\rm{1 40\;0}}}&{{\rm{85}}{\rm{.14}}}&{\rm{4}} \\ {\rm{5}}&{\rm{7}}&{{\rm{30}}}&{{\rm{3 50\;0}}}&{{\rm{81}}{\rm{.73}}}&{\rm{7}} \\ {\rm{9}}&{\rm{2}}&{{\rm{18}}}&{{\rm{2 50\;0}}}&{{\rm{83}}{\rm{.09}}}&{\rm{9}} \\ {\rm{8}}&{\rm{1}}&{{\rm{10}}}&{{\rm{1 70\;0}}}&{{\rm{86}}{\rm{.65}}}&{\rm{5}} \\ {{\rm{12}}}&{\rm{4}}&{{\rm{16}}}&{{\rm{2 40\;0}}}&{{\rm{80}}{\rm{.75}}}&{\rm{5}} \end{array}} \right]$

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}} \!\!=\! \left[ {\begin{array}{*{20}{r}} \!\!\! {{\rm{0}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.810\;8}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.982\;9}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.016\;8}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.923\;1}}}\!\!\! \\ \!\!\! {{\rm{0}}{\rm{.500\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.918\;9}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.470\;1}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.992\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.282\;1}}}\!\!\! \\ \!\!\! {{\rm{1}}{\rm{.500\;0}}}\!\!\!&\!\!\!{{\rm{2}}{\rm{.000\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.405\;4}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.367\;5}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.005\;1}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.256\;4}}} \!\!\!\\ \!\!\! {{\rm{1}}{\rm{.166\;7}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.000\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.135\;1}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.196\;6}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.958\;9}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.153\;8}}}\!\!\! \\ \!\!\! {{\rm{0}}{\rm{.666\;7}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.666\;7}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.081\;1}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.068\;4}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.030\;7}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.538\;5}}} \!\!\!\\ \!\!\! {{\rm{0}}{\rm{.166\;7}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.000\;0}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.648\;6}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.598\;3}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.017\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.512\;8}}} \!\!\!\\ \!\!\!{{\rm{0}}{\rm{.833\;3}}}\!\!\!&\!\!\!{{\rm{2}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.621\;6}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.495\;7}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.976\;5}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.897\;4}}}\!\!\! \\ \!\!\! {{\rm{1}}{\rm{.500\;0}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.666\;7}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.973\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.068\;4}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.002\;4}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.153\;8}}}\!\!\! \\ \!\!\! {{\rm{1}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.540\;5}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.726\;5}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.035\;4}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.641\;0}}}\!\!\! \\ \!\!\! {{\rm{2}}{\rm{.000\;0}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.333\;3}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.864\;9}}}\!\!\!&\!\!\!{{\rm{1}}{\rm{.025\;6}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.964\;8}}}\!\!\!&\!\!\!{{\rm{0}}{\rm{.641\;0}}} \!\!\! \end{array}} \right]$

3)由初始化矩阵得到理想合作Agent₀的指标为 ${w_{i0}} = (2.000\;0,2.333\;3,1.621\;6,1.495\;7,1.035\;4, 1.923\;1)$ ，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。

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：

${{Y}} = \left[ {\begin{array}{*{20}{r}} {{\rm{0}}{\rm{.09}}}&{{\rm{0}}{\rm{.14}}}&{{\rm{0}}{\rm{.25}}}&{{\rm{0}}{\rm{.50}}}&{{\rm{0}}{\rm{.76}}}&{{\rm{1}}{\rm{.00}}} \\ {{\rm{0}}{\rm{.18}}}&{{\rm{0}}{\rm{.57}}}&{{\rm{0}}{\rm{.35}}}&{{\rm{0}}{\rm{.00}}}&{{\rm{0}}{\rm{.43}}}&{{\rm{0}}{\rm{.62}}} \\ {{\rm{0}}{\rm{.73}}}&{{\rm{0}}{\rm{.86}}}&{{\rm{0}}{\rm{.80}}}&{{\rm{0}}{\rm{.88}}}&{{\rm{0}}{\rm{.60}}}&{{\rm{0}}{\rm{.00}}} \\ {{\rm{0}}{\rm{.55}}}&{{\rm{0}}{\rm{.00}}}&{{\rm{0}}{\rm{.55}}}&{{\rm{0}}{\rm{.71}}}&{{\rm{0}}{\rm{.00}}}&{{\rm{0}}{\rm{.54}}} \\ {{\rm{0}}{\rm{.27}}}&{{\rm{0}}{\rm{.29}}}&{{\rm{0}}{\rm{.50}}}&{{\rm{0}}{\rm{.58}}}&{{\rm{0}}{\rm{.94}}}&{{\rm{0}}{\rm{.77}}} \\ {{\rm{0}}{\rm{.00}}}&{{\rm{0}}{\rm{.43}}}&{{\rm{0}}{\rm{.10}}}&{{\rm{0}}{\rm{.13}}}&{{\rm{0}}{\rm{.76}}}&{{\rm{0}}{\rm{.15}}} \\ {{\rm{0}}{\rm{.36}}}&{{\rm{1}}{\rm{.00}}}&{{\rm{1}}{\rm{.00}}}&{{\rm{1}}{\rm{.00}}}&{{\rm{0}}{\rm{.23}}}&{{\rm{0}}{\rm{.38}}} \\ {{\rm{0}}{\rm{.73}}}&{{\rm{0}}{\rm{.29}}}&{{\rm{0}}{\rm{.40}}}&{{\rm{0}}{\rm{.58}}}&{{\rm{0}}{\rm{.57}}}&{{\rm{0}}{\rm{.54}}} \\ {{\rm{0}}{\rm{.64}}}&{{\rm{0}}{\rm{.14}}}&{{\rm{0}}{\rm{.00}}}&{{\rm{0}}{\rm{.25}}}&{{\rm{1}}{\rm{.00}}}&{{\rm{0}}{\rm{.23}}} \\ {{\rm{1}}{\rm{.00}}}&{{\rm{0}}{\rm{.57}}}&{{\rm{0}}{\rm{.30}}}&{{\rm{0}}{\rm{.54}}}&{{\rm{0}}{\rm{.08}}}&{{\rm{0}}{\rm{.23}}} \end{array}} \right]$

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 $ {z}_{j} $ 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

$ \begin{array}{l} {D_{\rm{1}}}{\rm{ = }}{f_{\rm{1}}}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{{\rm{1}}j}} = } {\rm{2}}{\rm{.55}},\;{D_{\rm{2}}}{\rm{ = }}{f_{\rm{2}}}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{2j}} = } {\rm{3}}{\rm{.76}}\\ {D_{\rm{3}}}{\rm{ = }}{f_{\rm{3}}}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{3j}} = } {\rm{4}}{\rm{.69}},\;{D_4}{\rm{ = }}{f_4}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{4j}} = } {\rm{3}}{\rm{.83}}\\ {D_{\rm{5}}}{\rm{ = }}{f_{\rm{5}}}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{5j}} = } {\rm{4}}{\rm{.84}},\;{D_6}{\rm{ = }}{f_6}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{6j}} = } {\rm{4}}{\rm{.17}}\\ {D_7}{\rm{ = }}{f_7}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{7j}} = } {\rm{2}}{\rm{.82}},\;{D_8}{\rm{ = }}{f_8}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{8j}} = } 0.0{\rm{5}}\\ {D_9}{\rm{ = }}{f_9}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{9j}} = } {\rm{4}}{\rm{.68}},\;{D_{10}}{\rm{ = }}{f_{10}}\displaystyle\sum\limits_{j = 1}^m {{Z_j}{\gamma _{10j}} = } 4.{\rm{03}} \end{array} $

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。

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。

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。