基于Agent 的情感勸說輿論評價模型

康靖雯 史曉霖 王甜

（中國礦業大學(北京)管理學院 北京市 100083）

隨著電子商務的快速發展，商務智能中自動談判的智能化、靈活化已成為大勢所趨。Agent 自動談判作為人工智能領域的重要代表，具有自主性、靈活性、擬人化等特點，使談判智能化，大幅降低談判成本，同時解決了談判的時間、空間上的約束，提高談判效率。在后疫情時代的大背景下，全球電商行業快速發展，Agent 所擁有的天然優勢滿足了電商發展的智能化需求，成為促進雙方交易的重要幫助。

情感是人的重要特征之一[1]，它除了對人的內部造成影響外， 還會對人的外部活動產生影響，即對相關事物的內在評價和受到感觀刺激后的外在反應。有學者將情感體驗劃分為兩個維度[2]，即激勵和喚起維度。Damasio 認為，人的情感可劃分為初級情感和二級情感，初級情感是接受環境刺激后、深入思考之前所產生的情感，二級情感是進一步邏輯推理所產生的。

輿論是公眾關于現實社會以及社會中的各種現象、問題所表達的信念、態度、意見和情緒表現的總和，是一定范圍內持同種觀點的Agent 形成一定規模后出現的，輿論中的用詞也包含著發出方Agent 對于輿論客體的情感和評價。奧爾波特指出，輿論是人類個體的行動的表現，是多數人的表達，它受到目標與情景的刺激和引導。嚴石將輿論定義為社會生活中卻踢的一致性意見，它是一種社會的思想，具有支配人們行為的權威性和約束力。輿論具有豐富性、一致性、強烈程度和持續性三個特性，在其傳播過程中也混雜著理性和非理性的部分。客觀來看輿論本身會對Agent 談判造成內部和外部的雙重影響，這種影響又會一定程度上影響Agent 雙方的談判決策。

綜上，對Agent 情感和輿論方面的研究都較為成熟，積累了大量的研究成果。在Agent 情感研究方面，宿云[3]研究了智能Agent 本體模型并基于OCC 模型，它是對事件、對象、Agent 等綜合而成的結果，他提出了一種多智能體誘發邏輯模型，根據電腦信號測量用戶情感；彭程[4]建立了一種多智能體情感驅動的強化學習方法，通過多智能體間的情感交流使得群體決策一致，在輿論的分析方面，伍京華[3]將輿論分為積極和消極兩類，運用形式邏輯理論,盡力基于Agent 的勸說中的積極輿論模型的評價體系,實現將Agent的勸說與輿論相結合。

本文從輿論的情感傾向評價入手，利用算法計算輿論的情感值，進而判別輿論的情感傾向。其次，綜合考量Agent的情感態度和交易雙方的性格及輿論的情感傾向，結合性格因素利用OCC 模型對情感進行量化，而后針對不同情況，分別制定恰當的勸說策略，從而大幅提高談判效率，降低雙方的談判成本。

1 模型

輿論是Agent 設置情感勸說目標和確立情感勸說決策的重要因素，對輿論進行評價有利于確保其準確性。首先，需要對輿論文本進行預處理，確保文本規范化和標準化；其次，對處理后的與論文本進行情感分析，確立輿論的情感傾向；再次，依據Agent 的感知價值確定其是否有合作意愿；最后，若Agent 有合作意愿，則依據輿論情感分析傾向和Agent 自身情感分別確定交易目標和做出勸說行為。

1.1 輿論的文本預處理

輿論信息千變萬化，從網絡直接爬取到的文本信息往往面臨著詞語、格式等不規范的問題，因此，我們需要依據具體情況，對原始輿論信息的文本進行預處理。

1.1.1 原始文本提取與優化

在針對事件選取輿論時，我們需要利用計算機技術進行網絡爬取文本，可以使用TF-IDF[5]對輿論進行關鍵字提取，了解輿論的大致情況。根據情況選擇合適的文本信息。

（1）TF 指的是詞語在有關事件評論中的詞頻，為了便于不同文本長度的評論中詞語的詞頻相互對比，所以需要將TF 規范化，經過規范化后TF 的值為：

其中，m 為詞語在評論文本中出現的次數，M 為評論中詞語的總數。

（2）逆文檔頻率IDF 表的是特定詞語的重要性，如果在語料庫的文檔中，出現該詞語的文檔數越少，那么我們認為該詞語越能代表該文檔的特征，IDF 的計算公式如下：

其中，c 為語料庫文檔總數，C 為出現該詞語的文檔數

（3）綜合詞語的詞頻（TF）和逆文檔頻率（IDF）可以計算出該詞語的TF-IDF 值[10,11]，TF-IDF 值可以看作對一篇文檔中的關鍵字評價值，將TF-IDF 值高的詞語集合在一起，就可以得出對一篇文章的大致概括。

我們從互聯網直接爬取到的原始文本質量及數據內容往往參差不齊，需要將原始爬取的文本進行初始的文本優化，將一些帶有特殊符號，語序錯亂的文本刪除掉，可以幫助提高后續分析的準確性。

1.1.2 情感詞典增刪

情感分析，也稱作情感傾向性分析，是對分析文本中所攜帶的情感進行推理、分析、歸納的過程。情感分析可分為基于情感詞典和基于機器學習兩種方法。本文使用基于情感詞典法。即是將情感詞典與各種算法相結合，通過判斷特定的積極和消極情感關鍵字是否出現在分析文本中從而確定其情感值。簡單來說，若正面情感詞匯數量大于負面情感詞匯數量，那么評論會被判定為正向情感；若正面情感詞匯數量等于負面情感詞匯數量，那么評論會被判定為中立情感；若正面情感詞匯數量大于負面情感詞匯數量，那么評論會被判定為負向情感。本文使用的褒貶義詞典結合 SO-PMI 算法是基于情感詞典的情感分析。

在對輿論進行分詞處理時，由于不同網絡輿論具有其獨特的特點，會出現許多新的表達方法，漢字語言藝術的博大精深及很多修辭手法的情感處理，導致文本情感的判斷及量化過程較為困難，傳統的簡單分詞處理判斷的準確率不高。為了能更好地針對文本進行分詞處理，更加準確的情感分析，需要在分詞所依據的基本詞典的基礎上針對文本的特殊性及時效性，添加一些新的特有詞匯。例如網絡熱詞、專用詞匯等。

1.1.3 評論加權算法

在豐富情感詞典后，我們要進行文本的篩選。在選擇輿論時，因不同事件的社會影響力、影響范圍、輻射廣度、影響深度都不同，故而需要根據不同事件的重點、影響力、質量等因素，在整個事件輿論整理的過程中對內容進行加權選取，而后對分析效果較差的文本進行篩選，選出后進行文本整體刪改與修正，使其更符合輿論實際情感，提高模型的普適度。

1.2 情感分析

情感分析是判斷輿論情感傾向的重要步驟，利用情感分析可以得出每條經預處理之后的輿論的情感是積極還是消極。本步驟包括情感詞典的選取和情感值計算兩部分。

1.2.1 情感詞典的選取和制作

情感詞典包括基礎情感詞典和專屬情感詞典兩部分。

在基礎情感詞典的選擇方面，目前比較成熟的情感詞典有知網的Hownet 情感詞典、NTUSD 臺灣大學情感詞典、大連理工中文情感詞匯本體等，其詞庫大體相同。

專屬情感詞典需要我們根據爬取到的輿論用詞和情感表達來進行添加。為了保持專屬情感詞典與基礎情感詞典的一致性，專屬情感詞典的情感極性和情感強度可盡量根據基礎情感詞典中相近或相反的詞匯來進行標注，對于一些網絡新詞，可自行判斷情感極性和強度。在利用jieba 進行分詞后，統計出現頻次較多的名詞（不包含停用詞）作為輿論對象。將輿論對象對應的詞語與情感詞典匹配，為其標注情感強度和極性。

1.2.2 情感值的計算

在基礎情感詞典和專用情感詞典的基礎上，分別計算情感詞與褒義詞語和貶義詞語之間的PMI 值來衡量兩個詞語之間的相關性。

其中，wi是輿情評論中的每一個情感詞，negj為情感詞典中帶有消極情感的貶義詞，posj為情感詞典中的帶有積極情感的褒義詞，P(word)為詞語word 在評論中出現的概率，p(word1&word2)為word1 和word2 在評論中一起出現的概率。如果PMI 值越大，則說明兩個詞語之間的關聯性越強。如果PMI>0，則兩個詞語是正相關的，PMI 值越大，兩個詞語之間的正相關性越強；如果PMI=0；兩個詞語是統計獨立的，不相關也不互斥；如果PMI<0，則兩個詞語是負相關的，也即互斥的。

計算完評論中的情感詞與情感詞典中的褒義詞和貶義詞之間的PMI 值之后，我們將詞語與各個褒義詞之間的PMI值加和再減去詞語與各個貶義詞之間的PMI 值，得到情感詞的SO-PMI 值：

其中，m 為情感詞典中褒義詞的個數，n 為情感詞典中貶義詞的個數。SO-PMI 值可以看作詞語的情感傾向，如果SO-PMI(wi)>0，則詞語有積極得情感傾向；如果SOPMI(wi)=0，則詞語為中性情感傾向；如果SO-PMI(wi)<0，那么詞語有負面的情感傾向。將句子中的所有的情感詞取平均值即可得到句子整體的情感值，將評論中所有的句子情感值取平均值即可得到整個評論的情感值emotion0，emotion0的情感值區間為[0，1]，情感值越接近于1，情感越積極；情感越接近于0，情感越消極。

1.3 情感量化模型

在Agent 情感量化方面，本文利用考慮性格因素的OCC模型[4]對情感進行量化

基本步驟如下：

（1）首先，將性格按人格五因素模型分為O，C，E，A，N 五種，令p={O,C,E,A,N}，其中-1 ≤O,C,E,A,N ≤1，如表1 所示。

表1：

（2）使用PAD 模型描述心情，在PAD 模型中，P 代表愉悅度，A 代表激動度，D 代表優勢度，Agent 的心情可以用向量PAD={P,A,D}T來描述，其中-1 ≤P,A,D ≤1，性格OCEAN 與心情PAD 的轉化公式為：

表示成向量乘積為：PAD=M*p，其中M 為性格到心情的轉換向量。

（3）在用PAD 模型[6]表達Agent 的心情之后，可以根據PAD 與Agent 情感的對應關系判斷Agent 的情感狀態。如表2 所示。

表2：

（4）根據P 值我們可以將Agent 的情感分為積極和消極兩類情感，結合模型一得到的輿論情感傾向和Agent 情感態度可以提出不同的勸說策略，具體如表3 所示。

表3：

激勵性情感勸說策略：Agent 以盡快達成一致意見為勸說目的，提出對雙方有利的勸說方案，努力使雙方利益都得到滿足，如在必要時可適當降低勸說目標或采取一些讓步。

引導性情感勸說策略：Agent 以自身利益最大化為勸說目的，圍繞自身利益訴求展開勸說，努力使對方Agent 滿足自身訴求，對于傷害自身利益的提議，要予以否決。

說服型情感勸說策略：Agent 以盡快與對方Agent 達成一致為勸說目的，從對方Agent 的角度出發，圍繞對方Agent 的利益展開勸說。盡量滿足對方Agent 的訴求，若在必要時，可犧牲己方Agent 的部分利益。

否定型情感勸說策略：Agent 以盡快結束勸說為目的，提高自身要求的利益目標，若己方提出的訴求不能被滿足，就及時結束勸說過程。

2 數值模擬

2.1 輿論處理模擬

本文以北京市碳排放權交易為例，進行算例仿真。

2.1.1 假設現有三條輿論

輿論1：“碳排放交易市場的發展必定前途無量”

輿論2：“看到碳排放交易市場的蓬勃發展，我感到很欣慰”

輿論3：“我不認為碳排放交易市場會迅速發展，我對其感到悲觀”

對上述輿論進行分詞，結果如表4。

表4：

2.1.2 提權關鍵字

在去除停用詞之后，計算輿論中詞語TF 值、IDF 值和TF-IDF 值，通過TF-IDF 分析，可以確認輿論中的關鍵詞，本文因輿論樣本數量較少，只論證步驟，不進一步展示。

2.1.3 情感分析

對上述輿論進行分詞，結果如下：

在對分詞結果去除停用詞之后，計算每條輿論的SOPMI 值，結果如表5。

表5：

分別將輿論1、2、3 按0.5、0.3 和0.2 的比例賦予權重，可以得到輿論整體的SO-PMI 值為3.717，因此輿論情感為積極。

2.2 Agent情感量化模擬

本文以北京市碳排放權交易中的采購方（買方）和轉讓方（賣方）之間正在就碳排放權交易進行勸說為例，現在以轉讓方（賣方）Es 要根據自身所處的勸說環境進行情感決策。

以賣方Es 來說，以滿意這種情感為例，將滿意情感的各屬性權重依次設定為0.4,0.3,0.3，設Es 的個性向量為：

P=（0.4，0.7，0.6，0.5，0.5），則其對應的PAD 心情空間值為：

由此可見，我們可以判定出買方情感狀態為放松，也即積極的情感狀態。根據Agent 的情感及輿論情感傾向可以確定此時選擇激勵型情感勸說策略。之后，Agent 會將所選擇的情感勸說策略發送給采購方，形成完整的情感勸說決策過程。

3 結論

情感勸說的引入使我們更有針對性的分析人類在產生商業交易行為時的情感、愿望和其目標，與Agent 的有效結合也使得預測性更加準確。Agent 作為人工智能領域的重要代表，可以輔助我們判斷商務交易雙方的交易意愿，而考慮事件輿論是能幫助Agent 更好的模擬實際情況[7][8]。輿論往往從各個角度影響著事件的進程，交易雙方的性格也會對具體的交易達成度產生影響。

本文將以上三種影響因素綜合考慮后，借助Agent 的人工智能特性幫助模擬談判交易過程，針對不同情況有方向性的采取恰當的勸說策略，更真實的模擬實際情況[10]。相比前人的研究，本文創新性的將輿論與交易雙方性格及Agent情感評價模型結合考慮，將情感進行量化處理，多維度預測實際情況，提高勸說的效率，使Agent 更理性更科學，加快勸說進程，節約談判成本。

在選取分析輿論中，因原始數據參差不齊、事件質量不均、分詞器對文本的處理程度不定、輿論具有時代特性[10]，許多網絡熱詞會影響情感準確度的判斷、即使通過文本誤差糾正，經過加權和修正后的文本，仍然難滿足很高的準確性，在判斷輿論情感方向存在困難。在本文在假設的輿論下，因樣本輿論數量較少，對模型的驗證方面不全面，沒有模擬并計算大樣本下的結果。

本文研究的Agent 模型中情感的變化受到輿論的影響僅停留在理論層面，缺少更多的實際輿論信息及交易數據支持，具體可操作性難以判定。本文Agent 勸說雖已結合輿論的變化，但因輿論和交易雙方的心情是動態變化的，本文的模型和研究在實時性方面還有所欠缺，不具備根據事件輿論的變化實時更新勸說策略。下一步可以考慮對不同輿論環境下Agent 情感勸說的實時性展開研究。