基于案例匹配度的Agent劝说

案例推理（case-based reasoning，CBR）是一种新兴的推理方法，由美国耶鲁大学Roger Schank教授提出［49］。该方法通过将所遇到的问题作为一个案例，将该案例与以前使用过的与该问题类似的案例相联系，通过比较和分析，运用过去解决该事例的经验和方法来解决该问题。典型的案例推理过程是先按照一定的规则描述当前案例，然后从案例库中检索出与当前问题相应的案例。若该案例与当前案例完全匹配，输出该案例的求解方案，否则修正该案例，形成当前问题的求解［50］。目前，该技术已经在许多领域得到成功应用［51-54］。

作为案例推理中重要环节的案例匹配，其应用范围已经扩大到电子商务界的人工智能咨询台。总的来说，在美国和其他发达国家对案例匹配的各种应用已经较为发达，位列世界领先地位。与国外相比，国内对案例匹配还没有过多的应用，目前基本处于大学及研究所的试验中。其中，中国科学院计算机技术研究所的成就最大，从1991 年至今，一直有优秀的案例匹配类似模型的研究，如记忆网模型和案例检索算法、案例匹配的内燃机油产品设计系统、基于案例匹配技术的降水过程预测系统、基于案例匹配的天气预报系统等。

现在和未来的趋势是能将案例匹配度更好地应用到人工智能方面。目前，在将案例匹配度引入基于Agent 的谈判研究中，较有代表性的文献有［55］、［56］、［57］和［58］。其中，文献［55］对基于Agent 的谈判的成功可能性进行建模和分析，提出相应的方法，并将该方法用于基于Agent 的多议题谈判中，对该类谈判中的供应商选择顺序进行优化。文献［56］对基于Agent 的决策支持系统中，存在于数据库的模型、控制方法和工具等属性进行规定，提出一种学习机制，改进这些属性的权重计算方法，保证其向稳定值收敛，从而促使结果更加有效。文献［57］在谈判案例表达方法中提出属性分类方法，并采用改进的最近相邻法进行谈判案例匹配，构建相应的体系结构，并进行验证。文献［58］提出不完全信息条件下基于案例和对策论的Agent 多议题Pareto 最优协商模型，并给出相应的计算方法。(www.xing528.com)

综上所述，已经有很多学者对案例匹配度在基于Agent 的谈判中的应用进行研究，并取得相应成果。但是他们的研究，一方面所提出的计算方法较为复杂，使得谈判成本增加，加重系统开销，同时不能很好地符合自动谈判模式的理性谈判目标；另一方面，还没有涉及劝说。文献［59］对案例推理在基于Agent 的劝说方面的研究贡献进行综述，但研究的计算方法过于复杂，需要进一步简化。因此，本书拟在以上研究的基础上，结合形式化方法，建立相应模型，并提出改进的评价体系和交互机制。