亚马逊Mechanical Turk平台上CaSiNo的采集数据采集界面截图。rig ht端显示了用于输入响应的聊天框以及使用表情符号的选项。一旦参与者达成协议，他们就使用左边的菜单提交他们的交易。功劳:Chawla等人与人类谈判的人工代理可以有广泛的有价值的应用，例如，帮助人类提高他们在各种领域的谈判技能。为了促进这些代理的发展，南加州大学(USC)的研究人员最近创建了CaSiNo，这是一个包含基于露营场景的现实谈判对话的数据集。“我们的工作反映了我们正在努力建立自动谈判系统，”进行这项研究的两名研究人员库沙尔·查瓦拉和盖尔·卢卡斯通过电子邮件告诉TechXplore。“几十年来，研究人类如何倾向于谈判一直是经济学、心理学和情感计算领域的一个活跃研究领域。这是一个围绕人类决策进行多学科研究的有趣场所。”
近年来，世界各地的许多研究人员开始探索能够与人类直接谈判的自动化系统的潜力。他们发现，这些系统可能特别有助于对人们进行特定社交技能的培训(例如，教商科学生谈判成功的交易，或者教律师在法律诉讼期间评估和解率)。
“已经有证据表明，谈判技巧对于提升现有AI助手的能力也至关重要，”Chawla和Lucas说。“例如，谷歌双工原型参与了一种简单的谈判形式，通过电话预约理发。”
迄今为止开发的大多数自动谈判系统都是基于限制性菜单驱动的通信接口。例如，基于IAGO平台的系统，包括先前由Chawla和Lucas开发的框架，需要人类用户点击特定的按钮来与代理通信。
“这些系统需要点击按钮来分享个人偏好或推出优惠，”Chawla和Lucas说。“虽然这种限制提供了具体性，但它是有代价的。更具体地说，它阻碍了对现实世界谈判的几个方面的分析，例如说服谈判伙伴或表达情感。能够实现更现实的交流方式(即通过文本或视频)的替代系统可能是非常可取的。”
为了克服基于菜单界面的系统的局限性，一些研究团队最近一直在尝试开发基于聊天的谈判系统，该系统允许用户通过用人类语言(如英语)打字或说话来更自由地交流。然而，开发和培训这些系统远比创建菜单驱动的系统更具挑战性。
Chawla和Lucas说:“构建一个可以用给定语言与人类伙伴进行协商的系统，需要构建协商数据集，在这些数据集上可以训练机器学习模型。“以前旨在开发此类数据集的努力要么集中在游戏设置上，这些设置限制性太强，会妨碍个人对话，要么过于开放，会影响对谈判绩效的评估，从下游应用的角度来看，这两者都很重要。”
在他们最近的论文中，查瓦拉和卢卡斯介绍了一个数据集，该数据集包含一千多个现实的、语言丰富的和个人的谈判对话，在一个清晰描绘的环境中，即一个露营地点。这个数据集被称为卡西诺，代表“营地谈判”
“在每次谈判中，两名参与者扮演营地邻居的角色，就额外的必需品(即食物、水和柴火)进行谈判，”Chawla说。“每个参与者对这些物品都有一个预先定义的偏好，以及他们自己需要或不需要它们的理由(例如，一个人可能需要更多的水来远足，或者需要更多的柴火来和朋友一起点燃篝火)。”
除了对话本身之外，are数据集还包括每个参与者的上下文信息，例如他们最需要或希望通过谈判获得哪些项目。每次谈判时，两个参与者互相交谈，决定如何在他们之间分配九个包裹:三个装食物，三个装水，三个装柴火。
Chawla和Lucas解释说:“参与者的谈判表现通过三种方式进行评估:(1)他们的最终得分，这取决于他们能够为哪些项目进行谈判，(2)他们对自己的表现有多满意，以及(3)他们有多喜欢对手。”所有这些指标在现实谈判中至关重要。尤其是在参与者相互重复谈判的情况下，维持他们的关系和他们自己的表现同样重要。"
研究人员注释了CaSiNo数据集中几乎40%的对话，详细说明了谈判各方使用的说服策略。总的来说，双方使用了九种谈判策略，它们要么是“合作”的，要么是“自私”的。
“这些注释使我们能够进行论文中提出的相关性分析，我们理解对话中的不同行为与谈判结果之间的关系，”查瓦拉和卢卡斯说。“总的来说，我们发现合作策略与参与者的表现呈正相关，而自私行为呈负相关。"
分析结果可以为开发采用不同谈判策略的更有效的自动化系统提供信息。作为开发这些系统的第一步，研究人员创建了一个多任务框架，只需分析谈判双方之间的对话，就可以预测他们使用的策略。
“多任务框架旨在直接从参与者使用的输入文本中自动预测策略注释，”Chawla和Lucas说。
研究人员创建的多任务框架基于预训练语言模型，这是一个强大的深度学习模型，基于在线收集的大量自由格式文本进行训练。在过去的几年里，预训练语言模型已经被证明对完成各种任务非常有效。Chawla、Lucas和他们的同事专门在他们的注释对话框上训练他们的模型。
Chawla和Lucas说:“框架的多任务方面是通过共享这个预测所有注释标签的预训练模型来实现的。“我们进一步观察到，不同部分的输入往往代表不同的谈判策略。基于这一思想，我们允许模型关注不同的部分，同时预测不同的注释标签。这是通过通常所说的“注意力”来完成的。"
研究人员观察到，他们模型的多任务和注意力方面提高了对所有注释标签的预测准确性。在一系列评估中，他们的框架被发现明显优于不能多任务或专注于对话不同部分的类似模型。
Chawla和Lucas说:“CaSiNo为情感计算和自然语言处理(NLP)领域的许多其他任务创造了机会，例如从对话行为中分析自我满足感和对手感知，同时构建受过训练的代理，以符合其偏好和理由的方式自然地使用语言进行谈判。“此外，我们的发现提高了目前对说服策略如何与谈判最终结果相关的理解。”
在未来，这些发现可以为先进的自动谈判系统的开发提供信息，这些系统使用现实的沟通方式，并根据人类伙伴使用的谈判策略调整他们的行为。此外，他们还可以创建教学代理，根据用户使用的谈判策略向用户提供建议。
赌场数据集和研究人员的注释是公开的，开发者可以在GitHub上访问。Chawla、Lucas和他们的同事现在正在进行进一步的研究，探索他们的数据集在情感计算研究和开发更复杂的对话系统方面的潜力。
“为了促进情感计算研究，我们正在进行的工作包括分析谈判对话中的情感属性如何有助于预测最终的谈判结果，而不仅仅是参与者的人口统计和个性，”查瓦拉和卢卡斯说。“这项研究可能有助于开发在设计中系统地融入情感的代理。此外，我们计划致力于开发基于NLP的自动化谈判系统，能够以自由形式的自然语言(如英语)进行交流。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
