与人类进行谈判的人工代理可能具有广泛的有价值的应用，例如，帮助人类提高其在各个领域的谈判技巧。为了增强这些特工的发展，南加州大学（USC）的研究人员最近创建了CaSiNo，CaSiNo是一个数据集，其中包含基于露营场景的现实谈判对话。

两位从事这项研究的研究人员Kushal Chawla和Gale Lucas通过电子邮件告诉TechXplore：“我们的工作反映了我们为建立自动协商系统所做的不断努力。” “几十年来，研究人类如何进行谈判一直是经济学，心理学和情感计算领域的活跃研究领域。这是围绕人类决策制定的多学科研究的一个有趣的游乐场。”

近年来，全球许多研究人员开始探索可以与人类直接协商的自动化系统的潜力。他们发现，这些系统对于培训人们特定的社交技能可能特别有用（例如，教导商学生谈判成功的交易或教导律师评估诉讼程序中的和解率）。

Chawla和Lucas说：“已经有证据表明，谈判技巧对于提高现有AI助手的能力也至关重要。” “例如，Google Duplex原型采用一种简单的协商形式，可以通过电话预订理发预约。”

到目前为止，开发的大多数自动协商系统都是基于限制性菜单驱动的通信界面。例如，基于IAGO平台的系统（包括先前由Chawla和Lucas开发的框架）要求人类用户单击特定的按钮才能与代理进行通信。

Chawla和Lucas说：“这些系统需要单击按钮以共享个人偏好或推出要约。” “尽管这种限制提供了具体的条件，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。其他系统可实现更现实的沟通方式（即，例如通过文字或视频）。”

为了克服基于菜单界面的系统的局限性，一些研究团队最近试图开发基于聊天的协商系统，该系统允许用户通过以英语等人类语言打字或说出更自由的信息。但是，开发和培训这些系统比创建菜单驱动的系统更具挑战性。

Chawla和Lucas说：“建立一个可以以给定语言与人类伙伴进行协商的系统，需要构建可以训练机器学习模型的协商数据集。” “针对开发此类数据集的先前工作要么集中在游戏设置上，要么过于严格以至于阻碍了个人对话，要么过于开放，以至于损害了对谈判绩效的评估，从下游应用程序的角度来看，这两者都很重要。 。”

Chawla和Lucas在最近的论文中介绍了一个数据集，该数据集包含一个在清晰描述的环境（即露营地）中的上千个现实，语言丰富且个人化的对话对话框。此数据集称为CaSiNo，代表“营地谈判”。

查拉说：“在每次谈判中，两名参与者扮演营地邻居的角色，并就额外的必需品（例如食物，水和木柴）进行谈判。” “每个参与者对这些物品及其需要或不需要它们的理由都有预先确定的偏好（例如，可能需要更多的水来远足或用柴火与朋友一起篝火）。”

除了对话本身之外，CaSiNo数据集还包含有关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的项目。在每次谈判期间，两名参与者彼此交谈，以决定如何在他们之间划分九个包裹：三个包裹包含食物，三个水和三个木柴。

“参与者的谈判表现通过三种方式进行评估：（1）他们的最终分数，取决于他们能够谈判哪些项目；（2）他们对自己的表现满意程度如何；（3）他们的满意程度如何？他们的对手。”乔拉和卢卡斯解释说。“所有这些指标在现实世界的谈判中都是至关重要的。特别是在参与者之间进行反复谈判的情况下，维持他们的关系与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，并指定了谈判方使用的说服策略。总体而言，各方使用了九种谈判策略，这些策略本质上是“合作”或“自私”的。

Chawla和Lucas说：“这些注释使我们能够进行本文中介绍的相关分析，从而了解对话期间的不同行为与谈判的结果之间的关系。” “总的来说，我们发现合作策略与参与者的表现成正相关，而自私的行为则与消极成正相关。”

分析的结果可以为采用不同谈判策略的更有效的自动化系统的开发提供信息。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，该框架可以通过分析两个谈判方之间的对话来预测两个谈判方使用的策略。

Chawla和Lucas说：“多任务框架旨在直接根据参与者使用的输入文本自动预测策略注释。”

研究人员创建的多任务框架基于预先训练的语言模型，这是一种功能强大的深度学习模型，该模型接受了在线收集的大量自由格式文本的训练。在过去的几年中，预训练的语言模型已被证明对于完成各种任务非常有效。Chawla，Lucas及其同事在带注释的对话框上专门训练了他们的模型。

Chawla和Lucas说：“该框架的多任务处理是通过共享用于一起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，输入的不同部分倾向于代表不同的协商策略。基于这一思想，我们允许模型在预测不同的注释标签时将重点放在不同的部分上。这是通过通常称为“注意”的方式来完成的。”

研究人员观察到，他们模型的多任务处理和注意力方面提高了所有注释标签的预测准确性。在一系列评估中，发现他们的框架明显优于类似的模型，该模型不能执行多任务或专注于对话框的不同部分。

“ CaSiNo为情感计算和自然语言处理（NLP）中的许多其他任务创造了机会，例如通过对话行为来分析自我满意度和对手感知，以及以经过培训的方式根据自己的喜好来训练使用语言进行自然谈判的特工和理由。”乔拉和卢卡斯说。“此外，我们的发现提高了对说服策略如何与谈判的最终结果相关的当前理解。”

将来，这些发现可能会为先进的自动谈判系统的开发提供参考，这些系统使用现实的沟通方式并根据人类合作伙伴利用的谈判策略来调整其行为。此外，它们还可以创建教学代理，从而根据用户使用的谈判策略为用户提供建议。

CaSiNo数据集和研究人员的注释是公开可用的，开发人员可以在GitHub上访问。Chawla，Lucas及其同事现在正在进行进一步的研究，以探索其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。

Chawla和Lucas说：“为进行情感计算研究，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帮助预测最终的谈判结果，而不仅仅是参与者的人口统计学和个性。” “这项研究可以帮助开发将情感系统地融入其设计中的主体的开发。此外，我们计划致力于开发基于NLP的自动化谈判系统，该系统可以以自由形式的自然语言（例如英语）进行交流。”