[논문 리뷰] Let's Negotiate! A Survey of Negotiation Dialogue Systems

Haolan Zhan, Yufei Wang외 6명|arXiv (Cornell University)|2022. 12. 18.

Multi-Agent Systems and Negotiation인용 수 8

한 줄 요약

이 종합 검토는 협상 대화 시스템 분야에서 처음으로 포괄적인 리뷰를 제공하며, 벤치마크, 평가 방법, 방법론을 체계적으로 분류한다—전략 모델링, 성격 시뮬레이션, 정책 학습에 초점을 맞추며, 다중 모odal, 다중 당사자, 다문화 및 실제 세계 협상 시나리오에서의 향후 방향을 규명한다.

ABSTRACT

Negotiation is one of the crucial abilities in human communication, and there has been a resurgent research interest in negotiation dialogue systems recently, which goal is to empower intelligent agents with such ability that can efficiently help humans resolve conflicts or reach beneficial agreements. Although there have been many explorations in negotiation dialogue systems, a systematic review of this task has to date remained notably absent. To this end, we aim to fill this gap by reviewing contemporary studies in the emerging field of negotiation dialogue systems, covering benchmarks, evaluations, and methodologies. Furthermore, we also discuss potential future directions, including multi-modal, multi-party, and cross-cultural negotiation scenarios. Our goal is to provide the community with a systematic overview of negotiation dialogue systems and to inspire future research.

연구 동기 및 목표

• 협상 대화 시스템 분야에서 체계적인 검토가 부족한 문제를 해결하고, 연구 분야의 성장에 있어 핵심적인 격차를 메우기 위해.
• 분배적 및 통합적 협상 유형과 목표 구조에 기반해 기존의 벤치마크를 분류하기 위해.
• 전략 모델링, 성격 시뮬레이션, 정책 학습을 포함한 평가 방법 및 방법론을 통합적으로 분석하기 위해.
• 다중 모달, 다중 당사자, 다문화 및 실제 세계 협상 시스템에서의 주요 과제를 규명하고 향후 연구 방향을 제안하기 위해.

제안 방법

• 목표 구조에 따라 협상 유형(예: 분배적 협상: 협상, 물건 교환; 통합적 협상: 구직 면담, 복잡한 합의)에 따라 협상 대화 벤치마크를 분류한다.
• 자동 평가 지표(예: BLEU, ROUGE), 인간 평가, 작업 특화 성능 측정 기준을 포함한 평가 방법을 조사하고 분류한다.
• 세 가지 핵심 영역에서 체계적으로 분석한다: 성격 모델링(예: 선호도, 정서), 전략 모델링(예: 논리 기반 추론, 강화 학습), 정책 학습(예: 전략 헤드가 있는 seq2seq, 그래프 네트워크).
• BERT 및 Transformers와 같은 사전 훈련된 모델을 사용하여 의도 분류, 슬롯 채우기, 응답 생성, 전략 예측을 동시에 최적화하는 다중 작업 학습 프레임워크를 통합한다.
• 사전 훈련된 BERT 모델을 활용해 대화에서 저항 또는 설득 전략을 탐지하는 일반화된 전략 식별 프레임워크를 제안한다.
• 유한 상태 변환기(Finite State Transducers, FSTs)를 활용한 계층적 전략 이력 모델링 및 순위기반 랭커 모듈을 통한 선호도 기반 응답 생성과 같은 새로운 기법을 강조한다.

실험 결과

연구 질문

• RQ1 협상 유형(분배적 대비 통합적)과 목표 구조에 따라 협상 대화 벤치마크를 어떻게 체계적으로 분류할 수 있는가?
• RQ2 협상 대화 시스템에서 주로 사용되는 평가 방법론은 무엇이며, 신뢰성과 작업 관련성 측면에서 어떻게 비교할 수 있는가?
• RQ3 협상 에이전트에서 성격, 전략, 정책을 모델링하기 위한 주요 방법론적 접근은 무엇이며, 딥러닝과 어떻게 통합되는가?
• RQ4 현행 벤치마크의 주요 한계는 무엇이며, 특히 현실성과 문화적 다양성 측면에서 어떻게 평가할 수 있는가?
• RQ5 다중 모달, 다중 당사자, 다국어/다문화 협상과 같은 향후 연구 방향 중에서 분야 발전에 가장 높은 잠재력을 지닌 것은 무엇인가?

주요 결과

• 이 종합 검토는 협상 대화 시스템 분야에서 체계적인 검토가 부족함을 규명하였으며, 연구 관심이 증가하고 여러 벤치마크가 등장하고 있음에도 불구하고 여전히 큰 격차가 존재한다.
• 벤치마크는 주로 이원적, 텍스트 중심, 영어 기반의 시나리오에 집중되어 있으며, 실제 세계의 협상, 다중 당사자 또는 문화적으로 다양한 협상에 대한 커버리지가 부족하다.
• 현재의 방법론은 전략 헤드, 그래프 네트워크, 다중 작업 학습을 통한 seq2seq 모델에 크게 의존하고 있으며, BERT 기반 모델이 전략 탐지에 있어 잠재력을 보이고 있다.
• 성격 모델링과 전략 모델링은 현실적인 협상 행동을 위해 필수적이며, 최근 연구에서는 심리학적 및 행동적 요소를 대화 정책에 통합하고 있다.
• 다중 모달(음성, 시각 정보), 다중 당사자(팀 및 일반), 다국어/다문화 협상과 같은 향후 연구 방향은 아직 충분히 탐색되지 않아 높은 영향력을 지닌 기회로 남아 있다.
• 실제 세계의 데이터 수집(예: 비즈니스 회의, 기록된 협상)은 여전히 핵심적인 격차이며, 대부분의 현재 벤치마크는 커뮤니티 기반으로 생성된 합성 대화에 의존하고 있다.