[论文解读] BERT in Negotiations: Early Prediction of Buyer-Seller Negotiation Outcomes
本文提出了一种基于 BERT 的模型，能够在对话仅进行到 60% 时，提前预测买家-卖家谈判的最终结果，准确率超过 70%，且预测结果与实际结果的偏差在 10% 以内。通过利用预训练的语言表征，该方法表明自然语言中已包含足够的战略信号，可用于早期结果预测，从而为训练自主谈判智能体提供反馈。
The task of building automatic agents that can negotiate with humans in free-form natural language has gained recent interest in the literature. Although there have been initial attempts, combining linguistic understanding with strategy effectively still remains a challenge. Towards this end, we aim to understand the role of natural language in negotiations from a data-driven perspective by attempting to predict a negotiation's outcome, well before the negotiation is complete. Building on the recent advancements in pre-trained language encoders, our model is able to predict correctly within 10% for more than 70% of the cases, by looking at just 60% of the negotiation. These results suggest that rather than just being a way to realize a negotiation, natural language should be incorporated in the negotiation planning as well. Such a framework can be directly used to get feedback for training an automatically negotiating agent.
研究动机与目标
- 探究谈判中的自然语言是否在谈判结束前就已包含可用于结果预测的信号。
- 开发一种数据驱动的方法，利用预训练语言模型在对话早期阶段预测谈判结果。
- 探讨利用早期结果预测作为反馈来训练自主谈判智能体的可行性。
- 评估仅依靠语言内容在多大程度上可支持对人类谈判中战略结果的预测。
提出的方法
- 在买家-卖家谈判的对话数据上微调预训练的 BERT 模型，以预测最终达成的协议结果。
- 仅将每个谈判的前 60% 对话轮次作为模型的输入，以实现早期预测。
- 训练模型使其预测的最终协议值与真实值的偏差在 10% 以内。
- 在 [CLS] token 表征上使用序列分类头输出预测结果。
- 使用预测值与真实协议值之间的均方误差损失来优化模型。
- 通过测试谈判中预测结果与真实结果偏差在 10% 以内的准确率来评估模型性能。
实验结果
研究问题
- RQ1是否可以利用谈判中的自然语言在谈判尚未完成时预测最终结果？
- RQ2模型在仅使用对话部分文本的情况下，最早能在何时实现对谈判结果的准确预测？
- RQ3语言内容在多大程度上编码了与谈判结果相关的关键战略信息？
- RQ4早期预测性能是否可作为训练自主谈判智能体的代理反馈？
主要发现
- 当仅使用对话的 60% 时，该模型在 10% 偏差范围内的预测准确率超过 70%。
- 模型的预测能力表明，仅靠语言内容本身即可承载对结果预测至关重要的战略信息。
- 早期预测是可行且可靠的，表明自然语言应被整合进谈判规划阶段，而不仅限于执行阶段。
- 结果表明，基于 BERT 的模型无需显式特征工程，即可从原始对话中提取有意义的战略信号。
- 该框架通过实现早期结果估计，为训练自主谈判智能体提供了切实可行的反馈机制。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。