江資斌,王春玲

(湖南大學(xué)工商管理學(xué)院,湖南長沙 410082)

基于Agent的電子商務(wù)在線議價研究

江資斌,王春玲

(湖南大學(xué)工商管理學(xué)院,湖南長沙 410082)

針對電子商務(wù)中交易雙方的議價問題,引入Agent,建立了通用的基于多Agent的在線議價模型。通過構(gòu)造Agent報價策略的概率密度函數(shù),并考慮議價雙方的下一步期望價格和保留價格,構(gòu)建了基于價格的議價算法,該算法考慮了Agent的偏好、議價時間約束等參數(shù),而且該議價算法能動態(tài)地修改可能的報價區(qū)間范圍,并具有一定的學(xué)習(xí)能力,使議價過程能夠較好地反映交易雙方的心智態(tài)度,可模擬傳統(tǒng)交易中的議價過程。

電子商務(wù);Agent;議價模型

一、引 言

隨著網(wǎng)絡(luò)技術(shù)和計算機軟件技術(shù)的飛速發(fā)展,電子商務(wù)伴隨著一種全新的購買方式越來越多地走進了人們的生活,社會生活的各個領(lǐng)域都受到了深遠(yuǎn)的影響。人們期待電子商務(wù)在降低交易成本的同時,能和傳統(tǒng)商務(wù)一樣,通過議價的方式來滿足交易雙方的各種偏好,以期獲得較好的供貨、優(yōu)惠的價格和高質(zhì)量的產(chǎn)品。

一些研究者分別從基于博弈論、啟發(fā)式方法、智能優(yōu)化算法和基于論據(jù)理論的角度針對該問題展開了研究[1-4]。然而,基本的博弈論模型一般只適合于對結(jié)果的分析,對于電子商務(wù)中的在線議價問題,其結(jié)果通常是未知的,應(yīng)更加關(guān)注對其過程的分析。啟發(fā)式方法由于基于過多的假設(shè),需要反復(fù)模擬才能得到較理想的結(jié)果。而對論據(jù)的研究,對于論據(jù)的產(chǎn)生和選擇,論據(jù)可信度的判斷,仍然缺少具有更高實用性的推理模型。面對激烈的市場競爭,如何優(yōu)化網(wǎng)上交易的議價過程和提高效率,并使參與者雙方都滿意其結(jié)果,以實現(xiàn)雙贏,這些問題亟需解決。

起源于分布式人工智能(DAI)研究領(lǐng)域的多Agent系統(tǒng)(MAS)具有自主性、分布性、動態(tài)性、協(xié)調(diào)性等特點,并能通過多智能體協(xié)商進行分布式問題合作求解(DPS),正好與其需求相吻合。在電子商務(wù)中,議價是一種不完全信息下的多階段連續(xù)過程。基于Agent的方法需要考慮一個很重要的問題,即在考慮對方報價、自身環(huán)境特點和信念的基礎(chǔ)上如何確定下一步報價策略。Zeng等人基于貝葉斯決策提出了一個具有學(xué)習(xí)能力的Bazaar模型,Bazaar模型是一個靜態(tài)模型,它沒有具體的實現(xiàn)過程,且沒有考慮協(xié)商過程的約束條件和協(xié)商策略等因素[5]。高璐等人研究了企業(yè)基于Agent的自動協(xié)商,設(shè)計了一個包含時間策略、資源策略和模仿策略的多策略模型[6]。葉斌等人從統(tǒng)計的角度分析了多Agent協(xié)商行為的行為效用,從而為更好地設(shè)計多Agent系統(tǒng)的組織規(guī)則和協(xié)商策略提供了效用依據(jù)[7]。然而這些模型和方法一般處于理論研究階段,不容易實現(xiàn),且交易雙方各自追求自身利益最大化,沒有考慮“雙贏”,要使它們能適用于電子商務(wù)的自動議價,還需進一步擴展。為此,本文提出了一種基于Agent的電子商務(wù)議價模型,并設(shè)計了相應(yīng)的報價策略和議價算法,算法考慮了Agent雙方策略的采用,以及時間約束,使得議價效率提高,并能提高交易雙方的效益,實現(xiàn)雙贏。

二、在線議價模型

在實際的議價過程中,交易的雙方都希望自己的效用最大化,都希望通過不斷的報價和反報價來達到自己的目的。考慮到交易的時間、報價和反報價、效用評價等因素,交易雙方的Agent將采用不同的策略。為此,本文構(gòu)建了如下議價模型:

第一,Ag為參與議價的Agent集合。設(shè)賣方Agent為 S集,B為買方Agent集,則 Ag=S∪B。

第二,V={v1,v2,…,vn}為議價議題集合。在電子商務(wù)的在線交易中,指某產(chǎn)品或服務(wù)的價格、交貨期限、質(zhì)量等因子。

第三,P為議價協(xié)議的集合。如同時報價和輪流報價等議價協(xié)議。

第四,S為議價策略的集合,包括單一讓步策略、組合讓步策略和遺傳算法搜索策略等。

第五,J為議價中Agent的聯(lián)合行動集合,包括接受 (Accept)、拒絕 (Refuse)、報價 (Offer-Proposal)與反報價(Reject-Proposal)等。

第六,U={US,UB}為Agent的效用評價集合。

以上是電子商務(wù)中基于多Agent的在線議價模型,模型主要包括參與在線議價的Agent集合、議價議題、議價交互協(xié)議和議價策略等。

三、議價算法

(一)議價過程描述及假設(shè)

假設(shè)議價參與者為 Ag={s,b},其中s表示賣方Agent,b表示買方Agent,該產(chǎn)品的單件價格s和b查詢各自的知識庫,估計其處于[l,h]之間。設(shè)RPb為b的保留價格,即b所能接受的該產(chǎn)品單件最高價格;設(shè) RPs為s的保留價格,即所能接受的該產(chǎn)品單件最低價格。假定雙方都不知道對方的保留價格。此時,議價的成交價格應(yīng)處于區(qū)間[RPs,RPb],如圖1所示。

交易雙方都有自己的報價信念,假定在一次報價過程中,其信念固定。在一輪交互之后,買賣主體可能會根據(jù)情況改變其出價信念。在現(xiàn)實生活中,買方通常希望以最低價格獲得某一商品,通常買方效用函數(shù)為單調(diào)遞減的,即如果v1b≤v2b,那么Ub(vs,v1b)≥Ub(vs,v2b)。賣方效用函數(shù)正好相反,單調(diào)遞增。假設(shè)議價成本主要為通信費用,可以忽略不計,如果議價失敗,雙方的效用為0。

圖1 議價的成交價格區(qū)間圖

買方 b效用函數(shù)可定義為:

若以實現(xiàn)雙贏為目標(biāo),就必須同時實現(xiàn)買賣Agent效用的最大化,為此定義聯(lián)合效用函數(shù) UJ為:

其中 v3為成交價格,由此函數(shù)可知,當(dāng) v3為 RPs和RPb的數(shù)學(xué)平均值時,UJ達到最大值0.25。

(二)報價策略及參數(shù)分析

顯然,Agent采用何種報價策略,以使自己在獲得盡可能多收益的同時又能為對方接受,這是議價成功的關(guān)鍵。然而,要求所有Agent采用某一固定策略模型是不現(xiàn)實的,Agent需要在議價過程中不斷調(diào)整自己的報價策略,以期獲得更多的收益,因此,對策和學(xué)習(xí)是Agent參與在線議價的重要機制。

在式(8)中s的報價策略若采用式(5),則為保守策略,若采用式(6)則為激進策略,與 b的情況正好相反。在議價過程中,若不考慮買方的報價則

假定雙方約定最大協(xié)商次數(shù)已知,以買方 b的報價概率密度函數(shù)為例,t越大,即離議價結(jié)束期限越近,報價概率分布曲線越陡峭。這表明當(dāng)b采用信念更新方法如式(5)時,其報價靠近,這時隨著議價剩余的時間越來越短,b相信s不大可能改變其報價,因而其報價作出較大的讓步。當(dāng) b采用式(6)更新信念時,其報價靠近,這時 b相信s報價不合理,隨著議價剩余的時間越來越短,b相信s有可能作更大的讓步,因此 b讓步較小。

參數(shù)β用于調(diào)整協(xié)商時的讓步程度,β越大,概率密度曲線越平緩,對于式(5),b的報價偏離越遠(yuǎn)些,因而b讓步較小;對于式(6),b的報價偏較遠(yuǎn)。當(dāng)β足夠大,式(5)和式(6)收斂于均勻分布報價。

(三)議價算法步驟

基于以上討論的報價策略,本文設(shè)計了買賣雙方Agent的議價算法,具體步驟如下:

步驟 1:針對某產(chǎn)品,買方 Agent b向賣方Agent s發(fā)出議價請求,置 t=1,=l,=h,并生成初始報價,s亦生成初始報價,b和s通過通訊語言約定 tmax。

步驟3:b采用式(5)或式(6)更新其信念,并根據(jù)式(7)生成反報價。

步驟4:采用式(5)或式(6)更新其信念,并根據(jù)式(8)生成反報價,轉(zhuǎn)步驟2。

步驟5:b和s簽訂協(xié)議,議價結(jié)束。

步驟6:議價失敗。

四、數(shù)值算例

在B2B電子商務(wù)交易平臺,假定某產(chǎn)品的市場價格范圍為[50,100],買方考慮其議價成本,認(rèn)為最多討價次數(shù)為 tmax=10,其私有信息保留價格為RPb=90,則它可以接受的價格范圍為[50,90],報價策略分別采用式(5)和式(6)。假定第一次期望報價=55,由此確定買方報價策略特征參數(shù)βb,為簡化計算,并假定以后的交易中βb值保持不變。

對于s,其保留價格為 RPs=60,因而它可以接受的價格范圍為[60,100],報價策略分別采用式(5)和式(6);假定第一次報價=94,由此確定它的報價策略特征參數(shù)βs,同樣為簡化計算,假定以后交易中βs值保持不變。

由于買方 b和賣方s分別可以采取式(5)和式(6)的報價策略,報價又可基于不考慮對方報價和考慮對方報價,因此總共有8種情況,其計算結(jié)果如表1所示。其中 c列表示是否考慮對方報價,t列表示最終協(xié)商的次數(shù)。對比以上各種不同組合的情況可知,當(dāng)某一方 采用激進報價策略時,它一般會在價格方面吃虧。這是顯而易見的,因為它每次讓步幅度比較大。

表1 考慮對方報價與否的議價過程比較表

b s c t 報價序列 v3 UJ激進 激進 否 2 55.000/94. 000;85.567/69.214 77.390 0.243 7策略 策略 是 2 55.000/94. 000;87.563/78.655 83.109 0.176 9激進 保守 否 3 55.000/94. 000;85.567/88. 715;88.196/84.101 86.148 0.111 9策略 策略 是 3 55.000/94. 000;86.043/89. 078;85.888/84.931 85.410 0.129 6保守 激進 否 3 55.000/94. 000;59.433/65. 285;63.312/62.155 62.734 0.082 8策略 策略 是 3 55.000/94. 000;59.437/65. 006;63.152/63.083 63.118 0.093 1保守 保守 否 7 55.000/94. 000;59.433/88. 715;63.312/84. 101;66.638/85. 152;69.412/76. 860;71.633/74. 219;73.300/72.227 72.764 0.244 4策略 策略 是 7 55.000/94. 000;59.433/88. 712;63.314/84. 120;70.398/76. 092;73.042/73. 330;75.084/71.408 73.246 0.246 6

對于買方來說,當(dāng)賣方上一次報價高于自己心中的最高保留價格而不能成交時,該算法可使買方加快抬高價格的幅度。然而當(dāng)賣方上一次報價低于自己心目中的最高保留價格時,買方覺得成交有望,故而會減緩自己的報價幅度。

賣方正好相反,當(dāng)買方上一次報價小于自己心中的最低保留價格時,該算法可使賣方加快降低自己價格的幅度。然而當(dāng)買方上一次報價高于自己心目中的最低保留價格時,賣方覺得成交有望,故而會減緩自己報價的幅度。

在算例中,因為買方先報價,對賣方報價進行學(xué)習(xí)。然而買方的第一次報價55往往低于賣方的保留價格60,為了能夠協(xié)商成功,買方往往會加快自己的提價幅度,故而最后的議價結(jié)果往往比沒有進行學(xué)習(xí)的成交價格要高一些,賣方則相反。這樣,買方相對吃虧,以高價買回了產(chǎn)品。

另外,可以看出考慮對方報價比不考慮對方報價策略,聯(lián)合效用普遍要高,這有利于實現(xiàn)雙贏目的。這些都和現(xiàn)實生活中的議價實際心理狀態(tài)相似。因此,算法能較好地模擬現(xiàn)實生活中的議價過程,在B2B和B2C電子商務(wù)中均具有較強的實用性。

五、結(jié)束語

本文通過研究基于Agent的方法,來解決電子商務(wù)中的議價問題。針對Agent的議價問題,設(shè)計了通用的議價模型,并為Agent設(shè)計了不同的報價概率密度函數(shù),Agent通過采用這些指數(shù)分布概率密度函數(shù),可更新對方的信息,實現(xiàn)議價過程的自學(xué)習(xí),提高交易效率。同時應(yīng)該注意到本文的議價算法只考慮了交易雙方的價格因素,在電子商務(wù)中可能還要考慮其他諸多因素,如交貨時間、產(chǎn)品質(zhì)量等[8]。另外,買方可能要同時和幾個賣主就某一產(chǎn)品進行議價,這都使得問題會變得更加復(fù)雜。以上諸種情形還有待于進一步研究。

[1]道格拉斯·蓋爾.一般均衡的策略基礎(chǔ)——動態(tài)匹配與討價還價博弈[M].上海:上海人民出版社,2004:53-71.

[2]黃京華,馬暉,趙純均.面向電子商務(wù)的基本遺傳算法的Agent談判模型[J].管理科學(xué)學(xué)報,2002,5(6):17-23.

[3]Li Jian,Wang Cong,Yang Yi-xian.An adaptive genetic algorithm and its application in bilateralmulti-issue negotiation[J].The Journal of China University of Posts and Telecommunications,2008,15(1):94-97.

[4]Parsons S,Sierra C,Jennings N R.Agents that reason and negotiate by arguing[J].Journalof Logic and Computation,1998,8(3):261-292.

[5]Zeng D,Sycara K.Benefits of learning in negotiation[J].International Journal of Human Computer Systems,1998,48(1):125-141.

[6]高璐,毛波.基于MAS的企業(yè)供應(yīng)鏈模型中談判過程的研究[J].系統(tǒng)工程理論方法應(yīng)用,2002,4(11):304-309.

[7]葉斌,馬忠貴,曾廣平,等.多Agent協(xié)商行為的效用分析[J].控制與決策,2004,19(12):1332-1336.

[8]Lai GM,Sycara K A.Generic framework for automated multi-attribute negotiation[J].Group Decision and Negotiation,2009,18(2):169-187.

Agent Based Online Bargain ing in Electronic Commerce

JIANG Zi-bin,WANG Chun-lin
(Schoolof Business Administration,Hunan University,Changsha 410082,China)

M ulti-agent was introduced to study the issue of bargaining in Electronic Commerce(EC),and a generic model formulti-agent bargaining in ECwaspresented firstly.Then,constructed p robabilities function as bid tacticsof agents and taken the expected price of both sides in the next turns and their reserved price into account,a price based bargaining algorithm was proposed.The algorithm considered the p reference of agents and the restriction of time etc.By employing thisalgorithm,agent canmodify itsbid zone dynamically and learn about the opponent’s bid price.In thisway,the algorithm can reflect the attitudeof the two transaction parties and simulate the iteration of offering price very well in reality,w hich may p romote the efficiency of bargaining and attain better result.

electronic commerce;Agent;bargaining model

(責(zé)任編輯:李 勤)

F062.5

A

1007-3116(2010)04-0109-04

2009-11-26

湖南省2008年SIT計劃重點項目《基于Agent技術(shù)的電子商務(wù)在線議價研究》;國家自然科學(xué)基金項目《實現(xiàn)多級供貨能力承諾的虛擬企業(yè)生產(chǎn)計劃協(xié)同優(yōu)化研究》(70572060)

江資斌(1976-),男,湖南瀏陽人,管理學(xué)博士,講師,研究方向:電子商務(wù)與智能管理信息系統(tǒng)。

【統(tǒng)計應(yīng)用研究】