2017 Fiscal Year Annual Research Report
Preference Elicitation and Issue Structurization for Multi-agent Automated Negotiations
| Project/Area Number |
26730116
|
|---|
| Research Institution | Tokyo University of Agriculture and Technology |
|---|
Principal Investigator |
藤田 桂英 東京農工大学, 工学(系)研究科(研究院), 准教授 (00625676)
|
|---|
| Project Period (FY) |
2014-04-01 – 2018-03-31
|
| Keywords | マルチエージェントシステム / 自動交渉 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
本研究ではマルチエージェントシステムに基づいた自動交渉に関連して，(1) 交渉論点の依存関係の構造化および対応する自動抽出手法の開発， (2) 交渉参加者の選好情報を効率的に自動取得する手法の開発，(3) (1)と(2)に基づいた効率的な自動交渉手法の開発を実施する．既存のマルチエージェントにおける自動交渉機構研究は論点がそれぞれ独立であると仮定されており，現実的な問題設定ではなかった．一方，現実世界はWebの発展により大規模な合意形成の必要性が高まっている．これらの研究成果は現実の交渉事例を分析および評価に使用することで，現実世界の合意形成支援に貢献できると考えられる．
本年度は， (1)と(2)に関して，深層学習を用いての実現可能性の検証を行った．(1)に関して，自然言語の交渉ダイアログからArgument Mining における Argument Component や Relation などを自動的に抽出し，自動構造化を行う手法を提案した．具体的には，スレッド構造を持つダイアログデータに対して Argument Mining のスキーマを適用し，そのスキーマを用いてアノテーションを行ったうえで，深層学習の最先端の手法であるPointer 機構をベースとした深層学習モデルで実現する．さらに，(2)に関して，自然言語の交渉ダイアログからの深層学習によりAttentionモデルを付与したGated Recurrent Units(GRUs)を効用抽出に適用させ，自動的に各エージェント選考情報を抽出する手法を提案した．本提案手法は，各エージェントの効用関数のモデルは，序数的効用モデルと基数的効用モデルの両方に対応しており，予備実験ではそれぞれ高い精度を示している．
|
