在應用學習算法之前，需要找到一個合適的特征空間來表示協(xié)商過程．協(xié)商過程可以用協(xié)商雙方的協(xié)商建議來表示。

定義1協(xié)商的過程是一個協(xié)商雙方互相發(fā)送建議的過程，可以把協(xié)商的過程定義為如下的一個建議序列：
階段M的協(xié)商軌跡，記為Q，Q的長度為2k-1．因為每個協(xié)商項的計量單位不同，在定義4中對協(xié)商階段做了歸一化處理．以協(xié)商階段中第一個建議值作為基準，協(xié)商軌跡中每個值取協(xié)商階段對應的建議值相對于第一個建議值的變化幅度．歸一化處理后，協(xié)商軌跡與具體的協(xié)商項單位刻度，以及具體的協(xié)商建議值大小無關(guān)，只是反映了協(xié)商建議值的變化情況．經(jīng)過上面的處理協(xié)商過程映射到了新的特征空間，并由此形成了多個協(xié)商軌跡，也就是每個協(xié)商經(jīng)過映射形成了相應的特征向量．這些協(xié)商軌跡將作為下一步支持向量機所需要輸入的樣本．圖1顯示了一個協(xié)商軌跡。

2．2 支持向量機算法

態(tài)度強硬；標注為的數(shù)據(jù)為負類，代表協(xié)商的態(tài)度為妥協(xié)．支持向量機算法是要找到一個超平面把訓練數(shù)據(jù)中的正類點和負類點分割開，并且使它們．之間的間隔最大，根據(jù)這個原則可以得到如下的支持向量分類機：
由此求得決策函數(shù)g(Q)=sgnC(w·Q)+b)，可以得到對手的協(xié)商態(tài)度是強硬還是妥協(xié)(g(Q)=1表示對手態(tài)度強硬，g(Q)=-l表示對手態(tài)度妥協(xié))．但不能得到對手協(xié)商態(tài)度的強硬和妥協(xié)程度．從圖1中可以看出，當點離分割超平面的距離越大時，對手的協(xié)商態(tài)度就越強硬或越妥協(xié)(當正類點離超平面越遠時，則態(tài)度越強硬，而當負類點離分割平面越遠時，則協(xié)商態(tài)度越妥協(xié))，Q與超平面的距離為

圖2 支持向量機的分類超平面

當f(Q)越大時．對手協(xié)商態(tài)度越強硬；反之，對手協(xié)商態(tài)度越妥協(xié)．則可用／(Q)的值來表示對手協(xié)商態(tài)度的強硬(或妥協(xié))程度。

3 決策模型

首先引進兩個定義，在協(xié)商過程中根據(jù)協(xié)商的情況協(xié)商項可分為兩類：

定義5若協(xié)商中對手提出的反建議中$的值等于己方在前一次建議值中5．的值，則稱si為無異議的協(xié)商項。

定義6若協(xié)商中對手提出的反建議中矗的值不等于己方在前一次建議值中si的值，則稱si為有異議的協(xié)商項。

決策模型考慮了兩個方面的因素：

擴展閱讀

版權(quán)聲明：