توضیحات
چکیده
با ظهور وب 4٫0 و گسترش کاربرد عامل های هوشمند در بستر آن، تجارت الکترونیکی با قابلیت ها و ملزومات جدیدی مواجه می شود. یکی از این ملزومات، طراحی پروتکل و استراتژی مناسب برای مذاکره است. مذاکره در دنیای واقعی با اطلاعات ناقص در مورد حریف انجام می شود و موفقیت شرکت کنندگان بستگی به توانایی آنها در فاش سازی اطلاعات دارد به نحوی که رسیدن به توافق را بدون به خطر انداختن سود فردی آنها آسان کند. در این مقاله یک عامل خریدار طراحی شده است که توانایی انجام خودکار یک مذاکره را دارد و با استفاده از یک تکنیک یادگیری ماشینی، اطلاعاتی را در قالب استراتژی از حریف به دست می آورد. دانستن استراتژی حریف موجب کسب سودمندی بالاتر برای عامل می شود. این عامل با استفاده از روش یادگیری بیزی، استراتژی حریف را در طول مذاکره باد می گیرد. نتایج تجربی نشان دهندهی افزایش کارایی مذاکره با استفاده از روش یادگیری بیزی میباشد که با پارامترهایی چون میانگین سودمندی خریدار و سودمندی فروشنده برای مذاکره ارزیابی می شود. نتایج نشان دهندهی افزایش میانگین سودمندی خریدار از 90٪ به 94٪ و میانگین سودمندی فروشنده از 27٪ به 31٪ می باشد.
مقدمه
در سیر تطور نسخه های وب، در حال گذار از وب ٠.٣(وب معنایی) به وب ٠.٤(وب عامل های هوشمند) هستیم که در بستر آن، حوزه ی تجارت الکترونیکی با قابلیت ها و ملزومات جدیدی مواجه میشود . یکی از این ملزومات، وجود پروتکل مناسب برای مذاکره میان عامل هاست. در این حوزه، عاملها، رسیونال فرض میشوند. هر چیزی که بتواند محیط خود را از طریق حسگرها درک کند و از طریق محرکها بر محیط اثر کند، عامل در نظر گرفته میشود. عامل رسیونال همواره در صدد بالابردن (و یا بهینه سازی) معیار عملکرد خود است.
یادگیری بیزی
ABSTRACT
With the advent of the 4.0x web and the expanding use of intelligent agents in its context, e-commerce is experiencing new features and requirements. One of these requirements is the design of a protocol and a strategy for negotiation. Real-world negotiation is done with incomplete information about the opponent, and the success of the participants depends on their ability to disclose information in such a way as to facilitate agreement without compromising their individual profits. In this paper, a buyer agent is designed to be able to automate a negotiation and obtain information in the form of a strategy using a machine learning technique. Knowing the opponent’s strategy will make the agent more useful. Using the Bayesian learning method, this factor winds up the opponent’s strategy during the negotiation. Experimental results show that negotiation efficiency is enhanced by Bayesian learning method which is evaluated with parameters such as average buyer profitability and seller profitability for negotiation. The results show the average buyer profitability increase from 90% to 94% and the average seller profitability from 27% to 31%.
INTRODUCTION
In the evolution of web editions, we are transitioning from Web 2.0 (Semantic Web) to Web 2.0 (Smart Web Agencies) where the field of e-commerce is experiencing new features and requirements. One of these requirements is the existence of an appropriate protocol for negotiating between agents. In this domain, agents are assumed to be rational. Anything that can sense its environment through sensors and affect the environment through stimuli is considered a factor. The rational agent has always sought to raise (or optimize) its performance benchmark.
Year: ۲۰۱۹
Publisher : The 5th International Web Research Conference
By : Fatemeh Mohammadi Asnani, Zahra Movahedi, Kazem Fooladi Castle
File Information: English Language/ 7 Page / size: 444 KB
سال : ۱۳۹۸
ناشر : پنجمین کنفرانس بین المللی وب پژوهی
کاری از : فاطمه ی محمدی آشنانی ،زهرا موحدی ،کاظم فولادی قلعه
اطلاعات فایل : زبان فارسی / ۷ صفحه / حجم : KB 444
نقد و بررسیها
هنوز بررسیای ثبت نشده است.