多智能体协商中通过对手建模进行偏好估计

复杂、多方和多问题环境中的自动谈判关键取决于准确的对手建模。然而，传统的纯数字方法无法捕获自然语言交互中嵌入的定性信息，导致偏好估计不稳定且不完整。尽管 大语言模型 (LLM) 能够对话语进行丰富的语义理解，但将这些信息定量地纳入一致的对手建模中仍然具有挑战性。为了解决这个问题，我们提出了一种新颖的偏好估计方法，将自然语言信息集成到结构化贝叶斯对手建模框架中。我们的方法利用 LLM 从话语中提取定性线索，并将其转换为概率格式以进行动态信念跟踪。多方基准测试的实验结果表明，我们的框架通过将概率推理与自然语言理解相结合，提高了完全一致率和偏好估计准确性。