본 논문에서는 상거래에 참여한 구매자와 판매자가 협상을 통하여 서로의 이익을 보장하면서 합의를 도출 할 수 있는 협상 에이전트 시스템을 제안하였다. 제안 시스템은 기존의 협상 에이전트 시스템에 기계 학습을 적용함으로써, 학습 에이전트의 도입이 협상의 효율성에 어떤 영향을 미치는지 고찰하고자 하였다. 구매자 및 판매자 에이전트는 상품의 다중 속성을 고려하여 협상을 수행하며, 구매자와 판매자의 이익은 Multi-Attribute Utility Theory를 이용하여 표현하였다. 본 연구에서 제시된 학습 가능한 협상 에이전트는 Faratin이 제안한 협상 시스템의 제안 생성(counter offer) 과정에 인공신경망을 통한 점진적 학습 기업을 추가함으로써 협상의 효율성을 증가시키는데 목적이 있다. 점진적 학습기법을 이용한 협상 에이전트 시스템의 경우, 동일한 협상 조건 하에서 상대방 제안과의 유사도(similarity)를 바탕으로 제안을 생성하는 기존의 다른 협상 에이전트 시스템과 비교하였을 때 좋은 협상 결과를 보여 주었으며, 협상 수행시간에 있어서는 매우 빠른 성능을 보여주었다. 따라서 협상 결과 및 협상 수행 시간을 동시에 고려하였을 때 기존의 협상 시스템에 비하여 효율적인 협상 능력을 보여 주었다.
In this paper we propose a fast negotiation agent system that guarantees the reciprocity of the attendants in a bilateral negotiation on the e-commerce. The proposednegotiation agent system exploits the incremental learning method based on an artificial neural network in generating a counter-offer and is trained by the previous offer that has been rejected by the other party. During a negotiation, the software agents on behalf of a buyer and a seller negotiate each other by considering the multi-attributes of a product. The experimental results show that the proposed negotiation system achieves better agreements than other negotiation agent systems that are operated under the realistic and practical environment. Furthermore, the proposed system carries out negotiations about twenty times faster than the previous negotiation systems on the average.
