This thesis takes into account the advances in the field of electronic bi-lateral negotiations, adopting state-of-the-art protocols and strategies that characterize the behavior of each party. The research objective is the application of strategies that are based on the estimation of the counterpart’s next offer, and give the predictive agent the advantage to establish agreements that are more beneficial. An issue that is contemplated is that of risk when employing a predictive strategy. A new strategy that permits the adoption of different risk attitudes is proposed. This thesis also focuses on the AI-based models used for prediction. The main problem of related applications is their inability to capture the dynamics of turbulent negotiation environments, and provide accurate estimations also in cases where data distributions change. For this reason utilization of models that are based on data acquired from the current discourse and adapt their structure in time are examined. More specifically application of neural networks with static structures (SSLAs), and application of neural networks with adaptive structures (ASLAs) are developed and assessed. To illustrate the superiority of SSLAs compared to agents that employ pre-trained networks (PTAs) in cases where data distributions change, we have conducted a number of experiments considering single-issued negotiations and we have computed the absolute error yielded in each decision making step. SSLAs are proved more accurate, as the mean of the errors is reduced by 92.67% compared to the PTAs. As far as adaptive structures are compared, we have tested neural networks that optimize their network on the basis of a genetic algorithm. ASLAs are proved more accurate as the average mean of the absolute errors is reduced by 38.34%, the average of the maximum values is reduced by 44.75% and the average of the standard deviation is reduced by 38.03%. ASLAs are smoother predictive models as they result to decreased standard deviation and maximum error values. However they have high storage and computational requirements, which makes them difficult to apply.Static session-long learning agents were extended to support multi-issued negotiations and the architecture of the network was empirically searched. The network yielding the lowest error incurred to the predictive agent 10.78% average absolute increase of his individual utility (gain).
Η παρούσα διατριβή αξιοποιεί τις εξελίξεις στην περιοχή των διμερών ηλεκτρονικών διαπραγματεύσεων, υιοθετώντας θεμελιωμένα πρωτόκολλα και στρατηγικές που χαρακτηρίζουν τη συμπεριφορά του εκάστοτε συμμετέχοντα. Αντικείμενο έρευνας αποτελεί η χρήση στρατηγικών πρόβλεψης μελλοντικών προσφορών του αντιπάλου, προσφέροντας με τον τρόπο αυτό πλεονέκτημα κινήσεων προς συμφωνίες με μεγαλύτερο όφελος. Επίσης μελετάται ο κίνδυνος χρήσης εργαλείων πρόβλεψης και προτείνεται μια νέα στρατηγική που επιτρέπει την υιοθέτηση διαφορετικών συμπεριφορών απέναντι στον κίνδυνο. Γίνεται εκτενής καταγραφή των μοντέλων μηχανικής μάθησης που χρησιμοποιούνται με σκοπό την πρόβλεψη της επόμενης προσφοράς του αντιπάλου, καθώς επίσης συγκριτική αξιολόγηση βάση βιβλιογραφικών αναφορών. Το βασικό μειονέκτημα της πλειοψηφίας των μεθόδων είναι η αδυναμία παροχής έγκυρης πρόβλεψης σε δυναμικά περιβάλλοντα, όταν αλλάζουν οι κατανομές των δεδομένων στα οποία βασίστηκαν τα αρχικά μοντέλα πρόβλεψης. Για το λόγο αυτό ερευνάται η χρήση μοντέλων που εκπαιδεύονται με δεδομένα που εξάγονται από την τρέχουσα διαπραγμάτευση, καθώς επίσης και δομών που μεταβάλλονται με το χρόνο. Στα πλαίσια τις διατριβής μελετάται η χρήση νευρωνικών δικτύων σταθερής αρχιτεκτονικής, αλλά και δικτύων που εξελίσσουν τη δομή τους σε κάθε βήμα πρόβλεψης με χρήση γενετικού αλγορίθμου. Επίσης μελετάται η απλή αυτοεξελισσόμενη δομή eMLP, που μαθαίνει με ένα μόνο πέρασμα των δεδομένων, καθιστώντας ταχύτατη τη διαδικασία μάθησης. Παρουσιάζονται εκτενή πειραματικά αποτελέσματα που προκύπτουν από προσομοιώσεις διαφορετικών περιβαλλόντων διαπραγμάτευσης, και αποδεικνύουν την επάρκεια των λύσεων που προτείνονται, αφού οδηγούν στα προσδοκώμενα αποτελέσματα. Στην περίπτωση χρήσης στατικών μοντέλων πρόβλεψης που χρησιμοποιούν δεδομένα της τρέχουσας διαπραγμάτευσης, αποδεικνύεται ότι η μείωση του σφάλματος πρόβλεψης ανέρχεται στο 92.67% σε σχέση με αυτό που προκύπτει από μοντέλα που βασίζονται σε συνθετικά δεδομένα, ή σε δεδομένα προηγούμενων διαπραγματεύσεων. Επίσης αποδεικνύεται ότι τα δυναμικά μοντέλα παρέχουν πιο σταθερές προβλέψεις μεγαλύτερης ακρίβειας, αφού η μείωση του μέσου σφάλματος ανέρχεται στο 38.34%, η μείωση της μέσης τυπικής απόκλισης ανέρχεται στο 38.03% και η μέση μέγιστη τιμή είναι μειωμένη κατά 44.75% σε σχέση με τα στατικά μοντέλα. Παρόλα αυτά, τα μοντέλα που βελτιστοποιούν τη δομή τους με χρήση γενετικού αλγορίθμου παρουσιάζουν μεγαλύτερο χρονικό και υπολογιστικό κόστος για τους διαπραγματευτές. Έτσι η προτεινόμενη στρατηγική δοκιμάστηκε σε διαπραγματεύσεις πολλαπλών χαρακτηριστικών με χρήση στατικών μοντέλων, και αναζητήθηκε εμπειρικά η βέλτιστη αρχιτεκτονική. Μικρότερο σφάλμα και τυπική απόκλιση σημειώθηκε στην περίπτωση των 5 κόμβων εισόδου και 4 κόμβων κρυφού επιπέδου, που οδήγησε σε αύξηση της ατομικής ωφέλειας του διαπραγματευτή κατά 10.78%.
