本文介绍了一种利用大型语言模型（LLM）来辅助多代理环境中的谈判，减少违反社会规范行为的方法。通过两个LLM模拟谈判者，第三个LLM作为补救代理修正不当言论。为解决数据缺乏问题，提出了基于价值影响的上下文学习（ICL）策略，该策略在产品销售、房价和工资谈判等场景下表现有效。
本文是LLM系列文章，针对《Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues》的翻译。
用于社会感知谈判对话的辅助大型语言模型代理
摘要
在这项工作中，我们的目标是开发LLM代理，以减轻多代理环境中谈判中违反社会规范的行为。我们通过让两个大型语言模型（LLM）在每次对话中扮演两个谈判者的角色来模拟真实世界的谈判。第三个LLM充当补救代理，重写违反规范的话语，以改善谈判结果。由于这是一项新颖的任务，因此无法获得手动构建的数据。为了解决这一限制，我们引入了一种基于价值影响的上下文学习（ICL）方法，为基于LLM的补救代理识别高质量的ICL示例，其中价值影响函数衡量谈判结果的质量。我们展示了这种方法与政策学习的联系，并提供了丰富的经验证据来证明其在三个不同主题的谈判中的有效性：产品销售、房价和工资谈判。源代码和生成的数据集将在接受后公开。
1 引言
2 艰难谈判的辅助系统
3 具有高价值影响的示例
4 实验
5 相关工作
6 结论
在这项工作中，我们建议
已下架不支持订阅
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
