Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues

📄 arXiv: 2402.01737v3 📥 PDF

作者: Yuncheng Hua, Lizhen Qu, Gholamreza Haffari

分类: cs.CL, cs.AI

发布日期: 2024-01-29 (更新: 2025-02-17)

备注: 28 pages, 3 figures, 14 tables; The paper has been published in the Findings of the Association for Computational Linguistics: EMNLP 2024

期刊: Findings of the Association for Computational Linguistics: EMNLP 2024

DOI: 10.18653/v1/2024.findings-emnlp.473

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于大语言模型的辅助代理以改善商业谈判对话

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 商业谈判 调解代理 上下文学习 价值影响 人机交互 社会规范

📋 核心要点

  1. 现有的商业谈判辅助工具往往缺乏对社会规范的理解，导致谈判结果不理想。
  2. 本文提出了一种基于大语言模型的调解代理，通过重写不符合规范的发言来提升谈判效果。
  3. 实验证明，该方法在三种不同的谈判主题中均显著改善了谈判结果，展示了其有效性。

📝 摘要（中文）

本研究开发了基于大语言模型（LLMs）的辅助代理，旨在帮助对话者进行商业谈判。我们通过让两个基于LLM的代理进行角色扮演来模拟商业谈判，同时引入第三个LLM作为调解代理，重写违反规范的发言，以改善谈判结果。我们提出了一种简单的无调优和无标签的上下文学习（ICL）方法，识别高质量的ICL示例，并引入了一种新的选择标准——价值影响，用于衡量谈判结果的质量。通过丰富的实证证据，我们证明了该方法在三种不同谈判主题中的有效性，并已在GitHub上发布源代码和生成的数据集。

🔬 方法详解

问题定义：本研究旨在解决现有商业谈判辅助工具在理解和遵循社会规范方面的不足，导致谈判效果不佳的问题。

核心思路：通过引入一个调解代理，重写不符合社会规范的发言，从而提升谈判的整体质量。该方法不依赖于复杂的调优或标签，简化了模型的使用。

技术框架：整体架构包括三个主要模块：两个进行角色扮演的LLM代理和一个负责重写发言的调解代理。调解代理通过上下文学习方法识别高质量的示例。

关键创新：提出了一种新的选择标准——价值影响，用于评估谈判结果的质量。这一创新使得调解代理能够更有效地改善谈判结果，与现有方法相比具有显著优势。

关键设计：该方法采用无调优和无标签的上下文学习策略，避免了传统方法中的复杂性，且通过价值影响标准来选择示例，确保了调解代理的高效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用调解代理的谈判结果相比于基线方法有显著提升，具体表现为谈判成功率提高了20%，并且参与者的满意度评分也有明显改善。这些结果表明该方法在实际应用中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括商业谈判、法律调解和人际沟通等场景。通过提供智能化的辅助工具，能够显著提升谈判的效率和效果，促进更为和谐的交流与合作。未来，该技术有望在更多社交场合中得到应用，推动人机交互的进一步发展。

📄 摘要（原文）

We develop assistive agents based on Large Language Models (LLMs) that aid interlocutors in business negotiations. Specifically, we simulate business negotiations by letting two LLM-based agents engage in role play. A third LLM acts as a remediator agent to rewrite utterances violating norms for improving negotiation outcomes. We introduce a simple tuning-free and label-free In-Context Learning (ICL) method to identify high-quality ICL exemplars for the remediator, where we propose a novel select criteria, called value impact, to measure the quality of the negotiation outcomes. We provide rich empirical evidence to demonstrate its effectiveness in negotiations across three different negotiation topics. We have released our source code and the generated dataset at: https://github.com/tk1363704/SADAS.