基于论证的计算说服中用于效用预测的机器学习
人工智能
2021-12-16 v2 计算机科学与博弈论
机器学习
机器学习
摘要
自动说服系统（APS）旨在通过进入交换论点与反论点的对话，来说服用户相信某事物。为使 APS 成功说服用户的概率最大化，它可以确定一个全局策略，使其在对话的每个阶段都能根据用户提出的任何论点选择最佳论点。然而，在诸如医疗健康等实际应用中，对话结果的效用对于 APS 和用户而言不太可能相同，或完全相反。为应对这种情况，扩展形式博弈已被用于双边决策理论中的论证。这带来了我们在本文中解决的若干新问题：（1）我们如何使用机器学习（ML）方法为不同用户子群体预测效用函数？（2）我们如何为一个新用户从已学习的效用函数中识别最佳效用函数？为此，我们开发了两种利用来自用户的信息预测其效用的 ML 方法 EAI 和 EDS。EAI 限于固定数量的信息，而 EDS 可以选择最能检测用户子群体的信息。我们在模拟环境及一项关于健康饮食习惯的实际案例研究中评估了 EAI 和 EDS。两种情况下结果均令人鼓舞，但 EDS 在预测有用效用函数方面更为有效。
引用
@article{arxiv.2112.04953,
title = {Machine Learning for Utility Prediction in Argument-Based Computational Persuasion},
author = {Ivan Donadello and Anthony Hunter and Stefano Teso and Mauro Dragoni},
journal= {arXiv preprint arXiv:2112.04953},
year = {2021}
}
备注
Updated: disclose fundings, remove unused files from source