本发明涉及自然语言处理技术，具体是电子商务领域中的一种基于情感分析的人机谈判方法。
背景技术：
1、在过去，人们通过人工客户服务处理事物，随着人工智能的快速发展，现在他们更倾向于使用智能客户服务系统。情感分类作为自然语言处理中的一项重要任务，在很多应用场景中具有广泛的应用，特别是在人机谈判对话系统中，对于机器而言，在对话中能检测出人类的情感仍然是一项挑战，并且只有文本数据的同时就会更加的困难，短文本的情感分类虽说已经取得了相当好的性能，但是只是对积极的、消极的标签进行分类。现有的基于传统的机器学习算法的情感分类往往不能有效地捕捉到文本语义信息和上下文，导致对细粒度的情感分类除文本之外还需要额外的信息，近年来，预训练语言模型在情感分类任务中取得了显著的性能提升。
技术实现思路
1、本发明的目的是针对现有技术的不足，而提供一种基于情感分析的人机谈判方法。这种方法能提高谈判效率、减少资源的浪费，结合情感和数据分析，使人机谈判更具智能化和人性化，进而能提高交易率。
2、实现本发明目的的技术方案是：
3、一种基于情感分析的人机谈判方法，包括如下步骤：
4、1)构建数据集：在电子商务的人机谈判中进行情感分类，采用以下几种方式来构建数据集：
5、第一种是通过各种电商平台来总结收纳；
6、第二种是人为地去与电商平台的客服进行对话以此来收集各种语料；
7、第三种是引入最新的gpt 3.5技术构建一个开源数据集，通过api接口调用自动生成数据，由于构建的数据集的质量相对来说不是很高，所以还需要同时手动调整句子所表达的方式和意思；
8、2)进行情感分类：把情绪分为显示情感和隐式情感两种，其中显示情感包含明显情绪词文本，而隐式情感不包含明显的情绪词的文本，以电商平台的人工谈判语料为依据，总结出在人机谈判系统中高频出现的8种情感，分别为失望、委屈、害怕、开心、感激、着急、生气和冒犯；
9、3)分析准确率：对不同预训练语言模型在情感分析分类任务上的准确率作对比即将在电子商务领域采用的预训练语言模型即bert、bert变体、nezha、electra、ernie3.0、baer、xlnet、天工3.5、claude、星火、通义千问、chatglm-6b、gpt3.5中的任意一种大模型分为编码过程模块、解码过程模块和意图理解过程模块，在编写的数据集中进行实验对比分析，得出不同预训练语言模型正确判断出情感的准确度以及分析这些模型的优缺点，意图理解模块，也采用不同预训练语言模型判断意图分类任务中意图准确度，意图分类任务中包括谈判失败、谈判成功、商品材质、物流、问候以及砍价；
10、4)识别商品后对用户进行数据分析：通过步骤3)识别出意图和情感，在识别出砍价意图时，采用命名实体识别的方法，在浏览商品页面中直接进入商品页面中，用户调用该界面的接口自动获取用户所要谈判的商品，或者将用户的输入向量化，根据用户的输入词向量在句子向量中的分布，将用户输入映射到该商家的商品数据库的商品名称向量空间中，以匹配相应的实体，采用两种方式在得到实体之后，提取实体的主要的特征，即价格、意图、情感的特征值，在用户意图特征提取中，第一种是用户的输入中包含几折优惠，第二种是用户的输入中直接对于商品数量和减去的价格，就算出总共折扣多少，第三种是用户的输入直接给出用户心里所想价格，然后判断出买家所表达出的情感，出现隐式或者没有情感的句子，就不考虑情感，具体为：
11、4-1)结合用户整体消费分析：依据消费金额的多少对用户进行排名，然后把用户分为低消费用户、中等消费用户、高消费用户，如下所示：
12、
13、purchase-level＝max(pl)，
14、其中，purchase-level是用户的消费等级，numn是用户购买某件商品的等级的数量，|b|是用户的购买用量；
15、4-2)用户归属地分析：依据用户所属地区的消费能力采用针对性的对用户进行消费让步，公式如下：
16、
17、
18、其中，是代表国民生产总值，zadd是所在地的国民生产总值，constraintadd是一个判定的条件，用来计算当地的国民生产总值是否高于全国的平均值，wadd是用户所在地的购买让步权重，是全国各地省份中的最大值，z是全国各地省份中的最小值；
19、4-3)用户浏览分析：依据数据库中浏览商品的次数以及浏览时间来确定用户是否喜欢该商品，公式如下：
20、
21、
22、其中，是用户浏览某件商品所用的平均时间，vn是用户浏览某件商品总共的时间，numn是用户浏览某件商品的次数，它是一个递增列表，其中包括用户对每个浏览过的商品所用时间的平均值，是表中的最大值，是某件商品在表中的位置，是表的长度；
23、5)设置价格谈判策略：对于不同类型的用户，根据步骤4)分析的结果设置谈判策略，包括：
24、5-1)对用户综合购买权重、喜爱权重和情感权重进行聚合，其中，用户综合购买权重为：
25、
26、
27、其中wp代表用户购买权重，rankn为某位用户在购买能力表中的总排名位置，|s|为购买能力总表的长度，wpurchase为用户的综合购买权重，wadd是用户总在第的让步权重；
28、用户综合喜爱权重为：
29、
30、
31、其中是用户对参数值pn，m商品的喜爱权重，是对参数值pn，m商品的喜爱程度，是用户在参数值集中对于最喜爱的商品参数的喜爱程度，|pn|是参数值表的长度，是参数值pn，m在参数表中的排名，wfavourite是用户的综合喜爱权重，wsee是用户的浏览权重；
32、用户综合情感权重为：
33、
34、
35、
36、
37、
38、
39、其中，fre是情感特征词在总词数中出现的频率，emotion_feature_num是句子中情感特征词的个数，n是总词数，vf是情感特征值，vs是情感实际值，rc是卖家出价让步率，rc是约束后的卖家出价让步率，a′s是系统上一轮的出价，as是当前出价，a″s是系统上上轮出价，rr谈判的轮数率，round是当前谈判轮数，wsmotion是用户纵隔情感权重，把情感分为八类，然后做出一个情感字典，卖家出价让步率，如买家的情绪趋于积极，则卖家就会降低让步幅度，若买家的情绪趋于消极，则增大让步幅度抵消买家的消极情绪，通过谈判轮数，随着轮数地增加，谈判成功的几率会减小，此时卖家可能会增大让步幅度来加快谈判进度；
40、5-2)在步骤5-1)的综合的基础上，将用户分为有购买行为和没有购买行为的用户得到最大优惠：
41、5-2-1)有购买行为得用户中有三种优惠：
42、5-2-1-1)用户浏览且购买商品，也就是购买、所在地、喜爱和浏览权重都不为0得情况：
43、
44、5-2-1-2)用户未在该店购买，也就是存在购买行为，但所在地、喜爱和浏览权重都为0得情况：
45、
46、5-2-1-3)用户购买权重为1：
47、5-2-1-3-1)用户还处于第一种和第三种情况：
48、
49、5-2-1-3-2)用户还处于第二种和第三种情况：
50、
51、5-2-2)无购买行为得用户优惠：刚注册的新用户但是从未进行购买行为，不会有购买和喜爱权重，但是可能有浏览权重：
52、
53、5-3)谈判优惠让步策略，谈判过程中，卖家更加愿意保持原有的出价或者小幅度让步，但用户会尽可能地想要去还价，并且谈判是卖家与买家之间的博弈，将人类的情感作为影响谈判的因素，使得谈判策略更加复杂，为了尽可能地平衡卖家和买家之间双方的利益，引入两种谈判策略：boulware和conceder，前者倾向于卖家，后者倾向于买家，采用情感分析和价格让步，设计出情感安慰策略和价格让步策略，即：情绪安慰策略指当用户进行价格谈判时可能会出现不同程度的消极情绪指愤怒、生气、失望时，从而可能会影响谈判的失败，安慰对于缓解或者转变消极情绪是会有帮助的，将心比心主动将用户的立场进行调换，以用户的角度去思考解决问题，产生共情尝试与用户的情绪状态保持一致，理解与体会用户的情绪变化，主动卖惨会主动暴露自身的不足和难处，以退为进；价格让步策略指为了推动谈判的成功舍弃自身一部分利益的谈判策略，先设置基础的谈判轮数r，在前r轮中，采用conceder策略对最大优惠值进行约束限制，倾向于用户的收益，从而激发用户的购买欲望，同时利用优惠约束参数值来保证卖家的利益，如果当轮数大于r时，采用boulware策略会减小优惠力度，从而提高卖家的收益，若出现消极情绪，情感强大越大，那么系统在不伤害卖家利益得前提下增加优惠力度，根据情感和用户分析动态调整价格策略，平衡双方利益，保证谈判顺利进行；
54、6)回复生成：回复生成是与用户交互的一个组成部分，采用基于规则模板匹配的方法生成回复即提前编写好回复模板，只需要在里面填入相应的词形成流畅自然的系统回复，例如有人在砍价，就自动识别到砍价模板随意一句，“不好意思，已经很优惠了，
55、已经很便宜了”，在画线处填入价格，这种方式可以减少回复出错和不合理的几率。
56、这种方法能提高谈判效率、减少资源的浪费，结合情感和数据分析，使人机谈判更具智能化和人性化，进而能提高交易率。