Learning Opponents' Preferences in Multi-Object Automated Negotiation

We present a classification method for learning an opponent's preferences during a bilateral multi-issue negotiation. Similar candidate preference relations are grouped into classes, and a Bayesian technique is used to determine, for each class, the likelihood that the opponent's true preference relation over the set of offers lies in that class. Evidence used for classification decision-making is obtained by observing the opponents' sequence of offers, and applying the concession assumption, which states that negotiators usually decrease their offer utilities as time passes in order to find a deal. Simple experiments show that the technique can find the correct class after very few offers and can select a preference relation that is likely to match closely with the opponent's true preferences.Les auteurs pr\ue9sentent une m\ue9thode de classification permettant de d\ue9celer les pr\ue9f\ue9rences des antagonistes dans une n\ue9gociation bilat\ue9rale multi-objet. Les rapports de pr\ue9f\ue9rences semblables sont group\ue9s par classe, et au moyen d'une m\ue9thode bayesienne on d\ue9termine, pour chaque classe, la probabilit\ue9 que le rapport de pr\ue9f\ue9rences vrai de l'antagoniste, sur l'ensemble des offres, se situe dans cette classe. On obtient l'information n\ue9cessaire \ue0 la classification en observant la s\ue9quence des offres des antagonistes et en appliquant l'hypoth\ue8se du compromis, selon laquelle les n\ue9gociateurs tendent \ue0 r\ue9duire la valeur d'utilit\ue9 de leurs offres au fil du temps pour parvenir \ue0 une entente. Des exp\ue9riences simples montrent que cette m\ue9thode parvient \ue0 d\ue9terminer la bonne classe apr\ue8s un tr\ue8s petit nombre d'offres et \ue0 s\ue9lectionner un rapport de pr\ue9f\ue9rences qui est susceptible de correspondre aux pr\ue9f\ue9rences vraies de l'antagoniste.NRC publication: Ye