💬 NLP

Preference Estimation via Opponent Modeling in Multi-Agent Negotiation

تقترح هذه الورقة إطار عمل مبتكر يدمج النماذج اللغوية الكبيرة مع نمذجة الخصم البايزية المهيكلة لتحويل الإشارات النوعية للغة الطبيعية إلى معتقدات احتمالية، مما يعزز دقة تقدير التفضيلات ومعدلات الاتفاق في المفاوضات المعقدة متعددة الوكلاء.

المؤلفون الأصليون: Yuta Konishi, Kento Yamamoto, Eisuke Sonomoto, Rikuho Takeda, Ryo Furukawa, Yusuke Muraki, Takafumi Shimizu, Kazuma Fukumura, Yuya Kanemoto, Takayuki Ito, Shiyao Ding

نُشر 2026-04-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuta Konishi, Kento Yamamoto, Eisuke Sonomoto, Rikuho Takeda, Ryo Furukawa, Yusuke Muraki, Takafumi Shimizu, Kazuma Fukumura, Yuya Kanemoto, Takayuki Ito, Shiyao Ding

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك في حفلة عشاء ضخمة وفوضوية، حيث تحاول ست مجموعات مختلفة تقرير قائمة الطعام. هناك خمس وجبات للاختيار من بينها (وهي "القضايا")، ولكل وجبة عشرات الخيارات (وهي "العناصر"). لدى الجميع قائمة سرية بما يحبونه وما يكرهونه، لكنهم لن يخبروك بذلك مباشرة؛ بل يتحدثون فقط بتلميحات غامضة مثل: "أنا جائع حقاً لشيء حار"، أو "لست من محبي الحلوى التي اخترناها في المرة الماضية".

هدفك هو معرفة ما يريده الجميع حتى تتمكن من اقتراح قائمة طعام يوافق الجميع على تناولها. إذا أخطأت في التخمين، ستنتهي الحفلة بشجار، وسيعود الجميع إلى منازلهم جائعين.

هذا بالضبط هو المشكلة التي يحاول الباحثون في هذه الورقة البحثية حلها، ولكن بدلاً من حفلة العشاء، نحن نتحدث عن وكلاء حاسوب مؤتمتة تتفاوض لحل مشكلات معقدة.

إليك شرح مبسط لحلهم:

المشكلة: فخ "الأرقام فقط"

تقليدياً، كانت الحواسيب تحاول تخمين ما يريده الطرف الآخر من خلال النظر فقط إلى الأرقام.

الطريقة القديمة: إذا قدم الطرف الآخر عرضاً يتضمن "الخيار أ" بدلاً من "الخيار ب"، يقوم الحاسوب بعمليات حسابية ليخمن: "آه، إنهم يفضلون (أ) أكثر من (ب)".
العيب: هذا يشبه محاولة تخمين طعام شخص مفضل بمجرد مراقبته وهو يأكل، دون سماع صوته أبداً. هذه الطريقة بطيئة، وغالباً ما تكون خاطئة، وإذا كان الطرف الآخر مخادعاً أو كان الموقف مربكاً، فإن الحاسوب يضيع. فهي تفتقر إلى الإشارات النوعية — مثل النبرة، والتشديد، والكلمات المحددة التي يستخدمها الناس.

الفكرة الجديدة: المحقق "المترجم الخارق"

أدرك المؤلفون أنه بينما تسوء قدرة الحواسيب على قراءة ما بين السطور، فإن نماذج اللغات الكبيرة (LLMs) (مثل الذكاء الاصطناعي الذي يشغل هذه الدردشة) بارعة جداً في ذلك. فهي تستطيع فهم اللغة البشرية، والسخرية، والتشديد.

ومع ذلك، لا يمكنك مجرد سؤال الذكاء الاصطناعي: "ماذا يريدون؟" وتوقع أن يعطيك معادلة رياضية مثالية؛ فالذكاء الاصطناعي قد يكون غير متسق؛ فقد يقول في لحظة "إنهم يحبون الطعام الحار"، وفي اللحظة التالية قد ينسى ذلك.

الحل: لقد بنوا نظام تحقيق هجين.

المترجم (LLM): أولاً، يستمع الذكاء الاصطناعي إلى المحادثة. عندما يقول الخصم: "أنا حقاً أكره الخيار الأزرق"، يترجم الذكاء الاصطناعي ذلك إلى تلميح مهيكل: "الخصم لا يحب الخيار الأزرق".
المحاسب (الرياضيات البايزية): بعد ذلك، يتم تغذية هذا التلميح في نظام رياضي صارم (الاستدلال البايزي). يعمل هذا النظام كدفتر حسابات؛ فهو يأخذ التلميح الجديد ويحدث "احتمالية" ما يريده الخصم بالفعل. هو لا يخمن فحسب، بل يحسب مدى احتمالية أن يكون لدى الخصم مجموعة محددة من التفضيلات بناءً على جميع التلميحات التي تم جمعها حتى الآن.

التشبيه: لاعب البوكر

فكر في التفاوض كأنه لعبة بوكر.

الخصم يمسك بيد من الأوراق (تفضيلاتهم الحقيقية).
الطريقة القديمة كانت تنظر فقط إلى الأوراق التي يراهنون بها (العروض الرقمية).
الطريقة الجديدة تنظر إلى الأوراق التي يراهنون بها وتستمع أيضاً إلى "علاماتهم" (اللغة التي يستخدمونها).
- إذا قالوا: "أنا واثق من هذه اليد"، يترجم الذكاء الاصطناعي ذلك إلى إشارة.
- ثم يقوم النظام الرياضي بتحديث الاحتمالات: "حسناً، بالنظر إلى أنهم راهنوا بمبلغ عالٍ وقالوا إنهم واثقون، فهناك الآن احتمال بنسبة 90% أن لديهم يد رابحة".

لماذا هذا مهم؟

اختبر الباحثون هذا في سيناريو صعب للغاية (مثال "المرفق الرياضي") حيث كان هناك 6 مجموعات مختلفة، بعضهم يمتلك سلطة الاعتراض (الفيتو) على الصفقة بأكملها. كان من الكابوس إيجاد حل يرضي الجميع.

النتائج:

صفقات أفضل: ساعدت الطريقة الجديدة الوكلاء على التوصل إلى اتفاق كامل (حيث يكون الجميع سعداء) بشكل أكبر بكثير من الطرق القديمة.
تخمين أفضل: كان الوكلاء أفضل بكثير في تخمين بطاقات النقاط السرية للطرف الآخر.
تأثير "الكل": عندما استخدم الجميع نظام المحقق الذكي هذا (وليس شخصاً واحداً فقط)، انسجمت المجموعة مع بعضها البعض بشكل أفضل. إنه يشبه امتلاك فريق كامل من المحققين بدلاً من محقق واحد فقط.

الخلاصة

تظهر هذه الورقة البحثية أنه لجعل الحواسيب تتفاوض بشكل أفضل، لا ينبغي لنا فقط جعلها تقوم بمزيد من الرياضيات. بل يجب أن نعلمها كيف تستمع لما يقوله الناس، وترجم تلك الكلمات إلى تلميحات، ثم تستخدم الرياضيات لمعرفة الحقيقة. إنه الزواج المثالي بين الفهم الشبيه بالبشر والدقة الآلية.

باختصار: لا تكتفِ بعدّ الأوراق؛ بل استمع إلى الثرثرة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقدير التفضيلات عبر نمذجة الخصم في التفاوض متعدد الأطراف".

1. بيان المشكلة

يعتمد التفاوض الآلي في البيئات المعقدة، متعددة الأطراف ومتعددة القضايا، بشكل كبير على نمذجة الخصم الدقيقة للوصول إلى الإجماع. ومع ذلك، تواجه النهج الحالية قيوداً كبيرة:

الأسالوة العددية التقليدية: تقوم النماذج البينية (Bayesian) أو نماذج التعلم التعزيزي التقليدية بتقدير التفضيلات بناءً فقط على تاريخ المقترحات الرقمية (الصفقات). وهي تفشل في التقاط المعلومات النوعية المضمنة في العبارات اللغوية الطبيعية، مما يؤدي إلى تقدير غير مستقر وغير مكتمل للتفضيلات، خاصة في ظل عدم اليقين العالي.
التطبيق المباشر للنماذج اللغوية الكبيرة (LLMs): بينما تتفوق النماذج اللغوية الكبيرة في الفهم الدلالي ونظرية العقل (ToM)، فإن تطبيقها المباشر (على سبيل المثال، عبر سلسلة الأفكواب - Chain-of-Thought أو الاستدلال المباشر) يؤدي إلى نقص في الاتساق الاستراتيجي، وهشاشة في التعميم، وعدم القدرة على تحديث المعتقدات رسمياً بمرور الوقت في سيناريوهات التفاوض الديناميكية.

التحدي الجوهري: كيف يمكن دمج الإشارات النوعية من اللغة الطبيعية المستخرجة من الحوار كمياً في إطار عمل لنمذجة الخصم يتسم بالهيكلية والاتساق والديناميكية لتحسين نتائج التفاوض.

2. المنهجية

يقترح المؤلفون إطار عمل جديد لتقدير التفضيلات البيني (Bayesian) يدمج بيانات المقترحات الرقمية مع الإشارات اللغوية النوعية المستخرجة بواسطة نموذج لغوي كبير.

أ. صياغة المشكلة

الإعداد: تفاوض متعدد الأطراف ( $N$ من الوكلاء)، متعدد القضايا ( $M$ من القضايا).
هيكل الصفقة: الصفقة $d_t$ في الجولة $t$ هي عبارة عن مجموعة من الخيارات $(o^1_t, \dots, o^M_t)$ .
المنفعة (Utility): يمتلك كل وكيل دالة منفعة خاصة $U_n(d_t)$ تُعرف كمجموع مرجح لدرجات القضايا.
الهدف: الوصول إلى اتفاق حيث يحقق جميع (أو مجموعة فرعية مطلوبة بما في ذلك حاملي حق النقض/الفيتو) الوكلاء منفعة أعلى من عتبة الاحتياط الخاصة بهم ( $\tau$ ).

ب. إطار العمل المقترح

يمتد هذا النهج ليشمل نمذجة الخصم البينية القياسية (Hindriks & Tykhonov, 2008) مع مكون لغوي مدفوع بالنماذج اللغوية الكبيرة.

فضاء الفرضيات ( $H$ ):
- يحتفظ الوكيل بمجموعة من الفرضيات المرشحة $H = \{h_1, \dots, h_K\}$ .
- تتكون كل فرضية $h_k$ من متجه أوزان القضايا ( $w$ ) الذي يمثل الأهمية النسبية، ومجموعة من دوال التقييم ( $v$ ) التي تمثل أشكال التفضيل للخيارات.
- يتم حساب المنفعة المقدرة تحت الفرضية $h_k$ كالتالي: $\hat{U}(d_t; h_k) = \sum w_m^{(k)} \cdot v_m^{(k)}(o_t^m)$ .
تقدير الاحتمالية المزدوج (Dual Likelihood Estimation):
يحسب إطار العمل احتمال الفرضية بناءً على مصدرين مستقلين للأدلة (افتراض بايز الناييف/الساذج):
- الاحتمالية الرقمية ( $P(d_t | h_k)$ ): تعتمد على قرب الصفقة المرصودة من المنفعة المستهدفة المفترضة للخصم (استراتيجية قائمة على التنازل)، ويتم نمذجتها عبر تقريب التوزيع الطبيعي.
- الاحتمالية اللغوية ( $P(z_t | h_k)$ ):
  - استخراج الإشارة: يقوم النموذج اللغوي الكبير بتحليل عبارة الخصم $u_t$ إلى إشارة مهيكلة $z_t$ تحتوي على هدف (قضية أو خيار) وموقف (تفضيل/معارضة).
  - حساب الاحتمالية: يتم حساب احتمالية ظهور إشارة لغوية محددة باستخدام بديهية الاختيار لوس (Luce's Choice Axiom). على سبيل المثال، إذا أعرب الوكيل عن تفضيله للقضية $i_x$ ، فإن الاحتمالية تكون متناسبة مع الوزن $w_x$ في الفرضية.
الدمج البيني (Bayesian Fusion):
يتم تحديث الاحتمال اللاحق لكل فرضية بالتتابع باستخدام الاحتمالات المزدوجة:
$P(h_k | d_t, z_t) \propto P(d_t | h_k) \cdot P(z_t | h_k) \cdot P(h_k)$
يسمح هذا للوكيل بتنقيح معتقده حول تفضيلات الخصم ديناميكياً مع تقدم عملية التفاوض.

3. المساهمات الرئيسية

إطار عمل متكامل: بنية مبتكرة تكمل استخراج النوايا النوعية القائمة على النماذج اللغوية الكبيرة مع الاستدلال البيني الكمي، مما يسد الفجوة بين الفهم الدلالي والاستدلال الاحتمالي.
أداء متفوق: إثبات أن النهج الهجين يتفوق على النماذج المرجعية التي تعتمد فقط على البيانات الرقمية أو الاستدلال المباشر للنماذج اللغوية الكبيرة في السيناريوهات المعقدة متعددة الأطراف.
المتانة في ظل عدم اليقين: يحسن إطار العمل معدلات الاتفاق بشكل كبير حتى في مساحات الاتفاق الشحيحة حيث يكون العثور على صفقة مقبولة متبادلاً أمراً صعباً إحصائياً.

4. النتائج التجريبية

تم تقييم الطريقة في سيناريو معياري يتضمن 6 أصحاب مصلحة (بما في ذلك 2 من حاملي حق النقض) و 5 قضايا (بناء مرافق رياضية)، مع وجود 720 صفقة ممكنة ولكن حوالي 3 صفقات فقط تلبي احتياجات جميع الأطراف.

نتائج التفاوض (500 تجربة):
- معدل الاتفاق الكامل (FAR): حققت الطريقة المقترحة مع التقدير المتبادل ("Proposed (all)") أعلى معدل FAR بلغ 0.62، متفوقة بشكل كبير على Base-LLM (0.37) و Base-OM (0.56).
- معدل الاتفاق الجزئي (PAR): حققت 0.89، مما يشير إلى نجاح عالٍ في الوصول إلى اتفاقات مع غالبية أصحاب المصلحة.
- معدل الاتفاق الكامن (LAR): بلغ 0.98، مما يظهر أن النظام نادراً ما فشل في إيجاد أي صفقة صالحة.
دقة تقدير التفضيلات:
- متوسط مربع الخطأ (MSE): حققت الطönt المقترحة متوسط MSE قدره 159، وهو أقل من Base-OM (189) و LLM-PE (163).
- الدقة المتوازنة: على عكس LLM-PE، التي أظهرت تبايناً عبر مختلف الوكلاء، قدمت الطريقة المقترحة تنبؤات أكثر توازناً وأقل انحيازاً لجميع الخصوم.

5. الأهمية والخاتمة

تثبت هذه الورقة أن دمج فهم اللغة الطبيعية مع النمذجة الاحتمالية الصارمة أمر بالغ الأهمية للتفاوض الآلي الفعال.

الأثر النظري: تؤكد الورقة أن الإشارات النوعية (العبارات) ليست مجرد ضجيج، بل هي إشارات احتمالية قابلة للتنفيذ، والتي عند صياغتها عبر بديهية "لوس" والتحديثات البينية، تقلل بشكل كبير من خطأ التقدير.
الأثر العملي: يتيح إطار العمل للوكلاء المستقلين التنقل في المفاوضات متعددة الأطراف عالية المخاطر بشكل أكثر فعالية، وتحديد مناطق الإجماع التي قد تغفل عنها مناهج الذكاء الاصاسي التوليدي أو الرقمي البحت.
الاتجاهات المستقبلية: يشير المؤلفون إلى قيود تتعلق بالقدرة على التوسع مع زيادة عدد القضايا، والمتانة ضد الاستراتيجيات الخداعية (الخداع/Bluffing)، والحاجة إلى استنتاج قيم الاحتياط مباشرة.

باختة القول، يضع هذا العمل معياراً جديداً لنمذجة الخصم من خلال التعامل مع اللغة الطبيعية ليس فقط كقناة اتصال، بل كمصدر بيانات كمي لتحديث المعتقدات البينية.