Modéliser les préférences des utilisateurs est incontournable dans de nombreux problèmes de la vie courante, que ce soit pour la prise de décision individuelle ou collective ou le raisonnement stratégique par exemple. Cependant, il n'est pas facile de travailler avec les préférences. Comme les agents ne connaissent pas complètement leurs préférences à l'avance, nous avons seulement deux moyens de les déterminer pour pouvoir raisonner ensuite : nous pouvons les inférer soit de ce que les agents disent, soit de leurs actions non-linguistiques. Plusieurs méthodes ont été proposées en Intelligence Artificielle pour apprendre les préférences à partir d'actions non-linguistiques mais à notre connaissance très peu de travaux ont étudié comment éliciter efficacement les préférences verbalisées par les utilisateurs grâce à des méthodes de Traitement Automatique des Langues (TAL).Dans ce travail, nous proposons une nouvelle approche pour extraire et raisonner sur les préférences exprimées dans des dialogues de négociation. Après avoir extrait les préférences de chaque tour de dialogue, nous utilisons la structure discursive pour suivre leur évolution au fur et à mesure de la conversation. Nous utilisons les CP-nets, un modèle de représentation des préférences, pour formaliser et raisonner sur ces préférences extraites. Cette méthode est d'abord évaluée sur différents corpus de négociation pour lesquels les résultats montrent que la méthode est prometteuse. Nous l'appliquons ensuite dans sa globalité avec des raisonnements issus de la Théorie des Jeux pour prédire les échanges effectués, ou non, dans le jeu de marchandage Les Colons de Catane. Les résultats obtenus montrent des prédictions significativement meilleures que celles de quatre baselines qui ne gèrent pas correctement le raisonnement stratégique. Cette thèse présente donc une nouvelle approche à la croisée de plusieurs domaines : le Traitement Automatique des Langues (pour l'extraction automatique des préférences et le raisonnement sur leur verbalisation), l'Intelligence Artificielle (pour la modélisation et le raisonnement sur les préférences extraites) et la Théorie des Jeux (pour la prédiction des actions stratégiques dans un jeu de marchandage)
展开▼
机译：在许多日常问题中，无论是个人决策还是集体决策或战略推理，都必须对用户偏好进行建模。但是，使用首选项并不容易。由于代理人事先并不完全了解他们的偏好，因此我们只有两种方法可以确定他们的偏好，以便我们接下来可以进行推理：我们可以从代理人所说的话或从他们的非语言行为中推断出他们。人工智能中已经提出了几种方法来学习非语言行为的偏好，但是据我们所知，由于自动语言处理（LAT）方法，很少有研究研究如何有效地引起用户口头表达的偏好。在这项工作中，我们提出了一种新的方法来提取和推理谈判对话中表达的偏好。在提取出每轮对话的偏好之后，我们使用话语结构来跟踪对话过程的演变。我们使用CP-net（偏好表示模型）来对提取的偏好进行形式化和推理。该方法首先在不同的协商语料库上进行了评估，结果表明该方法很有希望。然后，我们将其整体应用博弈论进行推理，以预测是否在讨价还价游戏《 Les Colons de Catane》中进行了交流。与没有正确管理战略推理的四个基线相比，获得的结果显示出明显更好的预测。因此，本论文提出了一种跨领域交叉领域的新方法：自动语言处理（用于自动提取偏好以及对其表达的推理），人工智能（用于对所提取的偏好进行建模和推理） ）和博弈论（用于预测讨价还价博弈中的战略行动）
展开▼
