在应用学习算法之前，需要找到一个合适的特征空间来表示协商过程．协商过程可以用协商双方的协商建议来表示。

定义1协商的过程是一个协商双方互相发送建议的过程，可以把协商的过程定义为如下的一个建议序列：
阶段M的协商轨迹，记为Q，Q的长度为2k-1．因为每个协商项的计量单位不同，在定义4中对协商阶段做了归一化处理．以协商阶段中第一个建议值作为基准，协商轨迹中每个值取协商阶段对应的建议值相对于第一个建议值的变化幅度．归一化处理后，协商轨迹与具体的协商项单位刻度，以及具体的协商建议值大小无关，只是反映了协商建议值的变化情况．经过上面的处理协商过程映射到了新的特征空间，并由此形成了多个协商轨迹，也就是每个协商经过映射形成了相应的特征向量．这些协商轨迹将作为下一步支持向量机所需要输入的样本．图1显示了一个协商轨迹。

2．2 支持向量机算法

态度强硬；标注为的数据为负类，代表协商的态度为妥协．支持向量机算法是要找到一个超平面把训练数据中的正类点和负类点分割开，并且使它们．之间的间隔最大，根据这个原则可以得到如下的支持向量分类机：
由此求得决策函数g(Q)=sgnC(w·Q)+b)，可以得到对手的协商态度是强硬还是妥协(g(Q)=1表示对手态度强硬，g(Q)=-l表示对手态度妥协)．但不能得到对手协商态度的强硬和妥协程度．从图1中可以看出，当点离分割超平面的距离越大时，对手的协商态度就越强硬或越妥协(当正类点离超平面越远时，则态度越强硬，而当负类点离分割平面越远时，则协商态度越妥协)，Q与超平面的距离为

图2 支持向量机的分类超平面

当f(Q)越大时．对手协商态度越强硬；反之，对手协商态度越妥协．则可用／(Q)的值来表示对手协商态度的强硬(或妥协)程度。

3 决策模型

首先引进两个定义，在协商过程中根据协商的情况协商项可分为两类：

定义5若协商中对手提出的反建议中$的值等于己方在前一次建议值中5．的值，则称si为无异议的协商项。

定义6若协商中对手提出的反建议中矗的值不等于己方在前一次建议值中si的值，则称si为有异议的协商项。

决策模型考虑了两个方面的因素：

扩展阅读

版权声明：