在竞争的、开放的电子商务环境中,协商成为了解决利益冲突的必然选择。随着Agent技术和多Agent系统的发展和逐步成熟,基于Agent的自动协商技术将进一步推动电子商务的发展。自动协商技术研究主要包括3个方面：协商协议、协商内容和协商策略。协商策略的研究已经取得了很多有价值的研究成果,近年来学术界的研究中把机器学习方法引入到协商决策模型中,越来越受到关注。本文在分析了自动协商基本理论的基础上,立足于双边多议题自动协商的框架和决策模型等研究,针对协商决策模型中引入机器学习算法时存在的不足之处,提出了新的协商决策模型,提高了协商性能。本文主要的研究内容和创新成果包括：1.建立了一个双边多议题自动协商框架。本文的工作是在全面研究双边多议题自动协商问题上开展的,文中给出了一个双边多议题协商框架的定义,详细定义了对协商框架的协商主体、协商议题、协商协议、协商决策模型。在协商决策模型方面,我们综合考虑了生成协商反建议的计算复杂度、协商回合数、已方效用及双方联合效用等衡量协商性能的多方面因素,设计了4种协商决策模型以应对不同的协商环境和应用需求。2.基于对手效用函数估计的协商决策模型。模型以协商建议为学习特征,通过直推式支持向量机算法学习协商历史数据,获得对手的近似效用函数,然后综合考虑双方效用,求解最优的反建议值。该模型克服了自动协商中训练样本点的标记难以获得(无标记训练样本较多,有标记训练样本较少)的问题。实验结果表明该模型在有标记样本较少的情况下,仍能表现出较好的协商性能。3.基于对手偏好估计的协商决策模型。多议题协商过程中,由于双方议题偏好的不同,使得双方有可能达成双赢的一致意见。而竞争环境中,由于信息保密性,协商参与者不会主动公布这些信息,阻碍了共赢效果的实现。该模型以协商建议作为学习特征训练支持向量机,估计对手的议题偏好,然后协商决策模型权衡双方议题偏好求解出最优的反建议值。通过实验进行验证,表明该模型能提高了协商的时间效率,并且增加了双方联合效用。4.基于双边协商轨迹学习的协商决策模型。当前的一些基于协商轨迹学习的协商决策研究中仅仅学习对手的协商轨迹,在建立对手协商轨迹与议题偏好之间的关系时,没有考虑到已方协商轨迹对对手协商轨迹的影响,而协商是一个双边互动的过程,已方在某个议题上的取值以及在该议题上的让步幅度,直接影响到对手在该议题上的取值,进而表现在对手的协商轨迹上。针对协商过程的这种特点,提出了基于双边协商轨迹学习的协商决策模型。实验表明：基于双边协商轨迹学习的协商决策模型较当前研究而言,具有更强的灵活性和适应性,其对协商轨迹与议题偏好之间的关系的学习更符合实际协商中的情况。5.基于集成学习的协商决策模型。目前自动协商研究中,都是引入单个机器学习的方法,在训练样本不足时(只有少量的协商历史数据),使用单个机器学习方法的分类能力较弱,无法获得较好的协商性能,因此提出基于集成学习的协商决策模型。模型首先计算特征空间中的马氏距离,利用KNN算法估计对手议题权值,然后通过集成学习的方法逐步缩小预测结果与实际议题权值之间的误差,提高预测精度。实验结果表明,此模型在协商历史数据较少的情况下,仍能表现出较高的协商性能。