将Agent自动化协商理论与技术引入到电子商务领域，以解决服务方与客户方可能存在的争议，成为实现参与方各自利益的重要手段，其中双边多议题协商是该领域中的一个重要研究课题。以往的基于议程、相似度、案例等传统协商模型并没有考虑各议题取值之间可能存在的关联依赖性，协商效用值通常较低。同时议题取值之间的关联依赖性也无疑增加了多议题协商问题的复杂度，因此构建高效的面向议题关联的多议题协商模型成为了近些年来协商研究的一个热点问题。近些年来对多议题关联协商的研究也出现了一些成果，如将多议题协商问题转化为多目标优化问题，通过空间搜索求解，然而该方法并没有对议题关联依赖性进行描述，并且计算复杂度通常较高。在基于效用图的协商模型中，议题通常为二元取值（0或1），因此在多议题多取值的协商过程中将受到限制。而基于GAI协商模型，利用GAI网表示议题子集之间是否存在依赖性，然而当议题取值空间连续或较大时，GAI网将受到一定限制。本文在离线学习机制的基础上，提出了一种基于离线学习机制的双边多议题关联协商模型。首先，给出了协商模型的内部架构，并对各组成部分进行了相应的形式化描述。其次，提出一种新的离线学习机制，该机制主要由两大部分组成：关联规则库的构建和C-GNN算法。对于关联规则库的构建主要通过关联规则产生机制和关联规则优化机制两步实现，并利用库中的议题关联规则来形式化描述关联议题取值之间的依赖性。同时通过利用C-GNN算法对协商历史记录进行学习，形成相应的关联预测神经网络结构，从而实现对关联议题可能接受取值的有效预测。再次，在时间依赖协商策略的基础上，通过结合议题关联规则与关联预测神经网络产生的预测值提出了两种新的协商策略：基于关联规则的时间依赖策略和基于预测值的分段时间依赖策略。最后，通过模型对比实验设计，模拟实现双边多议题协商交互过程。实验结果表明，本文所提出的双边多议题关联协商模型相对于传统的基于议程的协商模型在协商总体效率与效用值方面都得到了进一步的提高，从而验证了该模型的可行性与有效性。