随着电子商务的蓬勃发展和软件技术的不断成熟,智能Agent由于其特有的自主性、交互性、社会性等特点以及适于处理分布式问题等优势,在电子商务中表现出了良好的应用前景。Agent可以继承人的偏好和利益,代替人迅速、高效、智能的完成交易中的多个关键环节,实现交易过程的自动化、智能化和个性化,Agent介入的电子商务(Agent-MediatedElectronic Commerce,AMEC)成为了电子商务和人工智能领域新的研究热点。在AMEC环境下,Agent一般通过协商的方式与其他Agent来达成一致,然后签订合同并按照合同条款来执行交易。但由于市场的动态性和开放性,Agent通常面临多个不同的协商伙伴,他们具有不同的偏好、利益、目标和信息,如何从中选择最合适的伙伴来进行交易,是协商前必须解决的重要问题,它对于提高交易的成功率和效率、增加用户收益、提高电子商务系统的运行效率有重要意义。本文基于现有研究的不足,提出一种基于学习和信任的多Agent协商伙伴选择模型。首先,根据多Agent协商问题的交互性特点,引入支持向量机分类方法对Agent的协商决策函数进行学习,从Agent的协商历史信息中提取样本来训练SVM,利用SVM预测伙伴的协商决策函数,并将决策函数的分类结果整合到模拟协商过程中,预测与特定伙伴协商时可能出现的结果以及相应的协商收益:其次,针对AMEC合同执行和交易评价阶段提出一种基于概率的多Agent信任模型,描述了信任模型的构建思想,根据交易结果的评价给出了信任评分方法,利用正态分布设计了信任精确度计算方法,并基于多Agent推荐行为的特点,提出一种新的可信度计算模型,在此基础上,考虑了交易历史的不同情况,对信任进行有效的聚合,得到不同情况下交易伙伴的整体信任度;然后,以AMEC交易流程为背景,将预测的收益和信任有机结合起来,基于Agent的自利性原则,选择最合适的协商伙伴,并对基于该方法的伙伴选择流程进行了描述;最后,模拟电子市场上的交易过程进行了实验,通过实验解释和说明了基于本文模型的协商伙伴选择过程,分析了模型的各个参数的变化趋势,验证了模型的性能。