通用论证框架介绍及其应用与并发论证语言实现探索

### 通用论证框架介绍及其应用与并发论证语言实现探索 在人工智能领域，论证理论为表示和评估相互作用的论证提供了形式化模型。传统的抽象论证框架仅考虑论证之间的攻击关系，然而在复杂场景中，额外信息对于准确描述辩论和做出更好决策至关重要。因此，人们定义了扩展框架，如双极框架（考虑论证之间的支持关系）和加权框架（允许为攻击赋予不同重要性）。为了统一这些扩展框架并进一步扩展其表达能力，通用论证框架（GAFs）应运而生。同时，目前可用的论证语言大多未考虑并发交互，为弥补这一不足，一种并发论证语言被提出。 #### 通用论证框架（GAFs）相关概念 - **关键度量指标** - **用户论证置信度（User Argument Confidence）**：用 $wc(u, α)$ 表示，反映用户对论证 $α$ 的置信程度。 - **权威度（Authority Degree）**：定义为 $max(min_{v̸=u}\{w^T_E (v, u)\}, w_a(uα))$，基于信任用户图，其中 $t(u, G_T ) = min_{v̸=u}\{w^T_E (v, u)\}$。 - **论证强度（Argument Strength）**：用 $w_A(α)$ 表示，衡量论证本身的强度。 - **群体共识（Crowd’s Agreement）**：$ca(α)$ 按简单投票聚合函数实现，$ca(α) = \begin{cases} 0, & \text{if } V^+(α) = V^-(α) = 0 \\ \frac{V^+(α)}{V^+(α)+V^-(α)}, & \text{otherwise} \end{cases}$，其中 $V^+(α)$ 和 $V^-(α)$ 分别表示对论证 $α$ 的正投票数和负投票数，在 T - GAF 模型中，$V^+(α) = |\{u ∈U | wc(u, α) > 0\}|$，$V^-(α) = |\{u ∈U | wc(u, α) < 0\}|$。 - **证据和必要性的表达** - **基于证据的 GAFs（E - GAFs）**：给定 EAS $\langle A, \hat{R}, \hat{E}\rangle$，定义 E - GAF $\langle A, S, w_A, w_R\rangle$，其中 $\forallα, β ∈A$，$w_R(α, β) = \begin{cases} -1, & \text{if } (α, β) ∈\hat{R} \\ +1, & \text{if } (α, β) ∈\hat{E} \\ 0, & \text{otherwise} \end{cases}$。上下文 $S$ 包含一个“平行”GAF $G = \langle A, \{\perp\}, w'_A, w'_R\rangle$，$\forallα, β ∈A$，$w'_R(α, β) = \begin{cases} 1, & \text{if } w_R(α, β) > 0 \\ 0, & \text{otherwise} \end{cases}$。在 E - GAF 中，$w'_A = 1$ 赋予所有论证初始可接受性。通过定义函数 $e : A →\{0, 1\}$，$e(α) = \sum_{\langleη=x_0,...,x_n=α\rangle∈P_G(η,α)} \prod_{i=1,...,n} w'_R(x_{i - 1}, x_i)$，判断论证 $α$ 是否能通过支持路径追溯到 $η$。 - **基于必要性的 GAFs（N - GAFs）**：给定 AFN $\langle A, \hat{R}, \hat{N}\rangle$，同样定义 N - GAF $\langle A, S, w_A, w_R\rangle$。为识别未获得支持的论证，定义 $w'_A(α) = \begin{cases} 0, & \text{if } \sum_{x∈A} w'_R(x, α) > 0 \\ 1, & \text{otherwise} \end{cases}$。函数 $e(α) = \sum_{\langle x_0,...,x_n=α\rangle∈P_G(η,α)} w'_A(x_0) \cdot \prod_{i=1,...,n} w'_R(x_{i - 1}, x_i)$ 用于