Jun, 2016

使用双阶段训练的策略网络用于对话系统

PDF
TL;DR本文提出使用训练有优势 actor-critic 方法的深度策略网络统计优化对话系统，演示了在深度强化学习下优于高斯过程方法，可以有效地训练部分可观察马尔可夫决策过程的对话系统，有效提高学习速度，所有实验在 DSTC2 餐厅领域数据集上进行。
deep rlpolicy networksdialogue systemsactor-critic architecturemarkov decision processes
发现论文，激发创造
  • 针对大动作空间的对话系统高效样本深度增强学习

    本文探究深度强化学习方法解决在口语对话系统的策略优化问题，通过结合多种方法提出 ACER 算法以显著提高训练效率和应用范围。

    Feb, 2018

  • 基于深度强化学习的任务导向对话模型端到端优化

    介绍了一种基于神经网络的任务导向对话系统，可以使用深度强化学习进行端到端优化，可跟踪对话状态，与知识库交互，并将查询结果整合到代理人的响应中，以成功完成任务导向对话。

    Nov, 2017

  • 一种用监督数据提高采样效率的演员 - 评论家强化学习方法在对话管理中的应用

    介绍了两种神经网络算法 ——trust region actor-critic with experience replay (TRACER) 和 episodic natural actor-critic with experience replay (eNACER)，以加速深度强化学习，在线学习过程中的效果，并利用演示数据来预先训练深度强化学习模型，以缓解冷启动问题。

    Jul, 2017

  • 分布式结构化演员 - 评论家强化学习在通用对话管理中的应用

    本篇论文主要探讨针对特定任务的语音对话系统，重点在于如何通过部分可观察的马尔可夫决策过程来制定对话策略，并以神经网络为函数逼近器的方式，探索深度强化学习算法在对话决策中的应用。

    Sep, 2020

  • 面向任务导向的对话策略学习中强化学习方法的最新进展和挑战综述

    本文综述了基于强化学习的对话策略学习中的最新进展和挑战，并将近期方法归类为强化学习的基本元素，以期为未来的对话管理研究提供一些启示。

    Feb, 2022

  • 强化学习任务导向对话管理基准测试环境

    本文旨在提供用于对话模型开发与评估的一组具有挑战性的模拟环境，其中包括常用的参数算法和非参数算法，并使用公共 PyDial 工具包实现了这些环境和策略模型，以建立一个实验测试平台并促进可重现性的实验。

    Nov, 2017

  • 端到端可训练任务导向神经对话模型中的迭代策略学习

    本文提出一种采用深度强化学习框架实现的迭代式对话策略优化方法，解决了当前学习对话策略的主流方法之一 - 与用户模拟器进行对话时模拟器可靠性低的难题，同时也极大地提高了任务成功率与任务奖励值。此方法可以广泛应用于端到端任务导向型对话系统中，其关键在于通过深度 RL 来同时优化对话代理和用户模拟器的对话策略，并且对话代理和用户模拟器均建立在端到端的神经网络模型上。

    Sep, 2017

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015

  • 无需对抗性学习的引导式对话策略学习

    提出了一种将对抗训练分解成两步的方法，通过辅助对话生成器训练鉴别器并将派生的奖励模型整合到一种通用强化学习方法中，以引导对话策略学习。该方法适用于在线和离线强化学习方法，可获得显著的任务成功率，并有将知识从现有领域转移到新领域的潜力。

    Apr, 2020

  • 通过对话策略和语言生成之间的替代优化构建面向任务的视觉对话系统

    本研究提出一种新的框架，可有效学习任务导向视觉对话系统的最优对话策略，并在 GuessWhich 任务中实现了最新的任务完成和对话质量表现。

    Sep, 2019