May, 2023

互动文本游戏的知识增强代理

PDF
TL;DR该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程，并考虑了多种不同的注入策略，包括知识图谱和输入编码策略的增强，实验结果在 ScienceWorld 文本游戏环境中得到证明。
natural languagecomputational modelssemi-markov text-based gamesreinforcement learningknowledge graphs
发现论文，激发创造
  • 利用常识知识增强基于文本的强化学习智能体

    本文研究了在强化学习技术中，利用基于文本的环境和游戏作为评估环境的趋势，并探讨了这种依赖文本的趋势如何将自然语言处理的进展引入到这些智能体中。我们提出了一种智能体的实例，利用 ConceptNet 中的常识知识，在两个基于文本的环境中展现了良好的性能。

    May, 2020

  • 学习基于知识图谱的文本环境世界模型

    该论文聚焦于构建基于文本的游戏环境的世界模型，利用知识图谱和自然语言行动生成模型，提升增强学习智能体在该环境下的效率。通过零样本消融实验，表明该方法显著优于现有的文本世界建模技术及其各自贡献的重要性。

    Jun, 2021

  • 基于文本的 RL 代理与常识知识：新挑战、环境和基准

    本文研究了 RL 智能体如何在具备通识知识的情况下进行决策。通过设计新的基于文本的游戏环境，实现了一种感知建模的系统，同时，也为该环境提出了多个基线 RL 智能体，这些智能体能通过动态检索 ConceptNet 中相关的通识知识，实现了更好的表现。

    Oct, 2020

  • 通过会话游戏进行一次性视觉概念学习实现交互式语言获取

    本文提出一种集成模仿学习和强化学习的方法，通过交互式对话游戏实现基于场景的语言学习，使得智能代理能够主动提问新事物并在一次对话中将新知识应用于实践。实验结果证实了该方法的有效性。

    Apr, 2018

  • 人工智能长期游戏中的知识工程：基于言语行为的案例研究

    本文介绍了知识工程的原理和方法，使得开发跨领域和应用的语言能力智能体成为可能。我们以对话行为建模为例，描述了基于 OntoAgent 知识中心的认知架构的综合方法，并突出了过去方法的局限性，这些方法将对话与其他代理功能隔离开来。

    Feb, 2022

  • 多智能体合作与（自然）语言的出现

    本文提出了一种基于多智能体交互通信的语言学习框架，在指代游戏的上下文中研究了这种学习方法，通过联系人工智能代理人彼此通信以识别随机图像，在通过调整游戏环境来提高代理人交流的自适应语言结构，并为代理人的代码提出简单的系统，从而使其更好地恰当地通信，并能更有效地与人类沟通。

    Dec, 2016

  • 文本建模世界

    该研究提供了一个数据集，用于训练能够构建基于知识图谱的交互叙事世界模型的学习代理。数据集包含了 24198 个富自然语言观察和知识图谱之间的映射，以及多个流派的 27 个游戏中的训练数据和 9 个附加的游戏中包含的 7836 项测试集等内容。此外，研究还提供了基于规则、问答和序列学习方法的基线模型以及数据分析。

    Jun, 2021

  • 在蒙特卡洛框架下通过阅读手册学习获胜

    本文介绍了一种通过语言基础知识自动为控制算法提供指导的方法，并使用多层神经网络表示文本分析与游戏操作决策，实验证明这种基于语言知识的游戏代理系统可以显著提高控制性能和获胜概率。

    Jan, 2014

  • 朝着基于多智能体通信的语言学习

    提出了一种交互式多模态框架，通过协作推理游戏，实现神经网络学习语言，初步实验结果可喜，但需注意避免智能体发展出仅针对游戏有效的特定通信编码。

    May, 2016

  • 在模拟的 3D 世界中的基于场景语言学习

    通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

    Jun, 2017