End-to-End Reinforcement Learning of Dialogue Agents for Information Access

最新推荐文章于 2019-02-20 20:52:55 发布
最新推荐文章于 2019-02-20 20:52:55 发布
阅读量444 收藏
点赞数 1
分类专栏： 深度学习

强化学习在任务驱动型对话系统中的应用。这篇文章提出一个KB-InfoBot，它是一个通过交互询问特征的方式为用户从知识库（KB）中提供实体的对话智能体，KB-InfoBot的成分都是用强化学习以end-to-end的方式训练。

任务驱动的对话系统需要与外部数据库交互，这种智能体在交互式查询中有应用。



实体模型是可微的，这意味这系统可以只用来自用户的强化学习信号实现端到端训练。




melosun
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【翻译】End-to-End Reinforcement Learning of Dialogue Agents for Information Access
Talk Is Cheap
09-19 1975
本文是微软研究软邓力老师的文章，构建了一种从知识图谱中形成response的聊天机器人KB-InfoBot，并且提出了一种端到端的增强学习训练方案。（本文对于构建一个端到端的KB + task-oriented chatbot非常有启发和指导意义）introduction一个典型的goal-oriented（就是比如query一个人演的某年电影）一般由四个部分组成：一，language unders
End-to-End Task-Completion Neural Dialogue Systems
09-10
This pa- per presents a novel end-to-end learning framework for task-completion dialogue systems to tackle such issues. Our neu- ral dialogue system can directly interact with a structured database ...
论文选读一: Towards end-to-end reinforcement learning of dialogue agents for information access
weixin_30488313的博客
08-31 167
Towards end-to-end reinforcement learning of dialogue agents for information access KB-InfoBot 与知识库交互的多轮对话模型，放弃符号式的查询语句，转而在知识库上使用soft后验分布来寻找概率最大的信息。 知识库 知识库的数据是常见的（实体关系 head, relation,tail）三元组，本文将其做了一...
End-to-End Reinforcement Learning of Dialogue Agents for Information Access 端对端加强学习对话代理信息访问
ynsshzwxhzyx的博客
03-25 836
This paper proposes KB-InfoBot—a dialogueagent that provides users with an entity from a knowledge base (KB) byinteractively asking for its attributes. All components of the KBInfoBot aretrained in an
对话系统相关论文
kpmoving的专栏
12-30 1924
On-line Active Reward Learning for Policy Optimisation in Spoken Dialogue Systems 摘要：计算精确的reward function对于通过强化学习来优化一个对话策略很重要。实际应用中，用显式的用户反馈作为reward信号往往不可靠并且难收集。如果用户的intent提前知道，或者数据可获取用于离线预训练，但实际上这两个
reinforcement-learning-an-introduction-chinese:《强化学习
04-30
reinforcement-learning-an-introduction-chinese 本项目为《Reinforcement Learning: An Introduction》（第二版）中文翻译，旨在帮助喜欢 强化学习（Reinforcement Learning）的各位能更好的学习交流。 中文在线...
Reinforcement Learning-Based Control for Unmanned Aerial Vehicles
01-20
In this paper, we propose a reinforcement learning-based control framework to prevent unauthorized UAVs from entering a target area in a dynamic game without being aware of the UAV attack model....
IE598NH-lecture-24-Stochastic Optimization for Reinforcement Learning.pdf
11-17
这篇名为“IE598NH-lecture-24-Stochastic Optimization for Reinforcement Learning”的文献由Gao Tang和Zihao Yang撰写，主要探讨了如何在未知环境动态的马尔科夫决策过程（Markov Decision Process, MDP）中，...
end-to-end:关于深度视觉运动策略的端到端培训的演讲
06-11
深度视觉运动策略的端到端训练 关于。 。 设置 运行git submodule update --init来获取reveal.js。 进入其目录并使用npm install获取其依赖项。 运行grunt来构建reveal.js 最小化的文件。 建造 ...
Python-基于知识库的问答seq2seq模型实践
08-10
基于知识库的问答：seq2seq模型实践
KB-InfoBot:用于信息访问的对话机器人
05-08
知识库 该存储库包含与《》一文附带的所有代码和数据。 先决条件 请参阅以获取必需的包装信息。 还要下载nltk数据： python -m nltk.downloader all 重要信息：从下载数据和预先训练的模型，解压缩tar并将其放置在存储库的根目录中。 代码组织 所有代理都在目录中 用户仿真器以及基于模板的seq2seq NLG都位于目录中 包含对话框管理器和数据库的类 与经过培训的InfoBot互动！ $ python interact.py 这将启动命令行工具，该工具运行在“ Medium-KB”拆分上训练的RL-SoftKB infobot。 工具本身显示了有关如何与系统进行交互的说明。 您还可以指定其他代理进行测试： $ python interact.py --help usage: interact.py [-h] [--agent AGENT] optiona
从机器学习算法的发展 理解 端到端（end to end）学习
weixin_37136725的博客
11-09 5497
经典机器学习方式是以人类的先验知识将raw数据预处理成feature，然后对feature进行分类。分类结果十分取决于feature的好坏。所以过去的机器学习专家将大部分时间花费在设计feature上。那时的机器学习有个更合适的名字叫feature engineering 。 后来人们发现，利用神经网络，让网络自己学习如何抓取feature效果更佳。于是兴起了representation lear
End-to-end LSTM-based dialog control optimized with supervised and reinforcement learning
Talk Is Cheap
07-12 2562
摘要模型的主要部分是一个循环神经网络（一个LSTM），它把粗糙的对话历史直接映射到系统的行动分布，LSTM自动从对话历史推理，也就释放了开发者人工的编辑对话状态，然后开发者可以提供表示商业规则的软件和提供编程API。LSTM可以通过监督学习优化，提供样例对话给LSTM模仿，或者通过增强学习优化，也就是系统提供直接地用户交互。实验表明监督学习和增强学习是互补的，监督学习自己从小量的训练对话中得到一个合
Deep Reinforcement Learning for Dialogue Generation
ryanloucc的博客
11-22 1603
关键词reinforcement learing，seq2seq来源EMNLP 2016.06.05问题目前的 seq2seq 模型做对话生成存在两个问题： 当前的 seq2seq 模型是这么去训练的，在给定对话上下文后，用最大似然估计作为目标函数，预测下一轮对话。但是 MLE 训练出来的模型并不能够产生有趣、多样、有信息量的反馈。 另一方面基于 MLE 的 seq2seq 模型不能够排除重复回复，
什么是end-to-end神经网络？
热门推荐
深藏功与名
11-03 3万+
来源：知乎 著作权归作者所有。 讨论: 张旭---------------------------------> 端到端指的是输入是原始数据，输出是最后的结果，原来输入端不是直接的原始数据，而是在原始数据中提取的特征，这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取图像的一些关键特征，这实际就是就一个降维的过程。 那么问题来了
论文略读 | Learning End-to-End Goal-Oriented Dialog++Dialog-bAbI数据集
sanra123的博客
02-20 912
1. 下载链接： https://fb-public.app.box.com/s/chnq60iivzv5uckpvj2n2vijlyepze6w 2. 数据集大小 大小: 32.9M 3. 及文件组成 （1） 任务 1-5 training development testing 1000 1000 1000 其中，任务1-5还包含一个OOV测试集文件，与tst文件不同之处是...
论文阅读14+总结：Reinforcement learning approach towards effective content recommendation in MOOC environme
uuummmimiii的博客
09-03 334
参考论文：Reinforcement learning approach towards effective content recommendation in MOOC environments   #论文笔记：Reinforcement learning approach towards effective content recommendation in MOOC environmen...
南昌航空大学考研17个学院，59个专业课历年考试真题及答案汇总，备考资料题库笔记，专业课调剂信息查询.pdf
最新发布
07-15
南昌航空大学考研17个学院，59个专业课历年考试真题及答案汇总，备考资料题库笔记，专业课调剂信息查询.pdf
actor-attention-critic for multi-agent reinforcement learning
04-08
Actor-Attention-Critic是一种用于多智能体强化学习的技术，其由三个主要组件构成，分别是演员（Actor）、注意力（Attention）和评论家（Critic）。演员用于根据当前状态选择一个行为，并将其传递给注意力网络，注意...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值