RL：强化学习在任务式对话领域的优势

一、强化学习与监督学习的区别

1. 强化学习是通过与环境交互获取reward来更新agent网络参数的。
2. 监督学习是通过已有的标签数据来更新agent网络参数的。
3. 强化学习并不需要正确的“输入/输出对”数据，强化学习‘强’就是因为其训练过程不需要准备大量的带标签的训练样本，它重视的是环境给予的反馈，训练是一个交互学习的过程。
4. 监督需要大量正确的“输入/输出对”数据，它重视的是teacher作出的评判，训练是一个老师指导学习的过程。

二、强化学习做任务式对话决策的优势

1. 相比于监督学习，使用深度强化学习优化agent网络，使任务完成的成功率显著提高，对话轮数明显缩短[1]。
2. 使用深度强化优化能提升agent的鲁棒性，以处理对话系统其它模块引入的噪声，例如NLU[2]。

引用：

1. Bing Liu, Gokhan Tür, Dilek Hakkani-Tür, Pararth Shah and Larry Heck. End-to-End Optimization of Task-Oriented Dialogue Model with Deep Reinforcement Learning
2. Xiujun Li, Yun-Nung Chen, Lihong Li, Jianfeng Gao and Asli Celikyilmaz. End-to-End Task-Completion Neural Dialogue Systems