对话系统论文集（7）-liubingRL之前的模仿学习

问题：

off-line 的SL和on-line 的RL,在学习的过程中，对话状态的分布不同，那么on-line时不能很好的通过feedback进行学习

提出方法：

1）先imitation学习（user教他，通过犯错改进）

2）RL

背景：

online RL的时候agent容易犯错，导致对话的state跑偏，很难纠正回来

 

模仿学习介绍：

监督学习类似，state输入网络得到输出action，训练出网络参数 π(a|s,θ),但是实际场景总是和原来的不一样，所以需要在训练出π之后，通过网络生成新的一系列state，然后再人工标注出对应场景下应该有的action，再丢入网络进行训练。

创新点：

SL
和user进行交互，测试

user提供正确结果(对于agent来说，应该说的话）

使用添加的数据进行fine-tune

RL

实验结果：

文章的数学性不强，感觉就是一个小trick，不知道居然也能发到NAACL上。