问题:
与用户交互太奢侈;而simulator的设计过于简单,可能使得agent的能力下降。
背景:
simulator没有验证标准;
planning:
那w-model和传统的simulator有何区别?
创新点:
将planning learning应用到dialogue中:
planning learning:
https://zhuanlan.zhihu.com/p/44614570
提出world-model(类似和simulator),学习用户的回答;用来更新agent
具体过程:
1)agent使用user的历史数据,RL,改进(到底是online还是off-line??)
即agent与真实用户交互,收集真实对话经验,完善对话策略;
2)通过上面收集到的真实对话数据进行改进w-model(SL),即simulator
3)agent和simulator交互,改进,
2)中w-model的产生过程:
实验结果: