对话系统论文集（14）-companion learning

问题：
RL是rule-based policy的改版。但是RL在初始训练的时候space太大， 表现很差。
将两者结合
背景：
companion teaching：
online- teacher给出example action，但是也给出多余的reward加速policy的收敛。就是策略的组合吧。SL和RL中feedback的组合？

创新点：
本文提出companion learning。在原来companion teaching的基础上改动，将example action改成了rule-based，reward不变。在训练过程中，脱离老师的时间（when and
how much the student policy depends on the rule teacher）用一个dropout网络模块表示，没看太懂。

实验结果：
只和DQN、A2C进行比较。