对话系统论文集（16）-jiweiQA

问题：需要on-line模式，与用户进行交互从而更好的学习。
背景：以往都是SL，而且都是simulator
创新点：
1）提出on-line，根据用户的反馈更新policy，在下一轮（batch/episode）得到新的用户反馈。
2）使用亚马逊的人工训练集。
实现上，使用了MEMORY network，
在传统的RL方法基础上，应用FP（根据对话历史C，user的提问，agent的回答，给出可能的text reward，然后最小化两个reward之间的差值。）

实验结果：不是很重要，对我的帮助不大。只是将on-line的知识用到原来没用过的地方。不同领域的方法迁移。