可理解的上下文驱动文本游戏博弈
计算与语言
2019-08-30 v3
摘要
为训练计算机智能体游玩基于文本的电脑游戏，我们必须表示游戏的每个隐藏状态。在观测文本上运行的长短期记忆（LSTM）模型是构造状态的常见选择。然而，此类智能体的常规深度 Q 学习网络（DQN）需要数百万步甚至更多的训练才能收敛。因此，基于 LSTM 的 DQN 可能耗费数十天完成训练过程。尽管我们可以使用卷积神经网络（CNN）作为文本编码器比 LSTM 更快地构造状态，但若不理解被分析词的句法上下文，会减缓收敛。在本文中，我们使用快速 CNN 将观测文本中提取的面向位置与句法的结构编码为状态。我们还以通用且实用的方式增强了奖励信号。综上，我们表明我们的改进不仅能将过程加速一个数量级，还能学到更优的智能体。
引用
@article{arxiv.1905.02265,
title = {Comprehensible Context-driven Text Game Playing},
author = {Xusen Yin and Jonathan May},
journal= {arXiv preprint arXiv:1905.02265},
year = {2019}
}
备注
IEEE Conference on Games 2019 Long Paper