基于策略梯度的端到端离线面向目标对话策略学习
人工智能
2017-12-11 v1 计算与语言
机器学习
摘要
面向目标的对话策略学习通常通过有监督学习算法离线进行，或通过强化学习（RL）在线进行。此外，随着公司积累大量客户与训练有素的人工坐席之间的对话转录文本，编码器-解码器方法日益流行，因为坐席话语可直接作为监督信号，无需话语级标注。然而，此类方法的一个潜在缺陷是它们短视地生成下一句坐席话语，而不考虑对话层面的因素。为解决该问题，本文提出一种从非标注语料中学习的离线RL方法，可在话语和对话两个层面优化面向目标的策略。我们引入了一种新颖的奖励函数，并使用同策略与异策略策略梯度离线学习策略，无需在线用户交互或显式状态空间定义。
引用
@article{arxiv.1712.02838,
title = {End-to-End Offline Goal-Oriented Dialog Policy Learning via Policy Gradient},
author = {Li Zhou and Kevin Small and Oleg Rokhlenko and Charles Elkan},
journal= {arXiv preprint arXiv:1712.02838},
year = {2017}
}
备注
Workshop on Conversational AI, NIPS 2017, Long Beach, CA, USA