SentiMATE：通过自然语言处理学习下棋
机器学习
2019-09-27 v3 人工智能
计算与语言
摘要
我们提出 SentiMATE，一种用于国际象棋的新型端到端深度学习模型，其采用自然语言处理旨在学习一个评估着法质量的有效评价函数。该函数在与训练着法相关的解说情感上进行了预训练，并用于引导和优化智能体的对弈决策。本研究的贡献有三方面：我们构建并提出了一个从海量解说数据集中提取描述国际象棋着法质量解说的分类器，以及一个在国际象棋解说上训练以准确预测所述着法质量的情感分析模型，进而利用这些预测评估国际象棋智能体的最优下一步着法。两个分类器均达到超过 90% 的分类准确率。最后，我们提出一个国际象棋引擎 SentiMATE，其基于预训练的情感评价函数评估国际象棋着法。我们的结果有力支持了我们的初始假设——“自然语言处理能否用于在国际象棋引擎中训练新颖且样本高效的评价函数？”——我们将评价函数集成到现代国际象棋引擎中并与具有传统国际象棋着法评价函数的智能体对弈，在以一级搜索深度（代表采用 alpha-beta 搜索算法的传统国际象棋智能体为评估给定棋局而向前看步数）下击败了随机智能体与 DeepChess 实现。
引用
@article{arxiv.1907.08321,
title = {SentiMATE: Learning to play Chess through Natural Language Processing},
author = {Isaac Kamlish and Isaac Bentata Chocron and Nicholas McCarthy},
journal= {arXiv preprint arXiv:1907.08321},
year = {2019}
}
备注
Accepted for Oral at the AIIDE-19 Workshop on Artificial Intelligence for Strategy Games