Knowledge acquisition for dialogue agents using reinforcement learning on graph representations

简介

我们开发了一个人工智能代理程序，其动机是在初始培训之外增加其知识库。代理程序积极参与与其他代理程序的对话，从而战略性地获取新信息。代理程序将其知识建模为RDF知识图，整合通过对话获得的新信念。对话中的响应是通过识别围绕这些新整合信念的图案来生成的。我们展示了可以使用强化学习来学习策略，在交互过程中选择有效的图案，而不依赖于明确的用户反馈。在这个背景下，我们的研究是一个概念验证，证明了将用户作为有效信息源的可行性。
作者讲解

目前尚无作者解读视频，你可点击下方【许愿开讲】按钮，许愿作者开讲~
图表
解决问题

论文探索如何通过对话来扩充人工智能代理的知识库，并使用强化学习来选择有效的图形模式，以在对话中生成响应。
关键思路

人工智能代理通过对话获取新信息，并将其集成到RDF知识图中。使用强化学习来选择有效的图形模式，以在对话中生成响应。
其它亮点

论文的亮点包括使用对话来扩充知识库，使用RDF知识图来模拟知识，使用强化学习来选择图形模式，而无需用户反馈。实验结果表明，用户可以成为有效的信息来源。
相关研究

最近的相关研究包括《基于图形的对话系统》、《知识图谱的构建和应用》、《强化学习在对话系统中的应用》等。