【标题】Survey on reinforcement learning for language processing

【作者团队】Victor Uc-Cetina, Nicolas Navarro-Guerrero, Anabel Martin-Gonzalez, Cornelius Weber, Stefan Wermter

【研究团队】 Universidad Aut´onoma de Yucat´an & 奥胡斯大学 & Universit¨at Hamburg

【论文链接】https://arxiv.org/pdf/2104.05565.pdf

【发表时间】2021.4.12

【推荐理由】本文综述了使用强化学习算法解决不同自然语言处理的问题（解析和语言理解、文本生成系统、机器翻译、对话系统）。其中一些问题将强化学习作为主要算法，如对话管理系统。在另一些研究中，强化学习只是在一定程度上被用来帮助解决中心问题。在这类问题中，RL算法都通过状态和动作的自适应探索，在控制策略的优化中发挥了重要作用。随着强化学习算法的研究发展，特别是应用深度神经网络代替价值函数和策略函数的算法，使得强化学习在解决某些最重要的自然问题中发挥着重要的作用。最后，本文阐述了自然语言处理中识别用户的输入、内部表示学习、探索领域知识、嵌入式开发、语言演化、词向量、智能对话系统、评估对话系统、文件编辑RL助理等研究方向可能受益于强化学习研究的不断发展。

近年来，一些研究人员已经探索了将强化学习（RL）算法用作各种自然语言处理任务解决方案中的关键组成部分。 例如，其中一些利用深度神经学习的算法已经找到了进入会话系统的方式。 本文综述了RL方法在各种自然语言处理问题（解析和语言理解、文本生成系统、机器翻译、对话系统）中可能使用的最新研究现状，主要关注于会话系统，主要是因为它们的相关性日益增强。 本文提供了有关问题的详细论述，并讨论了为什么RL非常适合解决这些问题。 此外，本文分析了这些方法的优点和局限性。 最后，阐述了自然语言处理中可能受益于强化学习的有前景的研究方向（识别用户的输入、内部表示学习、探索领域知识、嵌入式开发、语言演化、词向量、智能对话系统、评估对话系统、文件编辑RL助理）。

内容中包含的图片若涉及版权问题，请及时与我们联系删除