【标题】NLPGym - A toolkit for evaluating RL agents on Natural Language Processing Tasks

【作者团队】Rajkumar Ramamurthy，Rafet Sifa，Christian Bauckhage

【研究团队】Fraunhofer IAIS 

【论文链接】https://arxiv.org/pdf/2011.08272.pdf

【demo链接】https://github.com/rajcscw/nlp-gym

【推荐理由】本文介绍并演示了NLPGym在解决NLP任务中DRL的应用。该工具箱的初始版本包含三个标准任务的环境（即提出的NLPGym工具箱由用于学习自然语言处理任务的交互式环境组成。它包括三个任务的环境：序列标记、问题回答和多标签序列分类），这些任务可以与默认组件和数据集一起使用。本文的研究结果作为简单的基线，以促进NLP环境下RL的研究和基准测试。此外，未来的工作还有一个明确的方向：发布其他NLP任务的环境，例如文本摘要、生成和翻译。作者相信NLPGym会成为测试代理学习语言和理解的标准工具箱。

强化学习（RL）最近在复杂的游戏人工智能和机器人任务中表现出令人印象深刻的性能。这在很大程度上要归功于OpenAI Gym、Atari Learning Environment或Malmo等模拟环境的可用性，这些环境允许代理通过与虚拟环境的交互来学习复杂的任务。虽然RL也越来越多地应用于自然语言处理（NLP），但目前还没有模拟的文本环境可供研究人员在NLP任务中应用和一致地测试RL。因此，本文发布了NLPGym，这是一个开源的Python工具箱，为标准NLP任务（如序列标记、多标签分类和问答）提供交互式文本环境。本文还对6个不同的RL算法进行了实验，为进一步的研究奠定了基础。

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