Deep Reinforcement Learning for Dialogue Generation閱讀筆記
文章亮點 本文是使用深度增強學習DRL的方法來解決多輪對話問題。首先使用Seq-to-Seq模型預訓練一個基礎模型，然後根據作者提出的三種Reward來計算每次生成的對話的好壞，並使用policy network的方法提升對話響應的多樣性、連貫性和對話輪次。文章最大的亮點就在於定義了三種reward（Ease of answering、Information Flow、Semantic Coher
相關文章
- 1. Deep Reinforcement Learning for Dialogue Generation
- 2. Deep Reinforcement Learning for Dialogue Generation 論文閱讀 A Diversity-Promoting Objective Function fo
- 3. Group-wise Contrastive Learning for Neural Dialogue Generation 閱讀筆記
- 4. 閱讀《SeedNet: Automatic Seed Generation with Deep Reinforcement Learning for Robust Interactive Segme》
- 5. FeUdal Networks for Hierarchical Reinforcement Learning 閱讀筆記
- 6. Deep Residual Learning for Image Recognition閱讀筆記
- 7. Deep Reinforcement Learning for Dialogue Generation-關於生成對話的深度強化學習
- 8. Deep Dyna-Q 閱讀筆記
- 9. 論文閱讀筆記（五十二）：Outline Objects using Deep Reinforcement Learning
- 10. Machine Learning & Deep Learning 論文閱讀筆記
- 更多相關文章...
- • RSS 閱讀器 - RSS 教程
- • PHP 實例 - AJAX RSS 閱讀器 - PHP教程
- • Tomcat學習筆記（史上最全tomcat學習筆記）
- • JDK13 GA發佈：5大特性解讀
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Deep Reinforcement Learning for Dialogue Generation
- 2. Deep Reinforcement Learning for Dialogue Generation 論文閱讀 A Diversity-Promoting Objective Function fo
- 3. Group-wise Contrastive Learning for Neural Dialogue Generation 閱讀筆記
- 4. 閱讀《SeedNet: Automatic Seed Generation with Deep Reinforcement Learning for Robust Interactive Segme》
- 5. FeUdal Networks for Hierarchical Reinforcement Learning 閱讀筆記
- 6. Deep Residual Learning for Image Recognition閱讀筆記
- 7. Deep Reinforcement Learning for Dialogue Generation-關於生成對話的深度強化學習
- 8. Deep Dyna-Q 閱讀筆記
- 9. 論文閱讀筆記（五十二）：Outline Objects using Deep Reinforcement Learning
- 10. Machine Learning & Deep Learning 論文閱讀筆記