聊天机器人模型技术发展方向

• 主流还是Seq2Seq + Attention

• GAN对抗生成网络
• DQN深度强化学习网络
• GNN图神经网络

 

 

SeqGAN模型

用对抗网络生成文本

SeqGAN是对抗思想与增强学习的碰撞

由上交和UCL的人提出来的，还是本科，艹

 

GAN的限制

GAN的设计要求生成器的输出是一个连续空间，否则D到G(z)的梯度无法指导G修正的方向。

由于这种限制，GAN虽然在图像生成应用中获得了巨大的成功，却很少用于离散空间的文本生成

 

 

真实数据加上G的生成数据来训练D。但是我们可以知道G的离散输出，让D很难回传一个梯度用来更新G，因此需要做一些改变，看上图（右），paper中将policy network当做G，已经存在的红色圆点称为现在的状态（state），要生成的下一个红色圆点称作动作（action），因为D需要对一个完整的序列评分，所以就是用MCTS（蒙特卡洛树搜索）将每一个动作的各种可能性补全，D对这些完整的序列产生reward，回传给G，通过增强学习更新G。这样就是用Reinforcement learning的方式，训练出一个可以产生下一个最优的action的生成网络。

 

 

实战 https://github.com/skyerhxx/SeqGAN