论文笔记 | MathDQN: Solving Arithmetric Word Problems via Deep Reinforcement Learning
发布时间
阅读量：
阅读量
简介
Lei Wang 和 Dongxiang Zhang 研究团队已在 AAOI 18 年度的会议上发表了他们的研究成果，并采用深度强化学习算法（DQN）针对数学文字题（MWP）的问题进行求解。
Motivation
当我们把一个问题表示为一个表达式树时
在实际应用中，经实践验证可知Deep Q-网络擅长处理搜索空间较大的问题。例如，在游戏场景中
所以本文想要用deep Q-network来解决math word problem。
MathDQN框架
步骤为：
- 首先从输入文本中识别出关键的操作数。
- 系统将这些操作数按照构建表达式树时所遵循的顺序进行排序。
- 每次迭代时, 系统会选择两个相邻的操作数。
- 将这两个状态向量传递给由两层全连接层组成的前馈神经网络模型。
- 对于真实标签的操作符, 如果预测结果与之匹配则视为正确反馈, 否则视为错误反馈。
对应强化学习的要素：
- state：由两个操作数的上下文向量表示
- action：指的是这两个操作数的最近公共祖先的操作符
- reward：若操作符正确，则给予奖励；否则施加惩罚。
优缺点分析
strong points:
- 首次采用强化学习方法专门针对数学 word 问题（MWP）进行研究，并系统性地设计了合理的状态空间、动作空间以及对应的奖励函数。
- 这种方法具有显著的优势在于其动机出色且具有实际应用价值。
- 利用深度 Q 学习（DQN）算法巧妙地解决了具有较大搜索空间的问题。
weak points:
但在当前的研究中并未将其应用于本研究
全部评论 (0)
还没有任何评论哟~