84、规划学习与文本特征构建技术解析

规划学习与文本特征构建技术解析

1. 基于解释的规划学习

在规划领域，曾经学习被视为提高搜索效率的辅助手段，但如今对规划学习的兴趣再度兴起，既包括进一步提升规划器的速度，也包括学习领域模型。自 2008 年起，国际规划竞赛设立了专门针对规划学习方法的新赛道。第一年，重点在于加速学习，其中 ObtuseWedge 系统利用基于解释的学习（EBL）分析来调整默认启发式，成为该赛道的获胜者之一。此外，DARPA 综合学习计划以及对轻量级模型规划的兴趣，也使人们重新关注基于解释的规划学习，这次还涉及部分领域理论。

2. 评估指标：F1 度量

2.1 F1 度量定义

F1 度量用于评估二分类问题中预测的准确性，它源于信息检索领域，常用于评估文档分类模型和算法。F1 度量定义为精确率（即真正例与所有预测为正例的实例之比）和召回率（即真正例与所有实际为正例的实例之比）的调和均值。因此，F1 值介于精确率和召回率之间，且更接近两者中的较小值。一个具有高 F1 值的系统意味着同时具备良好的精确率和召回率。

2.2 F1 度量公式

F1 度量是更一般评估指标家族的特例，其公式如下：
[F_{\beta} = \frac{(\beta^2 + 1) \times precision \times recall}{\beta^2 \times precision + recall}]
使用 (\beta > 1) 会增加精确率对整体度量的影响，而使用 (\beta < 1) 会增加召回率的影响。此外，一些作者使用另一种参数化方式：
[F_{\alpha} = \frac{1}{\frac{\