25、强化学习与天线设计技术的应用与优化

强化学习与天线设计技术的应用与优化

强化学习提升多轮对话连贯性

在对话系统中，平均对话长度是衡量系统性能的一个重要指标。它由对话中有意义的回复数量决定，当系统开始生成枯燥且不连贯的回复时，对话就被认为是无意义的。为了计算平均对话长度，需要确定对话中连贯回复长度的平均值。

为了比较Seq2Seq模型在不同数据集和不同训练轮次下的性能，选取了21个问题，这些问题包括数据集中的句子以及一些随机的通用问题，如“Hello”和“How are you”。分别对两个数据集在25、50、75和100个训练轮次下的平均回复长度进行了评估，并为所有问题设置了参考答案，计算了每个问题的BLEU分数的平均值。

从实验结果来看，随着训练轮次的增加，回复的整体BLEU分数和平均回复长度都有所增加。在使用Cornell数据集训练的模型中，生成的回复更有意义，因为输入句子是以对话形式呈现的。对于多轮回复，Seq2Seq模型的类型-标记比（TTR）略高，但强化学习（RL）模型的平均有意义对话长度有所增加。

Epoch	Cornell corpus（BLEU score）	Cornell corpus（Avg. response length）	Twitter dataset（BLEU score）	Twitter dataset（Avg. response length）
25	0.0432