论文笔记系列(一)-Seq2Seq与RL的结合综述！

这篇论文是一篇综述性质的文章吧，研究了现有的Seq2Seq模型的应用和不足，以及如何通过不同的强化学习方法解决不足，写的深入具体，mark一下。

本文的顺序是对文章的一个总结，并不是文章真实的组织顺序。

论文链接：https://www.paperweekly.site/papers/1973

代码链接：https://github.com/yaserkl/RLSeq2Seq

1、Seq2Seq模型

1. Seq2Seq模型简单回顾

Seq2Seq是解决序列问题的一种通用算法框架，在文章摘要、标题生成、对话系统、语音识别、图像转文本等领域都有广泛的应用，模型结构如下图所示：

训练时，Encoder的输入是训练数据中的真实序列，Decoder也是训练数据中的真实序列，Decoder阶段每个时刻t的输出经过softmax之后得到选择每个单词的概率，并选择交叉熵损失函数作为模型损失指导模型的训练，交叉熵损失函数如下图所示：

预测阶段，Decoder时刻t的输入是t-1时刻输出的概率最大的单词。这一阶段可以通过beam-search的方法选择一条最合适的序列作为输出。同时，选择ROUGE , BLEU, METEOR, CIDEr等方法，对模型的预测结果进行评价。

1.2 Seq2Seq模型的应用

文章总结了Seq2Seq的在各个领域的应用：

1.3 Seq2Seq模型存在的问题

文章中指出Seq2Seq模型存在以下两个问题：

exposure bias：这个可以简单理解为，一步错步步错，只要Decoder某个时刻的输出是错误的，那会导致后面整个序列都是错误的。

mismatch in training and evaluating:在训练阶段选择的是交叉熵损失进行模型的训练，在预测阶段，选择ROUGE等方法来评估模型，这就导致了mismatch的问题，即交叉熵损失最小的模型并不一定在ROUGE评估中效果最好，通过ROUGE等方法评估的最好的模型，并不一定能使交叉熵损失最小。

2、强化学习算法对于改进Seq2Seq模型的一些思路

2.1 Seq2Seq中的强化学习

在Seq2Seq方法中强化学习的几个关键要素是如下定义的： State：强化学习发生在Decoder阶段，时刻t的State定义为前面已经选择的t-1个单词和当前模型的输入 Action：Action是根据某种策略选择一个单词作为时刻t的输出 Reward：奖励考虑立即的奖励和未来的奖励，这里的奖励可以理解为当生成完整个句子之后，通过ROUGE等评估方法得到的反馈。

强化学习中的几个重要的公式如下：

Q函数和状态价值函数

优势函数 为什么要引入优势函数，这里主要是淡化state的影响，我们不再去关心state本身的好坏，而只关心在当前state下选取的action的好坏。优势函数计算如下：

优势函数刻画了当前状态下，每个动作对这个特定状态的好坏。V(s)是所有动作的奖励的期望值，因此优势函数大于0的动作所能获得的奖励高于期望值，而优势函数小于0的动作所能获得的奖励值小于期望值。

强化学习的目标

强化学习的目标可以是下面三个中的任意一个：

即最大化期望奖励，最大化每个时刻的优势函数，最大化每个时刻的Q值。

2.2 Policy Gradient

策略梯度的方法的优化目标是我们刚才提到的第一个，即最大化期望奖励，那么结合Seq2Seq是怎么做的呢？将文中提到的一下碎片化的东西整理一下，可以得到以下的过程：

Pre-train模型 为了提高模型的收敛速度，我们需要首先预训练模型，预训练模型使用交叉熵损失函数。

每次训练采样N个序列 在每次训练的时候，基于当前的模型采样得到N个完整的序列。采样基于Decoder每个时刻t的输出经softmax后的结果，并作为下一时刻的输入。原文中一开始说每次训练指采样一个序列，但是这对模型来说Variance非常大，因为不同的序列得到的Reward差别很大，模型的方差自然也很大。

通过ROUGE等方法得到reward并训练 为了保证训练和预测时模型的一致性，我们通过ROUGE等方法得到这批序列的reward，并使用如下的损失函数进行模型的训练：

上面的损失函数的意思即，我们希望加大能够得到更大reward的词出现的概率，减小得到较低reward的词出现的概率。

另一个需要注意的点，文章中提到，减去一个rb(rb一般通过这一批Sample的平均reward得到)可以减小模型的方差Variance，是否减去这个rb是不会影响期望的损失的。为什么会减小Variance呢？这就好比优势函数的概念，我们忽略state本身好坏的影响，而只关注在这个state下，action的好坏。

Policy Gradient算法缺点 使用该方法可以得到一个无偏的反馈，但是需要采样完整的序列才可以得到奖励，因此收敛速度可能非常慢，因此考虑时间差分的方法，即在每一步采样之后都能够得到一个反馈，可以考虑Actor-Critic方法和DQN等方法。

2.3 Actor-Critic Model

使用Actor-Critic的最大化目标是优势函数最大化，即：

使用AC方法无需进行一个完整序列的采样，可以在每一步通过Critic来估计我们可能得到的奖励。上面的式子中，我们期望的是优势函数最大化，优势函数计算如下：

可以近似的认为是下面的式子：

因此，我们的Critic估计的其实是一个状态的价值，即V(s)。Critic对状态价值V(s)的估计通过监督学习的方式进行训练：

vi是通过采样以及ROGUE评估的到的当前状态的真实价值，即：

因此，Actor-Critic的过程如下所示：

使用AC的方法，我们可以减小模型的方差，因为我们是在每一步都有一个奖励的反馈，但是这个反馈是有偏，因为我们没有观测一个完整的序列而得到奖励。

当模型收敛后，我们认为我们的Actor已经是最优的策略了。那么在预测阶段，我们就可以采用beam-search或者是greedy的方法，根据Encoder的输入来得到Decoder的输出。

2.4 Actor-Critic with Q-Learning

使用该方法的最优化目标是Q值最大化，通过Q值的反馈来更新Actor的策略，即：

此时Critic预估的是Q值，其通过下面的式子进行训练：

式子中第一项是q-eval值，即预估的Q值，第二项是q-target，即真实的Q值，我们希望二者越相近越好。真实的Q值如何计算呢，在上图式子中的第二行给出了答案，即立即获得的奖励，加上下一个状态所能获得的最大奖励的折现。

可以看到，基于Q函数和上面的AC方法有两点的不同。首先，基于Q函数只需要得到当前的立即奖励，而另一种方法需要完整的采样，然后计算多轮奖励的折现和，作为状态价值V(s)。另外，基于Q函数的Critic估计的是状态-动作对的Q值，而另一种方法估计的是状态价值V(s)

Deep-Q-learning的具体过程如下：

3、其他注意的点

3.1 Deep-Q-learning的改进

文中主要提到了双网络结构Double-DQN，加入优势函数的Dueling-DQN，以及通过经验池来减少数据中相关性等等。

不同的强化学习方法有缺点如下：

3.2 RL+Seq2Seq的应用

文中总结了不同应用的Seq2Seq和RL的结合，其状态，动作以及价值分别是什么。如下表所示：