تجزیه وابستگی با استفاده از q-learning محافظه کار

تجزیه وابستگی یکی از شاخه های اصلی پردازش زبان طبیعی است که هدف آن ارائه تحلیلی نحوی از جملات است. یکی از روش های اصلی تجزیه وابستگی الگوریتم های انتقال محور میباشند که از قابلیت بالایی به منظور مدل شدن به صورت یک فرآیند تصمیم گیری مارکوف نیز برخوردار هستند. این ویژگی امکان بهبود حل مسئله تجزیه وابستگی را با استفاده از یادگیری تقویتی افزایش میدهد اما پیچیدگی های طراحی محیط و سیگنال پاداش در یادگیری تقویتی ارجحیت استفاده از روش های برون خط را بیش از پیش در حل مسئله تجزیه وابستگی نمایان میکند. در نمونه برون خط یادگیری تقویتی نیازی به طراحی محیط نمیباشد و توابع عامل یادگیر صرفا با استفاده از داده های از قبل تهیه شده آموزش خواهند دید. این ویژگی منحصر به فرد امکان استفاده از یادگیری تقویتی در فعالیت هایی که سعی و خطا و تعامل با محیط در آنها مخاطره آمیز و هزینه بر هستند را فراهم میکند. در این مقاله نشان داده میشود که استفاده از یادگیری تقویتی برون خط در تجزیه وابستگی نتایجی مشابه و حتی بهتر از روش های بر خط در پی خواهد داشت.