强化学习（RL）在NLP的应用前景
首先，什么样的问题适合用RL？
- sequential decision making问题，进行序列决策（action），并有reward可以衡量action的好坏程度
- 事先没有label告诉你，你应该选择什么action，要自己反复试错
综合我目前所看过的论文，我总结成以下四类：
1. 常见的seq2seq问题
一种是文本生成任务，比如摘要生成，对话系统，在decoder-lstm的每一步，action是选择生成哪个词，参考这篇最基本的seqGAN，在生成器G中生成一个文本序列（用蒙特卡洛树搜索来补全序列），判别器D对这个序列产生reward，再通过policy gradient去更新G：
Sequence Generative Adversarial Nets with Policy Gradient
现在也有很多改进工作了。
另外我了解到一位师兄发表在nips-17的工作，叫做推敲网络，做的也是文本生成，在第一层decoder先生成初步文本，输入到第二层decoder进行二次生成，我感觉很像文本纠正的工作，我觉得这里也可以用上RL，选择文本中哪些地方需要修改。
还有一种是序列标注任务，比如分词，训练可能可以有多种分词情况，理论上都是对的，但label只标注了一种是对的，这样loss和我们所关心的指标不完全一致，这里用RL就可以改善这种情况，RL比较适用于一对多问题，如果单纯是一对一的可能就没必要了。
2. 利用RL辅助学习语义向量，再使用下游任务进行评估。
比如stop，skip或者skim reading，进行信息过滤，虽然理论上lstm也可以实现信息的过滤，但是还是要经过内部四个门进行计算，所以这类工作的motivation是快速阅读。
stop reading：在每一步判断是否需要early stop，但我觉得这样不是很合理，万一后面的就是重要的信息呢。
skip reading：所以有人做了跳读，在当前step预测需要skip掉后面n步（我自己觉得是有一些不合理的地方，然而人家发了ACL-17，提供了一个新的idea也是有意义的[1704.06877] Learning to Skim Text）。另一种跳读的方法，在当前step只判断这个词需不需要skip，iclr-18上也有好几篇了。
skim reading：略读，这篇使用了双LSTM轮转机制进行阅读，比直接skip效果更好，[1711.02085] Neural Speed Reading via Skim-RNN
但是policy gradient在这里有高方差问题（其实也有改进方法，比如加一个），然后有人也在尝试用一些别的softmax方式去仿sampling操作。
还可以学习文章结构，比如这篇论文，在word-level的每一个step中，判断词组起始位置，再以一个词组向量为单位，输入到phrase-level的lstm中，得到最终的文章向量。word-level做的其实是序列标注的事情，但是目的是学习到有结构信息的句向量，再应用于其它的任务上。
http://aihuang.org/static/papers/AAAI2018_ClassifyAndStructure.pdf
另外，与上面这个论文同一个实验室的人，同时发了一篇用RL进行去噪的论文，其实就是用RL来挑选句子，也是以分类结果作为reward。
http://aihuang.org/static/papers/AAAI2018Denoising.pdf
这个工作是有意义的，从这个论文出发，我有两个想法，一个是开放域的事实问答，百度到的信息很多都是有噪声数据，我们可以用RL来筛选一些数据；另外一个是RL是否也能学到哪些是高质量的标注数据，利用这些数据去重新标注噪声数据呢。事实上工业界很多数据是没有标注的，需要花费大量人力和金钱，之前我看到有人说，看一个公司有没有认真搞AI，你就看他请了多少打标注的工程师，那商汤是真有钱，标数据的就有很多人，无监督学习还是一条漫长的路。
以及这位答主所说的，更准确捕捉词/句的意思，我觉得这个思路很棒:
https://www.zhihu.com/question/47548097/answer/257798360
3.用RL对模型进行微调
我之前看到有用RL来调参的，好像是调整RNN的层数或者维度，CNN也有，我一时找不到链接了，以后看到再放上来吧。
4. Text Game游戏类
这个其实就是属于游戏领域了，video game是图像，用cnn处理游戏画面，text game是文字，用lstm进行处理，这篇论文用的是DQN：
[1506.08941] Language Understanding for Text-based Games Using Deep Reinforcement Learning
5. 待定
肯定还会出现别的应用场景，i promise
那什么样的问题，不适用RL的？（不符合RL的特点，就是不适合的啦）
比如说，试图用RL来做监督学习的事情，知乎有人提过这个问题：如何利用强化学习提高文本分类的效果？，RL可以做文本分类没错，但是RL并不是直接用在分类层，而是学习特征再应用于分类层。这里根据题主的描述，对于多分类任务，如果强行把action当成属于或不属于该类，这种就是没必要的！已经有了明确的lable告诉你，你应该做什么action，而且序列之间的决策也是相互独立的，不符合强化学习的特点。
