用于方面情感三元组抽取的双向级联网络

方面情感三元组抽取(ASTE)是基于方面的情感分析子任务之一,其目标是从给定文本序列中抽取所有提及的方面及其对应的观点、观点表达的情感倾向,构成三元组。基于跨度级交互和端到端两个前提,提出双向级联网络。在编码块里应用条件层归一化让方面跨度和观点跨度的特征进行深层交互,实现两者间的级联;在“方面到观点”和“观点到方面”两个方向上进行三元组抽取,并设计解码策略聚合两个方向上的结果;为缓解类别不平衡问题,在多标签交叉熵损失中加入稀疏因子来提高训练环节对稀疏正类的惩罚力度;为缓解曝光偏差问题,设计跨度漂移和输出采样两种策略来构造负样本加入训练。在ASTE-Data-V2-EMNLP2020数据集上进行实验,结果表明,所提模型在4个子数据集14LAP、14RES、15RES、16RES上较SBN-ASTE模型的F1值分别提高0.91、0.17、2.0、1.56个百分点。

基于深度强化学习的不完美信息群智夺旗博弈

复杂环境中群智博弈问题是近年来的研究热点之一.为解决不完美信息条件下多智能体夺旗博弈问题,本文提出了一种基于多智能体双重决斗深度Q网络(multi-agent dueling double deep Q-network,MAD3QN)以及图注意力网络(graph attention network,GAT)的多智能体夺旗博弈深度强化学习算法(G-MAD3QN).该算法在实现多智能体在迷宫地图中路径规划的同时,建模不完美信息条件下多智能体合作与竞争关系,从而确定夺旗博弈策略.在实验中,本文基于二维迷宫环境,考虑智能体观测信息不完美条件,将G-MAD3QN算法与多智能体深度Q网络(multi-agent deep Q-network,MADQN)、MAD3QN等多智能体深度强化学习的基线算法进行对比,从而验证了在二对二夺旗博弈中本文G-MAD3QN算法的有效性.