تجزيه وابستگي با استفاده از Q-Learning محافظه كار

تجزيه وابستگي يكي از شاخه هاي اصلي پردازش زبان طبيعي است كه هدف آن ارائه تحليلي نحوي از جملات است. يكي از روش هاي اصلي تجزيه وابستگي الگوريتم هاي انتقال محور ميباشند كه از قابليت بالايي به منظور مدل شدن به صورت يك فرآيند تصميم گيري ماركوف نيز برخوردار هستند. اين ويژگي امكان بهبود حل مسئله تجزيه وابستگي را با استفاده از يادگيري تقويتي افزايش ميدهد اما پيچيدگي هاي طراحي محيط و سيگنال پاداش در يادگيري تقويتي ارجحيت استفاده از روش هاي برون خط را بيش از پيش در حل مسئله تجزيه وابستگي نمايان ميكند. در نمونه برون خط يادگيري تقويتي نيازي به طراحي محيط نميباشد و توابع عامل يادگير صرفا با استفاده از داده هاي از قبل تهيه شده آموزش خواهند ديد. اين ويژگي منحصر به فرد امكان استفاده از يادگيري تقويتي در فعاليت هايي كه سعي و خطا و تعامل با محيط در آنها مخاطره آميز و هزينه بر هستند را فراهم ميكند. در اين مقاله نشان داده ميشود كه استفاده از يادگيري تقويتي برون خط در تجزيه وابستگي نتايجي مشابه و حتي بهتر از روش هاي بر خط در پي خواهد داشت.