專欄 | 學習何時做分類決策，深度好奇提出強化學習模型Jumper

科技 11-03

機器之心專欄

作者：深度好奇研究組（DC-SQUAD）

文本理解是自然語言處理領域的一個核心目標，最近取得了一系列的進展，包括機器翻譯、問答等。不過之前的工作大多數是關心最終的效果，而人們對於模型何時做出決定（或做決定的原因）卻知之甚少，這是一個對於理論研究和實際應用都非常重要的課題。

論文題目：JUMPER: Learning When to Make Classification Decisions in Reading

論文地址：https://www.ijcai.org/proceedings/2018/0589.pdf

深度好奇（DeeplyCurious.AI）最近在 IJCAI-2018 上展示了一個學習何時做分類決策的強化學習模型：Jumper，該論文將文本分類問題建模成離散的決策過程，並通過強化學習來優化，符號化表徵模型的決策過程具有很好的可解釋性，同時分類效果也達到最高水平。

本文提供了一種新的框架，將文本理解建模為一個離散的決策過程。通常在閱讀過程中，人們尋找線索、進行推理，並從文本中獲取信息；受到人類認知過程的啟發，我們通過將句子逐個地遞送到神經網路來模仿這個過程。在每個句子中，網路基於輸入做出決策（也稱為動作），並且在該過程結束時，該決策序列可以視為是對文本有了一些「理解」。

特別一提的是，我們專註於幾個預定義子任務的文本分類問題。當我們的神經網路讀取一個段落時，每個子任務在開始時具有默認值「無」（None）。在每個決策步驟中，段落的句子按順序被遞送到神經網路；之後，網路來決定是否有足夠的信心「跳轉」到非默認值作為特定時間的預測。我們施加約束，即每次跳轉都是最終決定，它不可以在後面的閱讀中被更改。如圖 1 所示，給定一段話，有多個預先定義好的問題等待回答；模型按句子閱讀，在閱讀過程中，問題的答案陸續被找到。模型從默認決策到非默認決策都是一個「跳轉」的過程，正因此我們稱模型為 Jumper。在人類閱讀的過程中，人們通常會獲得一致的閱讀理解的結果，但是閱讀理解過程中的很多環節卻經常是微妙和難以捉摸的。同樣，我們也假設我們的訓練標籤僅包含最終結果，並且沒有給出關於模型應該做出決定的步驟的監督信號。也就是說，我們通過強化學習在弱監督信號情況下訓練 Jumper 模型。

圖 1 Jumper 模型在閱讀段落的決策過程

Jumper 模型主要由編碼層、控制器、符號輸出層構成。編碼層將句子編碼成定長的向量，控制器根據歷史和當前輸入產生當前的決定，符號輸出層使模型的輸出滿足跳轉約束，即每個決策過程最多只能有一次跳轉。

圖 2 Jumper 模型的基本框架

跳轉約束的作用在於使模型更加慎重地決定何時跳轉。因此，Jumper 模型的優化目標有兩個，第一個是儘可能早地「跳轉」，第二個是儘可能預測准。假設 t* 是最佳的跳轉時間，那麼如果模型在 t* 時刻之前跳轉，則模型還沒有看到真正的 pattern，那麼得到的答案等同於隨機猜；如果模型在 t* 時刻之後跳轉，而 t* +1 句話可能不存在，因此沒有機會跳轉從而預測錯誤。

通過上述建模，論文把文本分類問題轉化為離散的決策過程，訓練好的 Jumper 輸出的離散決策過程就可以表達模型對文本的理解過程；而決策過程本身並沒有標籤，因此我們用 policy gradient 強化學習演算法來訓練，如果最終的決定和分類標籤一致，就獎勵整個決策動作，如果不一致，則懲罰。

我們對三個任務評估了 Jumper，包括兩個基準數據集和一個實際工業應用。我們首先分析了 Jumper 的分類準確性，並與幾個基線進行了比較。表 1 顯示 Jumper 在所有這些任務上實現了相當或更好的性能，這表明將文本分類建模為順序決策過程不僅不會損害、甚至提高了分類準確性。

表 1 在電影評論數據集（MR）、新聞數據集（AG）和工傷數據集（OI）的測試集上的準確率

我們想指出，「準確性」並不是我們關注的唯一表現。更重要的是，提出的模型能夠減少閱讀過程，或者找到文本分類的關鍵支撐句。只要在閱讀過程中基於「跳轉約束」限制而看到足夠的證據，Jumper 就能做出決定，並且在預測之後不需要再閱讀之後的句子。在表 2 中可以看到，我們的模型與強基線相比達到了相似或更高的性能，與此同時，它還將文本讀取的長度縮減了 30-40％，從而加速了推斷預測。

表 2

除了準確率高和推斷速度快以外，我們更好奇 Jumper 是否能夠在信息提取式任務（例如工傷級別分類任務）中找到正確的位置做出決策。我們在 400 個數據點中標註關鍵支撐句（即最佳跳轉位置）作為測試基礎。需要注意的是，在這個實驗中我們仍然沒有跳轉位置的訓練標籤。我們將 Jumper 與使用相同神經網路的層級 CNN-GRU 模型進行比較，但在訓練方法方面有所不同；層級 CNN-GRU 在訓練時，用段落末尾的交叉熵作為損失函數。在測試期間，我們將預測器應用於每個步驟並找到它做出預測的第一個位置。我們還列出了一個經典 CNN 的結果作為基線模型，並使用了最大池化操作（max-pooling）選擇的單詞最多的那些句子來作為測試數據。我們使用了跳轉動作的準確率來評測 Jumper。通過表 3 可知，Jumper 準確地找到了測試集中所有關鍵支撐句的位置，說明我們的單跳約束迫使模型更仔細地思考何時做出決策，也驗證了強化學習是學習決策正確位置的有效方法。

表 3 各模型在工傷等級分類任務（OI-Level）上尋找關鍵支撐句的效果統計。該任務的關鍵支撐句在文本中通常聚集於一處，不存在歧義，便于衡量各模型效果。CA：分類準確率，JA：跳躍準確率，OA：在分類準確條件下的跳躍準確率

圖 3 則顯示了 Jumper 在閱讀時做出決策的過程。其中，Jumper 在前六個句子中保持默認決策（不做跳轉），而在到達關鍵支撐句時突然跳轉，這體現了 Jumper 可以識別關鍵支撐句，從而找到最佳跳躍位置。因此，在這類關鍵支撐語句集中出現時，Jumper 可以在完成分類任務的同時找到關鍵支撐句，因此具有較強的可解釋性。

圖 3 Jumper 決策序列展示

總結

我們提出了一種新的模型 Jumper，它在閱讀段落時將文本分類建模為逐個句子的順序決策過程。我們通過強化學習訓練帶有跳轉約束的 Jumper，實驗表明：1) Jumper 的性能與基線相當或更高；2) 它在很大程度上減少了文本閱讀量；3) 如果所需信息在文中的分布是局域性的，它可以找到關鍵的支撐句子，具有很好的可解釋性。