TAILIEUCHUNG - Báo cáo khoa học: "Learning High-Level Planning from Text"

Comprehending action preconditions and effects is an essential step in modeling the dynamics of the world. In this paper, we express the semantics of precondition relations extracted from text in terms of planning operations. The challenge of modeling this connection is to ground language at the level of relations. This type of grounding enables us to create high-level plans based on language abstractions. | Learning High-Level Planning from Text . Branavan Nate Kushman Tao Lei Regina Barzilay Computer Science and Artificial Intelligence Laboratory Massachusetts Institute of Technology branavan nkushman taolei regina @ Abstract Comprehending action preconditions and effects is an essential step in modeling the dynamics of the world. In this paper we express the semantics of precondition relations extracted from text in terms of planning operations. The challenge of modeling this connection is to ground language at the level of relations. This type of grounding enables us to create high-level plans based on language abstractions. Our model jointly learns to predict precondition relations from text and to perform high-level planning guided by those relations. We implement this idea in the reinforcement learning framework using feedback automatically obtained from plan execution attempts. When applied to a complex virtual world and text describing that world our relation extraction technique performs on par with a supervised baseline yielding an F-measure of 66 compared to the baseline s 65 . Additionally we show that a high-level planner utilizing these extracted relations significantly outperforms a strong text unaware baseline - successfully completing 80 of planning tasks as compared to 69 for the 1 Introduction Understanding action preconditions and effects is a basic step in modeling the dynamics of the world. For example having seeds is a precondition for growing wheat. Not surprisingly preconditions have been extensively explored in various sub-fields of AI. However existing work on action models has largely focused on tasks and techniques specific to individual sub-fields with little or no interconnection between them. In NLP precondition relations have been studied in terms of the linguistic mechanisms 1The code data and experimental setup for this work are available at http rbg code planning A pickaxe which is .

• Báo cáo khoa học
• Learning High Level Planning from Text
• S
• Branavan
• Nate Kushman
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball