选自Stanford University

机器之心编译

目前，计算机或手机上的自然语言接口通常是一次性训练成型并配置使用，且用户不得不忍这种一次性训练和配置所得到的语言接口的各种制约。支持用户向计算机展示内容或者说教导计算机，似乎成为了构建更自然和更可用的自然语言接口的一个中心模块。

回顾语言习得的相关研究，与被动的吸收语言相反（如：看电视的情形。相关研究 Kuhl 等人, 2003, Sachs 等人, 1981 )，有相当多的证据表明人类的孩子需要通过交互来学习语言。研究表明当学习一门语言时，人类通过有意义的交互（Kreshen, 1983）来提升语言能力而不是有意识的去分析复杂度不断增强的语言结构（如：句型，词变位）。

相反，惯用的机器学习数据集并没有交互设置，任何情况下反馈保持相同，即不会随着系统当前的状态或者采取行动的不同而不同。我们认为交互是重要的，一个可交互的语言学习设置将会使可适应和可定制化的系统成为可能，特别是对于资源贫乏的语言学习和在无法避免的几乎从头开始的新语言环境里。

我们描述了可交互语言学习的两种尝试——一个操作积木的智能体和一个日程安排程序。

语言游戏：在积木的世界里交互的学习语言

由人类的语言习得过程所启发，我们研发了一个从零开始学习语言的简单程序。我们探索了语言游戏背后的理念，在这款游戏中，计算机和使用者需要协作完成一个共同的目标虽然他们最初并不说同一种语言。具体来说，我们在试验中创建了一款叫 SHRDLURN 的游戏来对 Terry Winograd 的开创性工作表示敬意。

如图 1a 所示，目标是把初始状态转换为目标状态，但是人类能做的唯一举动就是输入一种言语表达。计算机对这种表达方式进行解析，并根据它现有的模型生成这个言语表达的所有可能解释的排名表。人可以滑动这张表然后选择想要的解释，同时，推进积木的状态并提供反馈给电脑。人类和计算机都想要尽可能少的滑动来到达目标状态（但只有人类知道目标状态）。对于计算机来说，开奖，直播，它如果想要成功的话，就不得不在游戏的过程中快速学习人类的语言，这样一来，人类就可以更高效的到达目标状态。反过来，人类也可以通过理解计算机现在能做什么和不能做什么来加速目标达成的进程。

我们把计算机建模成一个语义解析器（Zettlemoyer and Collins, 2005); Liang and Potts, 2015），将自然语言的表达方式（比如 remove red）映射到相应的逻辑形式（比如，remove（with（rend）））。语义解析器没有种子词汇和注解过的逻辑形式，所以，它只是生成许多待选的逻辑形式。系统通过调整与简单和通用（generic）语词特征对应的参数，从人类反馈中学习。关键是，计算机能快速学习，否则使用者就会很沮丧，系统也会变得不太可用。除了特征工程和调整在线学习算法以外，通过吸收语用学，我们实现了更快的学习速度。

然而，这里特殊的地方在于实时学习的性质，其中，人类也能学会并适应计算机，因此，取得好的任务表现也更容易。尽管人类可以教会计算机任何一种语言——在我们的试点中，机械的土耳其用户尝试了英语，阿拉伯语，波兰语以及一个定制化的程序许愿——一个好的人类完全会挑选表达，这样计算机才更有可能快速学习。

更多信息：SHDLURN paper (https://arxiv.org/abs/1606.02447)；

demo ()；

CodaLab(https://worksheets.codalab.org/worksheets/0x9fe4d080bac944e9a6bd58478cb05e5e) 的代码，数据和实验；

以及 client side code (https://github.com/sidaw/shrdlurn/tree/acl16-demo)。

　　1a 上方:SCHRDLURN

1b 下方:SCHEDLURN

图像 1:1a:通过用户交互学习语言的实验。为了响应用户指示，系统尝试做出动作，用户暗示这一动作是否正确。这样的反馈能让系统学会语词意思和语法。

1b:日历领域的交互式学习接口。

采用示范下的社区学习的日历

把自然语言接口推广到更多领域中，依然面临很多挑战。首先，为了规模化到更加开放、复杂的动作空间，需要更加丰富的反馈，这些反馈对于人类来说很自然，对于机器而言很有用。第二，考虑到快速且泛化的数据收集，我们在基于社区的学习框架上试图支持集合性（而不是个人）语言。现在，我们将第一次试着解决这些问题并将框架扩展到日历语境下的战果公布出来。（视频总结：https://youtu.be/PfW4_3tCiw0）。