百度PaddlePaddle再获新技能 智能推荐、对话系统、控制领域都能搞定！

引言：人工智能技术越来越广泛的应用于各行各业，而这一切都离不开底层深度学习框架的支持。近日，百度深度学习PaddlePaddle正式发布了强化学习框架PARL，同时开源了基于该框架，在NeurIPS 2018强化学习赛事中夺冠的模型完整训练代码，再次向业界展示了百度在深度学习领域的技术能力。

PARL的效果如何？

PARL是基于百度 PaddlePaddle 打造的深度强化学习框架，覆盖了DQN、DDQN、Dueling DQN、DDPG、PPO等主流强化学习算法。在PARL 1.0的发布中，基于PARL实现的DDPG， DQN, PPO等算法均有覆盖，在一些经典测试问题中，如Atari Game, Mujoco等，均取得了state-of-the-art的成绩。性能相比其他平台也毫不示弱。

此外，PARL 框架支持百亿级别数据或特征的训练，基于PARL可同时通过8块GPU拉动近20000个CPU节点运算。在NeurIPS 2018赛事中将需要近5个小时迭代一轮的PPO算法加速到不到1分钟，相对单机运算加速比高达几百倍。与现有开源强化学习工具和平台相比，PARL框架具有更高的可扩展性、可复现性和可复用性，支持大规模并行和稀疏特征，能够快速完成对工业级应用案例的验证。

在NeurIPS 2018强化学习赛事中PRAL的使用脱颖而出，击败了400多支来自全球各个研究机构的参赛队伍，获得冠军的最关键因素是，PARL框架在算法上采用了独特的网络结构，特征处理、奖励值工程、探索策略以及学习方法。其中比较重要一点是用了课程学习（Curriculum Learning）来学习一个比较好的初始步态。而在架构方面，受到GA3C启发，所设计的DDPG并行结构直接达到了单机性能的几百倍，使得深度强化学习框架PARL的调研效率大大提升。

 

PARL在哪些前沿应用发挥作用？

a.    新闻和信息推荐

近年来，信息流在研究上出现两个难点和热点，一个是列表页内的组合优化，另一个是列表页间的兴趣转移。传统推荐往往都是基于用户和单点内容之间的喜好程度来预估。现代信息推荐系统注重列表内的组合，以及列表页间的转移变化。而这两个点，都是强化学习适合的重要场景。

列表页内的优化主要是内容之间的组合，现代信息流推荐系统并不是一次只推荐一个内容，而是一次推荐多个内容。由于列表多个内容之间的相互关联会影响到用户体验，但对于

具体如何关联，却没有办法确定。虽然大家都知道多样性比较重要，但为什么重要，以及多样性到底怎么量化，目前依旧缺乏统一的认识。而列表页间的优化，针对的是用户行为的序列。用户浏览完一个列表，重新刷新，再看第二个列表，这个过程中兴趣有没有发生转移？有没有新的兴趣被激发？这两个点都涉及到长期收益问题。也就是说，不能再仅仅用当前内容的用户反馈来学习，而是得用比较长时间的收益来学习。

在列表页内组合上，PARL所提出的序列框架统一了学术界对列表页框架认识的一些模糊。根据百度发布的文章，多样性一个概念远不足以反映列表页内的关联关系。内容之间既有相互重叠，又有相互关联和促进。以往的多样性建模往往比较片面。而基于序列优化的建模方式，能够处理内容之间所有可能关联。强化学习在这中间，起到了关键的序列全局优化的作用。而百度内部在2017年底就Launch了序列优化框架，据了解，这个框架至今已经取得了不少收益。而PARL在其中充分发挥了其在大规模训练中性能的优势。

（序列生成网络 – 指针网络）

而在列表页之间的转移方面，百度内部也早已已经开展了探索。对于信息流推荐这类产品的列表间优化，强化学习面临一个难题是Variance过大，可能导致准确率下降。 学术界有不少针对这个问题的工作，但提出的方法都相对偏理想化，鲜有方法能够真正用到线上并产生收益。开发者正在基于PARL创新“Credit Assignment”这类新的算法，以更好地更接地气地解决这些问题，据悉目前已有一些进展，不远将来可能发布这些成果。

（序列生成 – 评估框架）

b.   自动导航和控制

PARL框架也将强化学习用在无人机和无人车的自动导航和避障领域。控制问题是一个经典的Delayed Reward问题，强化学习最开始也是在控制领域应用最广的。因为如果发生碰撞或者控制不好，一定不是当前一个时间步的问题，而是多个时间步的连续问题。传统的强化学习研究，都不关注成本和风险，认为灾害事件（如碰撞）可以无成本获得。但真实场景，比如无人车、无人机，则不允许有那么多的碰撞。

开发者利用很多无人车、无人机测试过程中的“安全员”这一角色，不仅为了在测试中可以保障安全，还将这些夹杂了安全员干预的、不符合传统强化学习路径的数据收集起来，作为信号来学习。该算法叫干预辅助强化学习（Intervention Aided Reinforcement Learning）(http://proceedings.mlr.press/v87/wang18a.html)，它可以通过学习带干预的路径，来强化策略，使得干预可以直接被降低。基于这套算法，百度成功使得一个端到端（end-to-end）的复杂神经网络模型，能够被用于直接控制飞行器的避障，在障碍物比较密集的环境中平稳飞行。这不仅证明了强化学习被用在自动导航问题上的可能性，也为无人车的强化学习训练探索了一种方法。该方法也会在短期内开源到PARL里面，方便用户使用

总结：

在强化学习方面，百度内早在 2012 年就将在 multi-armed bandit 问题上的研究成果部署到了推荐系统中，应用于搜索、对话、推荐等产品，通过点击反馈结合在线训练的方式，动态调整探索和收益的平衡点，在降低探索风险的同时最大化推荐收益。随着PaddlePaddle在工业界的影响不断深入，未来基于PaddlePaddle深度学习框架PARL将对工业界，以及学术界的深度强化学习应用和研究起到长远的促进作用，来满足业界日趋发展旺盛的深度强化学习应用的需求，做到真正源于产业实践的深度学习框架。