谷歌的人工智能系统（AlphaGo）在围棋领域取得了一系列成功，使得深度强化学习得到越来越多的关注。深度强化学习融合了深度学习对复杂环境的感知能力和强化学习对复杂情景的决策能力。而自然语言处理过程中有着数量巨大的词汇或者语句需要表征，并且在对话系统、机器翻译和图像描述等文本生成任务中存在大量难以建模的决策问题。这使得深度强化学习在自然语言处理的文本生成任务中能够发挥重要的作用，帮助改进现有的模型结构或者训练机制，并且已经取得了很多显著的成果。为此，本文系统阐述深度强化学习应用在不同的文本生成任务中的一些主要方法，梳理其发展的轨迹，分析算法特点。最后，展望深度强化学习与自然语言处理任务融合的前景和挑战

1.1 算法与程序 1.2 表达算法的抽象机制 1.3 描述算法 1.4 算法复杂性分析

Ch.1 绪论 Ch.2 数字概率算法 Ch.3 Sherwood算法 Ch.4 Las Vegas算法 Ch.5 Monte Carlo算法

1 算法的概念 2 问题描述及算法描述方法 3 算法正确性分析 4 算法复杂性分析 5 标准符号和通用函数

1直线段裁剪 直接求交算法 Cohen-Sutherland-算法 中点分割裁剪算法 梁友栋-Basky算法 2多边形裁剪 Sutlerland_ Hodgman算法 Weiler-Atherton-算法

第一章 数据结构和算法 第二章 数学预备知识 第三章 算法分析

01 分类算法的问题描述 02 KNN算法 03 SVM算法 04 神经网络算法

1、聚类算法简介 2、K-means算法 3、DBSCAN算法 4、层次聚类算法

一、算法分析的概念 二、算法效率的度量 三、检验一个算法分析 四、Big-Oh分析法的限制

◼ 问题求解 ◼ 数据结构及抽象数据类型 ◼ 算法的特性及分类 ◼ 算法的效率度量 ◼ 数据结构的选择和评价