“In the actual paper [1], it says that it lost 19/100 games against an opponent playing completely random moves.”
按年被提到
20192019 · 2 次2026
SentiMATE: Learning to play Chess through Natural Language Processing
SentiMATE:通过自然语言处理学下国际象棋
Isaac Kamlish, Isaac Bentata Chocron, Nicholas McCarthy · 2019
用棋谱评论的情感分析预训练局面评估函数,驱动国际象棋引擎
被提及 · 3 人首次 2019-07-22 · 最近 2021-10-06
3不同的人
3活跃月份
3讨论串
3被引(OpenAlex)
论文提出 SentiMATE,一个用自然语言处理的端到端深度学习国际象棋模型,希望学习评估走法优劣的有效评估函数。该函数先在训练走法所附评论的情感上预训练,再用来指导并优化智能体的决策。贡献包括:从大规模评论数据集中抽取描述走法质量的评论的分类器,以及在棋评上训练的情感分析模型,两者分类准确率均超过 90%;并给出基于预训练情感评估函数的象棋引擎,在一层搜索深度下击败随机智能体和 DeepChess 实现。
HN 为什么提它
评论者指出论文自己写到它对完全随机走子的对手输了 100 局中的 19 局,说明结果很弱;也有人把它作为用评论数据训练引擎这一「逆向问题」的例子。
方法难度 3 / 5约 35 分钟经得起时间
读之前最好知道
1国际象棋引擎与 alpha-beta 搜索
2情感分析与文本分类
3评估函数(evaluation function)
4深度学习基础
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出从围棋着法评估,到用强化学习学国际象棋评估函数,再到 AlphaZero,理解本文评估函数要替代的对象。
- 1
用卷积网络学棋盘局面评估,是用神经网络评估棋局的早期工作。
读抓监督学习专家着法的做法和不带搜索的预测效果。
- 2
神经网络国际象棋引擎,直接对应本文要学习的局面评估函数。
读抓评估函数的网络设计和自我对弈训练。
- 3
自我对弈强化学习的代表,是国际象棋引擎的强基线。
读抓策略价值网络加搜索的结构;跳过围棋和将棋细节。
- 4SentiMATE: Learning to play Chess through Natural Language Processing
用棋谱评论的情感分析预训练局面评估函数,驱动国际象棋引擎。
读抓评论分类器、情感分析模型,以及评估函数如何用于选着。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及引用Deimorz · 2019-08
指出原论文里它对完全随机走子的对手仍输了 19/100 局
引用cbutner · 2021-10
“SentiMATE[1] looks at one of the reverse problems in a way - training an engine on commentary data”
拿 SentiMATE 举例:用评论数据训练国际象棋引擎
被提交为 story · 1 次
- Deep Learning model learns to play Chess from text-based commentary ↗CreAItive · 2019-07-22 · 2 分