本申请实施例公开一种基于强化学习的联合决策方法及装置。所述方法包括A1、通过演说家‑评论家网络的演说家网络根据输入的环境状态观测值,输出决策变量的动作概率分布;A2、通过所述演说家‑评论家网络的评论家网络根据输入的环境状态观测值,输出当前状态的价值估计;A3、根据所述决策变量的动作概率分布和所述当前状态的价值估计,得到优势函数的估计值;A4、使用所述演说家‑评论家网络和基于所述优势函数的策略梯度算法,利用过往的内容访问数据进行训练,得到深度强化学习的模型,从而实现输出联合决策策略。所述装置可实现所述方法。本申请实施例可在不需要先验信息的情况下最大化使用者的长期利益。
声明:
“基于强化学习的联合决策方法及装置” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)