強(qiáng)化學(xué)習(xí)實戰(zhàn)：強(qiáng)化學(xué)習(xí)在阿里的技術(shù)演進(jìn)和業(yè)務(wù)創(chuàng)新

序
第1 章 強(qiáng)化學(xué)習(xí)基礎(chǔ) 1
1.1 引言 2
1.2 起源和發(fā)展 3
1.3 問題建模 5
1.4 常見強(qiáng)化學(xué)習(xí)算法 8
1.4.1 基于值函數(shù)的方法 9
1.4.2 基于直接策略搜索的方法 12
1.5 總結(jié) 14

第2 章 基于強(qiáng)化學(xué)習(xí)的實時搜索排序策略調(diào)控 15
2.1 研究背景 16
2.2 問題建模 17
2.2.1 狀態(tài)定義 17
2.2.2 獎賞函數(shù)設(shè)計 18
2.3 算法設(shè)計 19
2.3.1 策略函數(shù) 19
2.3.2 策略梯度 20
2.3.3 值函數(shù)的學(xué)習(xí) 21
2.4 獎賞塑形 22
2.5 實驗效果 25
2.6 DDPG 與梯度融合 27
2.7 總結(jié)與展望 28

第3 章 延遲獎賞在搜索排序場景中的作用分析 30
3.1 研究背景 31
3.2 搜索交互建模 31
3.3 數(shù)據(jù)統(tǒng)計分析 33
3.4 搜索排序問題形式化 36
3.4.1 搜索排序問題建模 36
3.4.2 搜索會話馬爾可夫決策過程 38
3.4.3 獎賞函數(shù) 39
3.5 理論分析 40
3.5.1 馬爾可夫性質(zhì) 40
3.5.2 折扣率 41
3.6 算法設(shè)計 44
3.7 實驗與分析 48
3.7.1 模擬實驗 48
3.7.2 搜索排序應(yīng)用 51

第4 章 基于多智能體強(qiáng)化學(xué)習(xí)的多場景聯(lián)合優(yōu)化 54
4.1 研究背景 55
4.2 問題建模 57
4.2.1 相關(guān)背景簡介 57
4.2.2 建模方法 58
4.3 算法應(yīng)用 65
4.3.1 搜索與電商平臺 65
4.3.2 多排序場景協(xié)同優(yōu)化 66
4.4 實驗與分析 69
4.4.1 實驗設(shè)置 69
4.4.2 對比基準(zhǔn) 70
4.4.3 實驗結(jié)果 70
4.4.4 在線示例 73
4.5 總結(jié)與展望 75

第5 章 虛擬淘寶 76
5.1 研究背景 77
5.2 問題描述 79
5.3 虛擬化淘寶 80
5.3.1 用戶生成策略 81
5.3.2 用戶模仿策略 83
5.4 實驗與分析 85
5.4.1 實驗設(shè)置 85
5.4.2 虛擬淘寶與真實淘寶對比 85
5.4.3 虛擬淘寶中的強(qiáng)化學(xué)習(xí) 87
5.5 總結(jié)與展望 90

第6 章 組合優(yōu)化視角下基于強(qiáng)化學(xué)習(xí)的精準(zhǔn)定向廣告OCPC 業(yè)務(wù)優(yōu)化92
6.1 研究背景 93
6.2 問題建模 94
6.2.1 獎賞設(shè)計 94
6.2.2 動作定義 94
6.2.3 狀態(tài)定義 95
6.3 模型選擇 100
6.4 探索學(xué)習(xí) 102
6.5 業(yè)務(wù)實戰(zhàn) 103
6.5.1 系統(tǒng)設(shè)計 103
6.5.2 獎賞設(shè)計 105
6.5.3 實驗效果 106
6.6 總結(jié)與展望 106

第7 章 策略優(yōu)化方法在搜索廣告排序和競價機(jī)制中的應(yīng)用 108
7.1 研究背景 109
7.2 數(shù)學(xué)模型和優(yōu)化方法 110
7.3 排序公式設(shè)計 112
7.4 系統(tǒng)簡介 113
7.4.1 離線仿真模塊 114
7.4.2 離線訓(xùn)練初始化 114
7.5 在線策略優(yōu)化 117
7.6 實驗與分析 118
7.7 總結(jié)與展望 120

第8 章 TaskBot——阿里小蜜的任務(wù)型問答技術(shù) 121
8.1 研究背景 122
8.2 模型設(shè)計 123
8.2.1 意圖網(wǎng)絡(luò) 123
8.2.2 信念跟蹤 124
8.2.3 策略網(wǎng)絡(luò) 124
8.3 業(yè)務(wù)應(yīng)用 126
8.4 總結(jié)與展望 127

第9 章 DRL 導(dǎo)購——阿里小蜜的多輪標(biāo)簽推薦技術(shù) 128
9.1 研究背景 129
9.2 算法框架 130
9.3 深度強(qiáng)化學(xué)習(xí)模型 133
9.3.1 強(qiáng)化學(xué)習(xí)模塊 133
9.3.2 模型融合 134
9.4 業(yè)務(wù)應(yīng)用 135
9.5 總結(jié)與展望 136

第10 章 Robust DQN 在淘寶錦囊推薦系統(tǒng)中的應(yīng)用 137
10.1 研究背景 138
10.2 Robust DQN 算法 140
10.2.1 分層采樣方法 140
10.2.2 基于分層采樣的經(jīng)驗池 141
10.2.3 近似遺憾獎賞 142
10.2.4 Robust DQN 算法 143
10.3 Robust DQN 算法在淘寶錦囊上的應(yīng)用 144
10.3.1 系統(tǒng)架構(gòu) 144
10.3.2 問題建模 145
10.4 實驗與分析 147
10.4.1 實驗設(shè)置 148
10.4.2 實驗結(jié)果 148
10.5 總結(jié)與展望 152

第11 章 基于上下文因子選擇的商業(yè)搜索引擎性能優(yōu)化 153
11.1 研究背景 154
11.2 排序因子和排序函數(shù) 156
11.3 相關(guān)工作 157
11.4 排序中基于上下文的因子選擇 158
11.5 RankCFS：一種強(qiáng)化學(xué)習(xí)方法 162
11.5.1 CFS 問題的 MDP 建模 162
11.5.2 狀態(tài)與獎賞的設(shè)計 163
11.5.3 策略的學(xué)習(xí) 165
11.6 實驗與分析 166
11.6.1 離線對比 167
11.6.2 在線運行環(huán)境的評價 170
11.6.3 雙11 評價 171
11.7 總結(jié)與展望 172

第12 章 基于深度強(qiáng)化學(xué)習(xí)求解一類新型三維裝箱問題 173
12.1 研究背景 174
12.2 問題建模 175
12.3 深度強(qiáng)化學(xué)習(xí)方法 177
12.3.1 網(wǎng)絡(luò)結(jié)構(gòu) 178
12.3.2 基于策略的強(qiáng)化學(xué)習(xí)方法 179
12.3.3 基準(zhǔn)值的更新 180
12.3.4 隨機(jī)采樣與集束搜索 180
12.4 實驗與分析 181
12.5 小結(jié) 182

第13 章 基于強(qiáng)化學(xué)習(xí)的分層流量調(diào)控 183
13.1 研究背景 184
13.2 基于動態(tài)動作區(qū)間的DDPG 算法 186
13.3 實驗效果 189
13.4 總結(jié)與展望 189

第14 章 風(fēng)險商品流量調(diào)控 190
14.1 研究背景 191
14.2 基于強(qiáng)化學(xué)習(xí)的問題建模 192
14.2.1 狀態(tài)空間的定義 192
14.2.2 動作空間的定義 193
14.2.3 獎賞函數(shù)的定義 193
14.2.4 模型選擇 194
14.2.5 獎賞函數(shù)歸一化 196
14.3 流量調(diào)控系統(tǒng)架構(gòu) 196
14.4 實驗效果 197
14.5 總結(jié)與展望 197
參考文獻(xiàn) 199