图神经网络和强化学习

deepwalk

把原来的8分类问题变成了现在三次的2分类问题。每个绿色框就是一个sigmod。

强化学习

把每一刻的奖励求和，作为类似损失函数，目的是使R最大。但并不是每一个时间的奖励，可以看成从20岁开始的幸福度，所以求一个Rt，但有的人更在乎当前的奖励，所以给未来的奖励打个折扣，就是加一个伽马（小于1）。
q learning

目的是从房间里面走到外面，比如说从2号房间走到5，不管哪条途径，都能获得100个奖励。

可以做一个右图的表格，列是当前的状态，行是待会要去的房间，-1的意思就是不能去那里。比如从1号房间到5号房间就有100奖励。

接下来引入一个q值，就是说假设未来每一步都采取最优策略的前提下，你当前采取这个策略（at）的最大幸福度。

比如说第一行第二列的意思是，从0号房间到1号房间之后，每次都采取最好的策略下，得到的幸福度。所以之后每次都走q值最大的位置。所以q learning的目的就是把这个表填好，之后按这个表走就行了。






用神经网络训练得到q值。