总结
多场景（tb主搜、店铺搜）rank，每个场景1个actor。整体架构：2个communication component（lstm），1个critic，2个actor。用公共的critic来控制协调，用lstm来保证actor可以获取之前的trajectory来学习
细节
L2R：point-wise, pair-wise, list-wise
DDPG，actor-critic：actor：
a
t
=
μ
(
s
t
)
a_t = \mu(s_t)
at=μ(st)，critic：
Q
(
s
t
,
a
t
)
Q(s_t, a_t)
Q(st,at)
DRQN，partially-observable，rnn对前面的obs编码，预测
Q
(
h
t
−
1
,
o
t
,
a
t
)
Q(h_{t - 1}, o_t, a_t)
Q(ht−1,ot,at)而不是
Q
(
s
t
,
a
t
)
Q(s_t, a_t)
Q(st,at)
MARL：多个agent，同时take action。fully cooperation agents & fully competitive agents
整体架构
公用的critic，单独的actor，单独的communication component（lstm），lstm的
x
t
x_t
xt是当前场景下的
[
o
t
,
a
t
]
[o_t, a_t]
[ot,at]
actor架构
实验
评估指标：GMV gap， G M V ( x ) − G M V ( y ) G M V ( y ) \frac{GMV(x) - GMV(y)}{GMV(y)} GMV(y)GMV(x)−GMV(y)
GMV/Gross Merchandise Volume，商品交易总额
1773
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
