总结
generator: GRU，policy gradient优化，self reward + differential reward，从粗排到精排
evaluator: bi-lstm+self-attention，交叉熵损失，对final list做rank
细节
generator
把gru当作一个policy，reward有2部分：self reward + differential reward。
self reward
r s e l f ( x o t ∣ u , O ) = E ( x o t ∣ u , O ; Θ E ) r^{self}(x_o^t | u, O) = E(x_o^t | u, O; \Theta^E) rself(xot∣u,O)=E(xot∣u,
最低0.47元/天 解锁文章
扫一扫
1210
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
