两阶段约束演员-评论家

多目标即时平衡

先学各辅助目标，再学主策略并保持接近，同时优化主指标与多种用户交互。

Qingpeng, Cai · Xue, Zhenghai · Chi, Zhang · Wanqi, Xue · Liu, Shuchang · Zhan, Ruohan · Xueliang, Wang · Tianyou, Zuo · Wentao, Xie · Dong, Zheng · Jiang, Peng · 盖坤

2023

技术优势

辅助目标不滑坡

第二阶段的策略被约束在接近第一阶段学到的各辅助策略，从而保证辅助目标性能。

应用场景

• 短视频推荐系统：直接用于短视频平台的推荐排序，同时提升观看时长和互动率。
• 内容平台多目标优化：在内容平台同时优化多个业务指标，避免单一指标过拟合。
• 强化学习工业落地：在工业推荐系统中稳定部署强化学习模型，兼顾多个目标。