本說明書實施例提供一種強化學習模型的訓練方法,該方法包括:獲取業(yè)務環(huán)境的當前狀態(tài),其中包括上一輪交互產(chǎn)生的交互內(nèi)容;基于該交互內(nèi)容,將多個備選業(yè)務動作劃分為本輪交互下的可選動作集和禁選動作集;將該當前狀態(tài)輸入強化學習模型,從可選動作集中選取收益預測值最大的可選動作作為本輪業(yè)務動作,如此可以避免用戶被無關(guān)動作打擾,從而提升用戶體驗;再將該本輪業(yè)務動作施加于上述業(yè)務環(huán)境,得到該業(yè)務環(huán)境的本輪反饋,基于本輪反饋計算本輪業(yè)務動作的收益標簽值,并基于該收益標簽值構(gòu)建其他備選業(yè)務動作的收益標簽值,從而實現(xiàn)可以利用全量備選業(yè)務動作訓練上述強化學習模型,有效加速強化學習模型的收斂。
聲明:
“強化學習模型的訓練方法及裝置” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學習研究,如用于商業(yè)用途,請聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)