本發(fā)明涉及一種基于Q學(xué)習(xí)模型的結(jié)果推送方法和系統(tǒng)，包括以下步驟：將狀態(tài)s_t、推送結(jié)果a_t，下一狀態(tài)s_t+1和獎勵值r_t+1組成一個數(shù)據(jù)組，并將其存儲至經(jīng)驗(yàn)池D中；從經(jīng)驗(yàn)池D中提取若干數(shù)據(jù)組，計算網(wǎng)絡(luò)參數(shù)下的全梯度均值，此時的網(wǎng)絡(luò)參數(shù)為錨點(diǎn)網(wǎng)絡(luò)參數(shù)；隨機(jī)提取上一步驟中的數(shù)據(jù)組，并計算其在當(dāng)前網(wǎng)絡(luò)參數(shù)下和錨點(diǎn)網(wǎng)絡(luò)參數(shù)下的目標(biāo)Q值和梯度值，將梯度值和全梯度均值帶入方差縮減公式實(shí)現(xiàn)梯度更新；重復(fù)上述步驟直至訓(xùn)練結(jié)束，獲得最終的Q學(xué)習(xí)模型，將待測狀態(tài)輸入最終的Q學(xué)習(xí)模型獲得最佳推送結(jié)果。其通過將方差縮減技術(shù)引入到隨機(jī)梯度下降的Q學(xué)習(xí)模型中，提高了強(qiáng)化學(xué)習(xí)的訓(xùn)練過程的穩(wěn)定性。