图书介绍
强化学习实战 强化学习在阿里的技术演进和业务创新PDF|Epub|txt|kindle电子书版本网盘下载
- 笪庆，曾安祥编著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121338984
- 出版时间：2018
- 标注页数：218页
- 文件大小：57MB
- 文件页数：237页
- 主题词：机器学习
PDF下载
下载说明
强化学习实战 强化学习在阿里的技术演进和业务创新PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 强化学习基础1
1.1 引言2
1.2 起源和发展3
1.3 问题建模5
1.4 常见强化学习算法8
1.4.1 基于值函数的方法9
1.4.2 基于直接策略搜索的方法12
1.5 总结14
第2章 基于强化学习的实时搜索排序策略调控15
2.1 研究背景16
2.2 问题建模17
2.2.1 状态定义17
2.2.2 奖赏函数设计18
2.3 算法设计19
2.3.1 策略函数19
2.3.2 策略梯度20
2.3.3 值函数的学习21
2.4 奖赏塑形22
2.5 实验效果25
2.6 DDPG与梯度融合27
2.7 总结与展望28
第3章 延迟奖赏在搜索排序场景中的作用分析30
3.1 研究背景31
3.2 搜索交互建模31
3.3 数据统计分析33
3.4 搜索排序问题形式化36
3.4.1 搜索排序问题建模36
3.4.2 搜索会话马尔可夫决策过程38
3.4.3 奖赏函数39
3.5 理论分析40
3.5.1 马尔可夫性质40
3.5.2 折扣率41
3.6 算法设计44
3.7 实验与分析48
3.7.1 模拟实验48
3.7.2 搜索排序应用51
第4章 基于多智能体强化学习的多场景联合优化54
4.1 研究背景55
4.2 问题建模57
4.2.1 相关背景简介57
4.2.2 建模方法58
4.3 算法应用65
4.3.1 搜索与电商平台65
4.3.2 多排序场景协同优化66
4.4 实验与分析69
4.4.1 实验设置69
4.4.2 对比基准70
4.4.3 实验结果70
4.4.4 在线示例73
4.5 总结与展望75
第5章 虚拟淘宝76
5.1 研究背景77
5.2 问题描述79
5.3 虚拟化淘宝80
5.3.1 用户生成策略81
5.3.2 用户模仿策略83
5.4 实验与分析85
5.4.1 实验设置85
5.4.2 虚拟淘宝与真实淘宝对比85
5.4.3 虚拟淘宝中的强化学习87
5.5 总结与展望90
第6章 组合优化视角下基于强化学习的精准定向广告OCPC业务优化92
6.1 研究背景93
6.2 问题建模94
6.2.1 奖赏设计94
6.2.2 动作定义94
6.2.3 状态定义95
6.3 模型选择100
6.4 探索学习102
6.5 业务实战103
6.5.1 系统设计103
6.5.2 奖赏设计105
6.5.3 实验效果106
6.6 总结与展望106
第7章 策略优化方法在搜索广告排序和竞价机制中的应用108
7.1 研究背景109
7.2 数学模型和优化方法110
7.3 排序公式设计112
7.4 系统简介113
7.4.1 离线仿真模块114
7.4.2 离线训练初始化114
7.5 在线策略优化117
7.6 实验与分析118
7.7 总结与展望120
第8章 TaskBot——阿里小蜜的任务型问答技术121
8.1 研究背景122
8.2 模型设计123
8.2.1 意图网络123
8.2.2 信念跟踪124
8.2.3 策略网络124
8.3 业务应用126
8.4 总结与展望127
第9章 DRL导购——阿里小蜜的多轮标签推荐技术128
9.1 研究背景129
9.2 算法框架130
9.3 深度强化学习模型133
9.3.1 强化学习模块133
9.3.2 模型融合134
9.4 业务应用135
9.5 总结与展望136
第10章 Robust DQN在淘宝锦囊推荐系统中的应用137
10.1 研究背景138
10.2 Robust DQN算法140
10.2.1 分层采样方法140
10.2.2 基于分层采样的经验池141
10.2.3 近似遗憾奖赏142
10.2.4 Robust DQN算法143
10.3 Robust DQN算法在淘宝锦囊上的应用144
10.3.1 系统架构144
10.3.2 问题建模145
10.4 实验与分析147
10.4.1 实验设置148
10.4.2 实验结果148
10.5 总结与展望152
第11章 基于上下文因子选择的商业搜索引擎性能优化153
11.1 研究背景154
11.2 排序因子和排序函数156
11.3 相关工作157
11.4 排序中基于上下文的因子选择158
11.5 RankCFS：一种强化学习方法162
11.5.1 CFS问题的MDP建模162
11.5.2 状态与奖赏的设计163
11.5.3 策略的学习165
11.6 实验与分析166
11.6.1 离线对比167
11.6.2 在线运行环境的评价170
11.6.3 双11评价171
11.7 总结与展望172
第12章 基于深度强化学习求解一类新型三维装箱问题173
12.1 研究背景174
12.2 问题建模175
12.3 深度强化学习方法177
12.3.1 网络结构178
12.3.2 基于策略的强化学习方法179
12.3.3 基准值的更新180
12.3.4 随机采样与集束搜索180
12.4 实验与分析181
12.5 小结182
第13章 基于强化学习的分层流量调控183
13.1 研究背景184
13.2 基于动态动作区间的DDPG算法186
13.3 实验效果189
13.4 总结与展望189
第14章 风险商品流量调控190
14.1 研究背景191
14.2 基于强化学习的问题建模192
14.2.1 状态空间的定义192
14.2.2 动作空间的定义193
14.2.3 奖赏函数的定义193
14.2.4 模型选择194
14.2.5 奖赏函数归一化196
14.3 流量调控系统架构196
14.4 实验效果197
14.5 总结与展望197
参考文献199