本文提出了一种面向目标的下一步最佳活动推荐方法，使用深度学习模型预测下一步最佳活动和目标的预估值，并使用强化学习方法在符合业务流程和目标的前提下推荐一系列活动，包括解决多个目标的实际问题。实验证明该方法在目标满足度和符合性等方面优于现有的下一步最佳活动推荐技术。

May, 2022

本研究通过上下文化和模拟累计奖励来解决教育上的干预建议问题，采用强化学习的代理模型结合混合学习方法，景点在线平台的自动化功能

Nov, 2022

本文提出了一个基于强化学习的方法来学习，通过观察过去的执行来推荐最佳活动以优化感兴趣的 KPI，首先通过学习特定 KPI 的马尔可夫决策过程，然后使用 RL 训练来学习最优策略，该方法通过在真实和合成数据集上的验证，并与异策略深度 RL 方法进行比较，表明了我们方法与深度 RL 方法相比，具有同等或更好优势，从而为利用白盒 RL 技术的场景提供了贡献，其中仅有时间执行数据可用。

Mar, 2023

该论文提出了将主动学习重新表述为一种强化学习问题，并明确学习数据选择策略，其中策略充当主动学习启发式算法的角色，以解决启发式选择方法的有效性受限且性能因数据集而异的问题。我们使用跨语言命名实体识别来演示我们的方法，发现相对于传统的主动学习，我们的方法获得了均衡的改进。

Aug, 2017

本文通过应用增强学习算法 Q-learning 和 SARSA，使用护理流程中的事件数据，训练马尔可夫决策过程，以寻找在客户出现任何类型的攻击性行为时，员工的最佳策略。结果显示，这些算法得出的策略与目前最常用的行为相似，但在某些情况下为员工提供了更多的选择。

Oct, 2023

提出了一种 proactive setting 的方法，其中智能体不仅在状态下选择一个动作，还选择要执行该动作的时间长度。TempoRL 方法介绍了状态之间的跳过连接，并学习了在这些跳过中重复相同动作的 skip-policy。研究表明，TempoRL 能够在传统和深度强化学习环境中学习成功的策略，速度比基准 Q-learning 快一个数量级。

Jun, 2021

本研究利用强化学习算法在给定对象的装配问题中实现了 Q-Learning 算法，通过学习与环境的交互来推荐装配序列解决方案，并通过三个场景的探索来评估强化学习代理的性能，实现了优化装配过程时间并在 98.3% 的时间内得出最佳的装配序列解决方案。

Apr, 2023

本篇论文提出了基于预测模型，使用历史数据构建的虚拟空间的强化学习模型，能够平衡长期和短期奖励，并使模型与真实环境交互以实现学习策略的最终收敛。在 Fed-Batch 过程的实验设置下，我们的方法始终优于现有技术水平。

Nov, 2022

本文中提出了一种自我监督强化学习算法来弥补监督式推荐算法的不足，为仍处于离线状态的推荐者提供强大的梯度信号支持，其中包括两个输出层；一个用于自我监督，另一个用于强化学习，从而实现顾虑到长期用户参与度以及多种用户 - 项目交互等因素的推荐任务。

Jun, 2020

本文探讨了利用深度学习与循环神经网络来解决企业业务流程中下一步事件的预测问题，该方法在过去的基本上是依赖于显式流程模型的基础上进行的。本文的方法在两个真实数据集上进行了评估，结果表明了预测精度达到了最新技术的水平。

Dec, 2016