在手淘的搜索中，当用户输入query进行搜索之后，一方面有适合他的商品展现出来，另一方面，如何更好地理解用户意图，为其推荐更合适的关键词进行细分查找，从而更高效的引导用户到他想找的商品，也是一件非常重要的事情。
在这里，我们主要解决的问题是如何根据用户的历史以及实时行为，在当前query下，为他推荐更合适的锦囊类型，比如有的用户对品牌感兴趣，有的用户对风格感兴趣，那么就会根据实时的信息，在合适的页面展现合适的锦囊类型。以提高用户对锦囊的点击率，进而提升引导效率。
整个强化学习位置调控是一个在线实时训练的过程，其框架图如下所示：
锦囊模块：在判断具体出什么类型的锦囊时，需要的数据有用户的实时行为序列，从igraph中获取，同时还要从dii内存中获取强化学习的模型参数，然后综合判断当前需要出的锦囊类型。同时在当前session下，还需要实时的将已经出现过的类型写入igraph中，当用户再次翻页的时候，不会出现重复的锦囊类型。
强化学习主要是通过与环境交互中的trail-and-error，来不断找到能使得累计奖赏最大的策略一种学习方法。
在Model-Free的强化学习中，主要有两类方法，一类是Value-Based的方法，即利用值函数估计来选择最优的动作（比如Q(s,a)），也相应得到了更优的策略，比如Q-learning，SASAR，DQN等，另一类是Policy-Based的方法，采用直接优化策略的方法，比如TRPO，A3C等。 我们在锦囊调控的任务中主要使用过A3C，DQN两种方法。
1. DQN
DQN是DeepMind在用DRL探索Atari游戏时提出的，其主要框架就是在传统的Q-learning方法中引入了DNN（CNN）来进行学习，并在此基础上加入了Experience Replay，Targrt Network等技巧，并在很多游戏上达到甚至超过人类玩家水平。在之后的几个工作里，也进行了进一步的完善和提高（Prioritised Replay， Double DQN，Duelling Network等等）。其中Nature版本的DQN伪代码如下所示：
2. A3C
A3C算法的全称是asynchronous advantage actor-critic，其中actor-critic是在一般的policy-based方法中，也引入了值函数估计的方法来减少方差，如下图：
而在利用bias term技术来减小方差时，采用了Advantage function来作为bias:
算法基本逻辑如下图：
当用户在搜索中发出一个query，看到页面，把当前页面下用户的一些特征作为此时的状态，我们要学习的策略就是在这种状态下应该给出什么类型锦囊，从而转移到下一个页面下，reward也应该根据目标进行设定。
1. state
我们设计State能包含用户在当前query下的特征以及此时的实时特征,主要有：
User 特征：性别，年龄，购买力等；
User 历史上对锦囊综合的以及各类型锦囊的展现点击等情况；
Query的特征；
当前Query下锦囊综合的以及各类型锦囊的展现点击等点击情况；
……
当前所在Page；
当前页之前用户最近100次 PV中对各类型的点击情况；
用户最近五个动作类型（点击，浏览，购买等）；
用户最近点击的五个商品的特征；
我们学习的目标就是在当前页，对于特定用户状态，出什么类型的锦囊，因此这里我们直接把要出的锦囊类型作为动作。如下图：
3. 奖赏函数
Reward Function决定了我们想要引导锦囊agent去优化的方向，也即是优化目标。当我们设定了不同的目标时，reward应该做出相应的调整: 单纯最大化锦囊的CTR时，可以有类似下面的设定（其中，x表示当前query下点击的锦囊的页码）
再结合引导成交等需求，可以有类似如下的设定：（其中，y, z, I代表翻页页数，点击次数，是否购买）
1. A3C
锦囊候选类型，一开始没有引入属性pid类型，锦囊类型只有有限的几种，如相关搜索、选购热点、细选等，因此我们采取了A3C算法，直接把类型当做动作，用critic网络来学习值函数，用Actor网络来学习policy，actor网络最后输出的值经过softmax可以认为是采取各个动作的概率值，Actor网络形式如下所示：
2. DQN
当我们把属性pid引入到锦囊中后，候选的锦囊类型(即动作)一下子增加到两万多种。如果我们还是采用之前的A3C方法，网络的输出需要有两万多个节点，显然是不适用的。因此，我们采取了用DQN+类型ID Embedding的形式来进行学习。也就是说，对每一个候选动作a，先进行embedding，再和s过来的节点进行concat，之后学习的就是他们的Q值，然后再每一个具体query下进行选择的时候，计算每一个可选的ID的Q value，从而进行决策，这里只用到了一个网络。如下图：
由于我们获取的是实时数据，这就可能导致不同的时间段获取到的用户分布差异较大，从而实时学习的模型对受到数据的影响，导致学习方差加大。
为了减弱这一影响，可以利用Stratified Sampling技术。比如，可以对用户的年龄分布，性别分布，购买力分布进行统计，获取一个较为稳定的比例。之后，在一般的random replay的基础上做一些改变，每次的采样遵循此比例进行分层的采样方法，使得样本更加的稳定，学习的方差也会更小。
除了用户群体分布变化之外，每一天不同时间段的用户总数，用户使用习惯也会发生变化，从而导致了非模型引发的reward变化（模型没有变化，整体CTR发生提高，reward提高，而误认为是模型的正向作用），这就使得学习的评价指标不稳定，可能产生波动的情况。
因此，我们加上了一个比较基准，利用kmonitor实时的统计基准桶里面的用户行为，CTR等信息，利用此来修正reward，比如可以设置为： reward=原始reward-基准桶reward（强迫模型朝着比基准桶更好的方向发展，而不是受一天中不同时间段的影响）。
在采样方法上，在传统强化学习的方法之外，也尝试了Thompson Sampling的方法，该方法主要是去维持每一个类型beta分布来进行学习。
在采取了上述方法后，与基准桶相比，线上的CTR和使用UV得到了一定程度的提升（10个点左右）。
这是一次RL在此类任务上的探索，应该说至少证明了RL是可以胜任这类问题的，不过由于目前每一个query下候选的锦囊类型过少，直接采用一般的监督学习方法，CTR预估等应该就可以达到比较好的结果。
另外，综合考虑，直接决定与用户交互的词语，内容，可能是更好的选择，更加能给用户提供帮助。后续锦囊这个产品可以考虑引入更多的交互，这一块用DL+RL也能很自然的得到一定的结果。
Sutton, Richard S., and Andrew G. Barto. Reinforcement learning: An introduction. Vol. 1. No. 1. Cambridge: MIT press, 1998.
Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." arXiv preprint arXiv:1312.5602 (2013).
Mnih, Volodymyr, et al. "Human-level control through deep reinforcement learning." Nature 518.7540 (2015): 529-533.
Mnih, Volodymyr, et al. "Asynchronous methods for deep reinforcement learning." International Conference on Machine Learning. 2016.
Schulman, John, et al. "Trust region policy optimization." Proceedings of the 32nd International Conference on Machine Learning (ICML-15). 2015