论文简介

• 推荐是根据推荐算法曝光展示的样本及反馈数据训练模型,是有偏的
• 主要贡献
  1. 将REINFORCE算法应用到百万级别的动作空间任务
  2. 利用 off-policy 纠正数据的偏差
  3. 展示探索的价值