1 背景知识介绍 机器学习算法大致可分为3种：监督学习、非监督学习、强化学习。 在阿⾥移动电商平台中，⼈机交互的便捷，碎⽚化使⽤的普遍性，页⾯切换的串⾏化，⽤户轨迹的可跟踪性等都要求系统能够对变幻莫测的⽤户⾏为以及瞬息万变的外部环境进⾏完整地建模。基于监督学习的方式缺少有效的探索能力，系统倾向于给消费者推送曾经发⽣过⾏为的信息单元（商品、店铺或问题答案）。而强化学习作为⼀种有效的基于⽤户与系统交互过程建模和最⼤化过程累积收益的学习⽅法，是最接近自然界动物学习、决策本质的一种学习范式，具有优良的自