Long-term Reward Predictor

新的DMRL框架优化广告推荐技能

研究人员推出了一种名为文档驱动的强化学习（DMRL）的新型框架，旨在优化广告推荐系统的技能。该方法将技能文档的精炼过程建模为一系列结构化编辑操作，超越了简单的提示驱动方法。DMRL 结合了双相对策略优化（DRPO）以实现稳健的优势估计，以及长期奖励预测器（LRP）通过分析群体异质性来预测结果。在大型短视频广告平台上部署时，DMRL 在关键广告指标方面表现优于现有的最先进基线。