基于多方交互学习的个性化下一最佳行动推荐用于自动化决策

在顺序、动态和交互式语境中为每个客户自动化推荐下一最佳行动，在自然、社会和商业决策中已被广泛需要。个性化下一最佳行动推荐必须涉及过去、当前和未来的客户人口统计信息与境况（状态）及行为，客户与决策者之间的长程顺序交互，状态、行为与行动之间的多序列交互，以及它们对对方行动的反应。现有建模理论与工具，包括马尔可夫决策过程、用户与行为建模、深度顺序建模和个性化顺序推荐，均无法在个人层面上量化此类复杂决策。我们采取数据驱动方法，通过强化耦合循环神经网络（CRN）学习用于个性化决策的下一最佳行动。CRN表示客户历史与当前状态、对决策者行动的反应、行动决策奖励的多个耦合动态序列，并学习各方（客户与决策者）之间的长期多序列交互。然后在每个时间点向每位客户推荐下一最佳行动，以改变其状态从而实现最优决策目标。我们的研究展示了在复杂系统中个性化多序列交互深度学习和自动化动态干预用于个性化决策的潜力。