第 28 章阅读地图：强化学习推荐场景

章节主线

先判断问题是否真的具有状态转移、延迟回报和序列决策，再把 RL 用于流量、融合、Session、层次决策、序列生成或探索；离线评估和安全约束是上线前提。

节	PDF 页	场景	上线前问题
28.1 流量分配	3–4	动态调控供给或通道	状态、动作、奖励和约束是否可观测？
28.2 降级优化	5	资源不足时选择策略	安全下界和确定性兜底是什么？
28.3 多任务融合	6–7	动态调整目标权重	奖励尺度与长期价值如何定义？
28.4 Session 优化	8–9	跨请求累计回报	Session 边界和终止条件是否稳定？
28.5 层次决策	10	上层策略与下层动作	信用分配和训练稳定性如何保证？
28.6 序列生成	11–12	列表级动作	动作空间和约束搜索是否可承受？
28.7 个性化探索	13	用户级探索强度	后悔、体验风险和流量预算多大？
28.8 讨论	14–15	RL 与非 RL 基线	简单 bandit 或规则是否已足够？
28.9 挑战	16	偏差、评估、稳定性	离线策略评估是否可信？
28.10 小结	17–18	选型归纳	写出采用 RL 的必要条件与停止条件。

本书依据：第二十八章 PDF 第 3–18 页。