强化学习的概念
强化学习主要由智能体（agent）和环境（environment）两部分组成。智能体代表具有行为能力的物体，环境指智能体执行动作时所处的场景。其目标是寻找一个最优策略，使智能体在运动过程中获得的累积奖励最大。

通俗的说：
强化学习算法通过不断的与用户进行交互，先推送少量的类似信息给用户，看用户的反馈，然后根据用户的反馈再推送相关的内容，并在后序交互过程中继续根据用户的反馈不断维护和更新上述内容。

学习过程
强化学习可以用四元组<S,A,P,R>表示，其中S为状态集合、A为动作集合、P为状态转移函数、R为奖励函数，其计算流程如下：

（1）在时刻$t$，智能体所处状态为$s_t\in S$,此时需要一定的策略policy从动作集合中选择一个动作$a_t\in A$。动作的连续性和集合的大小会直接影响到后面的结果；

（2）在完成动作$a_t$后，环境会给出一个强化信号$r_t$（奖励或者惩罚），经典的强化信号计算方法为:

$G_t$=$r_t+r_{t+1}+...+{\gamma }^n{r}_{t+n}$

其中$G_t$为奖励的回报，$\gamma$是衰减因子$0\le \gamma \le 1$,$n$是奖励的积累步骤，可以取到无限大。当$\gamma =0$时，回报只考虑当下的奖励，当$\gamma =1$时，回报会考虑整个过程的影响；

（3）动作$a_t$同时会改变环境。从当前状态$s_t$转移到下一状态$s_{t+1}$，在此之后，智能体根据$t+1$时刻的状态$s_{t+1}$选择下一个动作，进入下一个时间点的迭代。