简介： 本发明涉及一种基于Q学习模型的结果推送方法和系统，包括以下步骤：将状态s_t、推送结果a_t，下一状态s_t+1和奖励值r_t+1组成一个数据组，并将其存储至经验池D中；从经验池D中提取若干数据组，计算网络参数下的全梯度均值，此时的网络参数为锚点网络参数；随机提取上一步骤中的数据组，并计算其在当前网络参数下和锚点网络参数下的目标Q值和梯度值，将梯度值和全梯度均值带入方差缩减公式实现梯度更新；重复上述步骤直至训练结束，获得最终的Q学习模型，将待测状态输入最终的Q学习模型获得最佳推送结果。其通过将方差缩减技术引入到随机梯度下降的Q学习模型中，提高了强化学习的训练过程的稳定性。