不同 不同的 有效性 相似性 奖励 相关的 绩效 现有的 根据 函数 惩罚项 通过区 方向性 RL 惩罚 方法 学习方法 学习 有效的 学习的 水平的 改进的 策略 人类 定中的 进行 最大化 评级 重要的 收敛性 整体性 具有 提高 经验