我是机器学习的新手，但在过去的两天里我读了很多关于强化学习的文章。我有一个应用程序可以获取项目列表(例如从Upwork(。有一个主持人手动接受或拒绝项目(基于下面解释的一些参数(。如果一个项目被接受，我想发送一个项目提案，如果被拒绝，我会忽略它。我希望用 AI 替换该主持人(以及其他原因(，所以我想知道我应该为此使用哪种强化算法。
参数： 下面列出了一些应决定代理是接受还是拒绝项目的参数。假设我只想接受与 Web 开发相关的项目(特别是后端/服务器端(，以下是参数应该如何影响代理。
部门- ：如果项目与IT部门相关，则应该有更多机会被接受。 类别
- ：如果项目属于Web开发类别，则应该有更多机会被接受。
- 雇主评级： 评级超过 4(满分 5 分(的雇主应该有更多机会被接受。
我认为Q-Learning或SARSA能够帮助我，但我看到的大多数例子都与悬崖行走问题有关，其中状态相互依赖，这不适用于我的情况，因为每个项目都与前一个项目不同。
注意：我希望代理能够自我学习，这样如果将来我也开始奖励它为前端项目，它应该学习这种行为。因此，建议"纯"监督学习算法是行不通的。
编辑1：我想补充一点，我有3000个项目的数据(部门，类别，职称，雇主评级等(，以及我的版主是否接受或拒绝了该项目。
你的问题应该很容易用Q-learning来解决。 这只取决于你如何设计你的问题。 强化学习本身是一种非常健壮的算法，它允许代理从环境中接收状态，然后在给定这些状态的情况下执行操作。 根据这些操作，它将获得相应的奖励。 对于您的问题，结构将如下所示：
州
状态：3 x 1 矩阵。 [行业、类别、雇主评级]
扇区状态都是整数，其中每个整数代表一个不同的扇区。 例如，1 = IT 部门，2 = 能源，3 = 制药，4 = 汽车等。
类别状态也可以是所有整数，其中每个整数表示不同的类别。例如：1 = Web 开发，2 = 硬件，3 = 等。
雇主评级也是 1 - 5 之间的所有整数。 其中，州代表评级。
行动
操作： 输出是一个整数。
操作空间将是二进制的。 1 或 0。 1 = 接受项目，0 = 不要接受项目。
奖励
奖励为您的系统提供反馈。 在您的情况下，只有当操作 = 1 时，您才会评估奖励，即您接受了项目。 然后，这将使您的 RL 了解它在项目中所做的工作有多好。
奖励将是一个看起来像这样的函数：
def reward(states):
sector, category, emp_rating = states
rewards = 0
if sector == 1: # The IT sector
rewards += 1
if category == 1: # The web development category
rewards += 1
if emp_rating = 5: # Highest rating
rewards += 2
elif emp_rating = 4: # 2nd highest rating
rewards += 1
return rewards
为了增强此奖励功能，您实际上可以给某些部门负奖励，因此如果RL接受这些项目，它实际上将获得负奖励。 我在这里避免了这一点，以避免进一步的复杂性。
您还可以在将来编辑奖励功能，以允许您的 RL 学习新事物。 例如使某些部门比其他部门更好等。
编辑：是的，关于Lejlot的评论，这基本上是一个多臂强盗问题，没有顺序决策。 老虎机问题的设置与Q学习减去顺序部分基本相同。 你所关心的只是你有一个项目提案(状态(，做出决定(行动(，然后是你的奖励。 在您的情况下接下来会发生什么并不重要。