标签
本文提出隔离双边强化学习（IB-RL），该方法让两个对话角色通过联合采样轨迹共同演化，同时各自独立优化自身奖励。该方法解决了策略性对话中强化学习的静态对手不匹配问题，并在 Vehicle TeleSales 和 Deal-or-No-Deal 基准上展现了对未见对手更强的泛化能力。