奖励预测模型训练和管控动作推荐模型优化方法、装置

本说明书实施例公开了一种奖励预测模型训练和管控动作推荐模型优化方法、装置，首先，基于预采集的交易特征数据以及预先训练好的初始管控动作推荐模型，构建奖励训练数据；根据奖励训练数据对预构建的奖励预测模型进行监督学习，得到初始奖励预测模型；获取预设的辅助学习标签，辅助学习标签对应不同的学习任务，并根据辅助学习标签对初始奖励预测模型进行多任务学习，得到目标奖励预测模型。通过多任务学习得到的目标奖励预测模型，可以实现在强化学习过程中的奖励信号的预测，有效降低人工成本，提高奖励信号的预测效率，同时保证预测的奖励信号的合理性和有效性，提升奖励信号的可解释性。