本文用了强化学习，在知识图谱上游走，寻找目标节点。
大概意思就是，在知识图谱上，给出一个起始节点和查询（query），然后找到目标节点。
图G包含节点和边。
如下图，给出起始节点Obama，query：citizenship，目标节点是USA。
我们要学习一个方法来预测。
我们我们将f作为强化学习的agent。他要学习搜索策略（search policy）
训练的时候，我们给出，让f自己学习路径，如果他走到，就给他一个正的reward（1分），其他时候是0分（没停或者停错地方都是0）。学完后只给出，预测。（这个reward只用在Q learning的时候了）
所以设计了一个神经网络的agent，叫M-walk。用RNN将历史路径转化为一个向量，用来学policy和Q function 。reward稀疏，所以用带蒙特卡洛树搜索的RNN，生成路径。
（S，A，R，P） s是state，a是action，r是reward function，p是state transition probability
初始状态s0和下一个状态的表示，如上图所示。
是连接点nt的所有边，是nt的所有邻居节点。
st包括1）到t时刻所有走过的节点（包括他们的邻居和邻边） 2）动作 3）初始query q构成。
集合S由所有可能出现的st构成。
在状态st，agent有以下动作可以选择：1）选择中的一条边，他连接到点 2）选择STOP，则就是要预测的。通常是随着时间t而改变的。
t时刻的动作集合由下图表示，A是所有时刻的At的并集。
选择stop之后，输出
如果输出是（即输出了正确的答案），则reward=1，否则为0.
这可以看出来，reward是非常稀疏的，只有走到正确的位置才有reward。但是由于图是已知静态确定的，所以如果确定了上一个状态和动作，那么下一个状态时确定的。（文中说这有助于解决reward稀疏。）
π是policy（给出状态s，选择动作a），Q是Q function（在状态s下选择动作a，它的Q value是多少，即之后的长期收益是多少）
用RNN获得当前状态st的表达ht
ht分为三个部分：
1） 将上个时间的状态、动作、当前节点，综合。
2）综合了nt的邻居n'节点，以及nt和n'之间的边e，代表第n'个候选动作（不包括STOP动作）
3） 综合了和，用来判断STOP的概率。
所以π和Q的计算。
u0是将hst，hAt通过一个full-connected neural network。（这里没说这两个h要怎么整合到一起，应该是拼接）
un'是hst和hn't做内积（即点乘，对应位相乘，求和）
u0（STOP的分数）,un'（邻居的分数）都是一个数字
Q是对每个数字做sigmoid
（这里做sigmoid，将q value化到0-1，因为这个模型的分数只有0和1,q value=0代表在当前s采取a，预期的总reward是0，是找不到的，如果是1代表未来可能找到。）
π是做温度参数为τ的softmax
关于温度参数
传统的使用蒙特卡罗方法的REINFORCE，需要sample一个完整的序列，sample的效率很低，而且reward稀疏。所以sample的时候使用PUCT算法的变体。
π是上面提到的策略分数（softmax算的），c和β用来控制探索的程度。N是visit count。W是走(s-a)这条边上的蒙特卡罗树的total action reward。
PUCT算法最开始倾向于选择在状态s下出现少的action（式子的前半部分）， 后来倾向于选择分数高的（式子的后半部分）。
当PUCT算法选择了STOP，或者到达了最大探索数（应该是强行选择STOP），则停止。使用
用下面的式子，更新上一个式子中的N和W。γ是衰减因子（discount factor）.
主要目标就是多生成reward为正的路径。
然后用DQN网络，寻找更好的π就是max Q
（由于Q和π共享参数，且算的时候只用了sigmoid和softmax这种没参数的函数，所以训一个就行）
莫烦python-DQN网络代码详解（pytorch）
已知（ns，q）求nT。利用π在G上寻找nT。
一种方法是用训练好的π去寻找。然而这并没有用MDP的转移模型（？）（下方这个公式）
所以利用上面训练好的模型π、Q去生成蒙特卡罗树，就像训练时那样（Q stop作为上文提到的V进行更新）。但是可能有多路径到达同一个终止节点n。走不同路径，就有不同的叶子节点是n。
怎么比较选择哪个终点n（而且n需要综合多条路径），需要算一个分数，排序。
N是蒙特卡罗树的总模拟数量
综合叶子节点是n的情况，求n的分数。
在所有的候选节点中，我们选择score最大的。
qt约等于右边的式子
所以st大约可以写成
st由两部分组成 1） 代表候选动作（包括STOP） 2）qt代表历史
所以用两个不同的神经网络去编码他们
前面说过，ht分为三个部分：
1） 将上个时间的状态、动作、当前节点，综合。
2）综合了nt的邻居n'节点，以及nt和n'之间的边e，代表第n'个候选动作（包括STOP动作）
3） 综合了和，用来判断STOP的概率。
求 2）的方法很简单，就是边和点的表达通过full-connected neural network
求 3） 的方法，就是max 2）的结果，因为每一次的节点数可能都不一样，这样可以得到统一的结果
求1） 就是编码qt 使用gru的思想
可以看出，q就相当于rnn里的hidden，初始是query q，之后为qt，rnn的输入是
