阅读CEAES: Bidirectional Reinforcement Learning Optimization for Consistent and Explainable Essay Assessment的补充 之前在吴恩达机器学习网课中学习的应该是基于价值的（Value-Based）的强化学习方法，即DQN。它是通过学习价值函数V（s）来间接地获得策略。 而基于策略（Policy-Based）的方法则直接参数化并优化策略本身。为此设计了一个用参数$\theta$控制的函数函数$\pi_{\theta}(a|s)$。目的是找到最优的参数$\theta^$，使策略$\pi_{\theta^}$积累的回报最大化。