2023年3月17日，Big Data在线发表了金江永同学在深度强化学习的旅游推荐算法方面的研究成果，文章An Improved Dual-Channel Deep Q-Network Model for Tourism Recommendation主要聚焦于旅游推荐领域，旅游推荐结果受多种因素影响。 传统的推荐方法由于数据稀疏，存在推荐准确率低、缺乏个性化等问题。 本文使用隐式特征，例如上下文信息，将时间数据添加到旅行轨迹问题中。 首先引入长短期记忆（LSTM）网络作为模型基础，对模型的输入数据如上下文信息、景点信息、游客评论等进行特征提取。 然后，分析用户的在线行为和长期兴趣偏好，利用正反馈和负反馈机制，构建双通道机制的深度Q网络（DQN）价值函数。 最后，我们提出了一种推荐策略，其中为每个智能体提出了一个价值评估网络和一个目标网络，以学习最优策略。 该模型在涵盖多种场景的Yelp、DP和Tourism数据集上进行训练，为用户提供旅游推荐服务。 与Ultra Simplification of Graph Convolutional Networks、DQN、Actor-Critic、Latent Factor Model等基线模型相比，该模型与对比模型平均提升76.61%，归一化贴现累积平均提升43.48% 与基线模型相比的增益。

文章2021年11年完成实验和撰写，投稿于Big Data，2022年1月编辑给了大修，2022年8年第2次修改，最终于2023年1月录用。