→　要約の生成過程自体を定式化する

　　　状態：要約文そのものと状態変数

　　　行動：現在の状態から新しい状態に遷移

　　　　　　　insert(文の追加)，comp(文圧縮)，finish

　　　報酬：報酬が与えられるのは終状態の場合のみ．報酬最大化は，要約スコア最大化

文圧縮はどのように行なっているのか？

　→　カンマで区切って，最も良さそうなものを選択

言語モデル的なものをどこかに入れないといけない．文の良さを測る

具体的にどういうAgentが学習されたか．分析すると有効な知見が得られるはず．

強化学習のゴール？

　→　将来得られる報酬の和の期待値が最も大きいもの