本研究提出EPR-GAIL框架，以更真实地模拟用户消费行为，解决数据完整性不足的问题。实验结果表明，该框架在数据真实性上超越现有最佳基准19%，并在销售预测和位置推荐中分别提高了35.29%和11.19%的表现。

本文综述生成对抗模仿学习（GAIL）的理论与应用进展，涵盖奖励函数参数化的泛化保证与次线性收敛证明，以及提升采样效率的演员评论家结构、基于变分自编码器的策略嵌入、风险规避RAIL、解决梯度爆炸的CREDO、全局收敛分析、分层hGAIL、多模Triple-GAIL和神经驾驶策略等方法。