[ACL2017] Get to The Point: Summarization with Pointer-Generator Networks

目前已有的生成式文本摘要有两个显著的缺点：
（1）不准确复制事实细节（复制的事实细节不对）
（2）有时候摘要会重复他们本身
针对这两个问题，本文给出了相应的解决方法：
（1）pointer-generator模型（指针生成网络), 通过指针从源文本中复制单词以解决OOV问题，并且有能力生成新词（在源文本中没有出现的词）
（2）coverage机制：解决seq2seq模型生成句子中经常有重复片段现象
首先给出以往做法的框架图，其实也是生成式文本摘要的开山之作《a neural attention model for abstractive sentence summarization》的思想，简而言之，就是在解码的第t步用attention计算出源文本中所有词的概率分布，然后生成文本向量c${}_t$， 利用c${}_t$和解码的h${}_{t-1}$生成第t步在固定词汇集上的概率分布：
本文的主要思想框架如下：