利用KP之间的共现矩阵信息构建GAT信息进行关键词生成

题目： Co-occurrence graph based hierarchical neural networks for keyphrase
generation

前沿：
这篇文章感觉能够算是一个KP领域里程碑式的文章，类似我今天看的前一篇文章，主要是在寻找同一篇文章的KP之间的关系。Keyphrase Generation With CopyNet and Semantic Web获取的KP关系是在不同文章之间构建KP词表，然后获取KP之间的强联系，获取方式包括共现矩阵，词表征。本文则不是，这篇文章的出发点是通过GAT网络来加强各个不同KP之间的强关系，注意这里面的各个不同KP之间关系是通过一篇文章的KP获取的。

创新点：
本文创新点在于：1.充分利用目标短语信息；2.利用目标短语信息构建网络；3.利用GAT网络来学习目标各个短语之间的关系

网络总体架构：

Encoder：
利用transformer来进行源编码，和原先不同的是通过一个pooling层获取句子级别表征；

Decoder：
首先针对每个KP构建一个学习网络，也就是LSTM，然后将学习到的语义表征送入phrase层次学习网络中，使得然后在通过phrase层语义网络去作为译码器的init_state，然后经过译码器来进行译码。
GAT 作为单独的一个学习网络，通过不断迭代更新节点信息后，然后将GAT后的节点信息和KP的LSTM学习网络的语义表征concat送入phrase网络。

具体公式不在这儿进行展示，详细可以去论文查找。

Dataset：
本文提出一个新的数据集，详细对比信息如下表：

架构疑问：
本文重点放在KP信息编码上面，但是在测试阶段存在问题就是网络中不存在输入信息怎么办？
文中对于这个部分介绍比较模糊，简单说是测试阶段GAT等不工作，但是同样的phrase和word的学习器本身也是无法工作的，这个难以解释。

结果：