目前的思路很简单,就是一个Seq2Seq的模型,本质上是一个AutoEncoder。
模型的输入是一个字符序列(1维向量),是新闻的正文。
首先将序列中的词进行embedding(这里对中文处理,用的是字向量,没有做分词),变成2维的 (word_cnt, dim)。(dim是字向量的维度)
然后encoder是一层LSTM,取最后一步输出向量作为context vector(好像是这个名字?),是1维的 (dim)。之后decoder部分是一层LSTM,每一步输入都为context vector,取每一步输出,是2维的 (title_len, dim)。
最后加一层Dense层,把输出的“词向量”(dim维的向量,每个对应一个词)映射到vocab_size维,然后进行softmax,作为输出词的概率分布。这里的输出为 (title_len, vocab_size)。
Loss采用的是cross_entropy(negative log-likelihood),即对于真正标题中每个正确的词被取到的概率P,取-log,再平均,作为一个样本(一则新闻)的loss函数。
模型的输入是一个字符序列(1维向量),是新闻的正文。
首先将序列中的词进行embedding(这里对中文处理,用的是字向量,没有做分词),变成2维的 (word_cnt, dim)。(dim是字向量的维度)
然后encoder是一层LSTM,取最后一步输出向量作为context vector(好像是这个名字?),是1维的 (dim)。之后decoder部分是一层LSTM,每一步输入都为context vector,取每一步输出,是2维的 (title_len, dim)。
最后加一层Dense层,把输出的“词向量”(dim维的向量,每个对应一个词)映射到vocab_size维,然后进行softmax,作为输出词的概率分布。这里的输出为 (title_len, vocab_size)。
Loss采用的是cross_entropy(negative log-likelihood),即对于真正标题中每个正确的词被取到的概率P,取-log,再平均,作为一个样本(一则新闻)的loss函数。
目前简单起见,正文部分仅截取前30个字,标题仅截取前10个字,并且输出标题也限定为10个字。而且一个经验性的处理是把输入、输出都倒过来,也就是正文输入序列反序输入;最后输出的标题也会是反序的,因此再反序一次,变为正序。这样据说效果比较好,实验结果似乎也确实如此。