问题生成（QG）总结

这个暑假做了个QG的调研和复现了模型，做一个总结。

文中涉及的文章详细介绍可见论文阅读 Question Generation

• 背景：
  为什么要研究QG？
  从人的经验看，好的学习者一定是擅长提问的。机器知识库作为“学习者”，也许可以利用主动提问来高效构建或者补充知识库，扩充数据集等等。
  现在的一些应用场景：在教育领域，帮助学生来提问；在对话领域，作为冷启动来开始一个话题或者通过提问来获得反馈；在医药领域，可以用于自动问诊系统，作为一种辅助工具等等，可以看到应用场景还是比较多的

• 问题定义：
  从传统来说，QG的定义是给定一篇文章，里面包含一些事实，根据这些事实，从不同角度提问题。
  简单来看，QG问题可以定义为一个优化问题，在给定答案的前提下，最大化生成问题的概率。

• 相关研究：
  seq2seq模型自从2014年google brain和yoshua分别提出后成为了机器翻译，文本生成领域一个非常热门的模型。同年，bahdanau等人提出了attention机制用来解决长距离依赖不强的问题，16年 ACL上提出了pointer softmax和copynet解决了OOV的问题，17年 ACL上Abigail See等人提出coverage机制解决了句子中重复生成的问题。

• 将深度学习用于QG：
  之前的做法主要是基于规则的，从知识库中提取知识填入模板中。Learning t