序列生成_序列生成：SeqGAN和RankGAN

这篇文章主要介绍两个序列生成的GAN模型，分别是发表在AAAI 2017上的SeqGan和 NIPS 2017上的 RankGAN

SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient​arxiv.org Adversarial Ranking for Language Generation​59.80.44.49

除了在图像领域有显著的成果，在序列生成任务中，GAN并不能直接应用。与连续型数值的图像不同，在序列生成中数据由于经过了采样，离散的数据是没办法直接计算梯度的。除此之外，GAN仅仅可以对整个序列给出一个score或者loss，没办法对部分生成的序列进行判断，如何权衡当前和未来的score是很重要的。对于第一个问题，可以用强化学习中的policy gradient来解决，而对于第二个问题，则可以使用Monte Carlo方法来近似状态-动作值。下面分别来介绍两篇论文。

Sequence Generative Adversarial Nets

用

来表示序列，其中

是候选token的字典。在时刻