生成多样、真实的评论(2019 IEEE International Conference on Big Data )

论文题目（Title）：Learning to Generate Diverse and Authentic Reviews via an Encoder-Decoder Model with Transformer and GRU

研究问题（Question）：评论生成，由上下文+评论->生成评论

研究动机（Motivation）：现有的一些研究仅使用用户评论文本生成虚假评论，而另一些研究则利用了语境信息，如评论评分、餐厅名称、城市、州和食品标签。它缺乏将两者结合起来的研究工作。上下文信息有助于产生相关的评论，而评论文本有助于产生不同的评论。因此，将语境信息与已有的评论结合起来，有利于获得既相关又多样的评论。

主要贡献（Contribution）：个人觉得创新性不高，主要分为两点：

1. 设计了一个编码器-解码器评论生成模型，该模型结合了Transformer模型和GRU编码器，对来自用户评论和业务上下文的特征进行编码。
2. 提出了一个名为DMet的度量指标来衡量机器生成文本的多样性和新颖性。

研究思路（Idea）：选取一条文本描述和其对应的5条评论

第一部分是6层Transformer编码器，其输入是预处理后的上下文和目标分数。Transformer编码器将为上下文的每个标记生成输入嵌入和位置编码，然后通过自注意和多头注意创建上下文的新表示。

第二部分是GRU编码器，由