Get To The Point: Summarization with Pointer-Generator Networks
Abigail See, Peter J. Liu, Christopher D. Manning

Abstract

本文提出了一个Sequence-to-Sequence attentional 模型，用于生成文本摘要，数据集使用的 CNN/Daily Mail。此模型思想可用于解决OOV(out of vocabulary)问题。

Our Models

Baseline 模型与 Nallapati et al. (2016)相似，包含Encoder及Decoder，前者为单层双向LSTM，后者为单向LSTM。

2.1 Sequence-to-sequence attentional model

首先使用Attention机制(Bahdanau et al. (2015))，
$e_i^t = v^T \text{tanh}(W_h h_i + W_s s_t + b_{attn})$
$a^t = softmax(e^t)$
其中, $V, W_h, W_s, b_{attn}$ 都是学习参数，然后可以计算 上下文向量(context vector) $h^ $：$ $h_t^ = \sum_i a_i^t h_i$$
然后是模型新添加的模块：将上下文向量 $h^{} $与decoder隐层状态$ s_t $拼接，并经过两层线性层，再使用softmax进行归一化，得到 vocabulary distribution$ Pvocab $：$ $P_{vocab} = \text{softmax} (V^\prime (V [s_t, h_t^]+b)+b^\prime)$$
这时候可以得到预测单词 $w$ 最终的分布： $P(w) = P_{vocab}(w)$ 。
在训练时候，每个time-step的 $t$ ，目标单词的 $w_t^ $的负对数似然估计为：$ $\text{loss}_t = -\log P(w_t^) $整个sequence的损失为:$ \text{loss} = \frac{1}{T}\sum_{t=0}^T \text{loss}_t$$

2.2 Pointer-generator Network

模型的Pointer-generator网络是baseline模型与pointer 模型的结合。其中time-step t 的generation probability $P_{gen} \in [0,1]$ 是由context vector ， decoder state, decoder input计算得到的：
$$P_{gen} = \sigma (w_{h^}^T h_t^ + w_s^Ts_t + w_x^Tx_t + b)$$
可以看出， $P_{gen}$是一个软开关，表示通过从 $P_{vocab}$ 中采样来从词汇表中生成(generate)一个单词的概率，或者从输入序列中采样attention $a^t$ 来复制一个单词。我们将原始文档中的所有单词记为 拓展词汇表(extended vocabulary)，则其对应的分布(distribution)为：
$P(w) = p_{gen}P_{vocab}(w) + (1-p_{gen}) \sum_{i:w_i=w} a_i^t$
如果w是OOV，那么 $P_{vocab}(w)$ 为0，如果w没有出现在源文档中，则公式后者为0。这使得模型能够解决OOV问题。

生成一个概率值，将两个distribution进行叠加，从而既可以从源序列中提取单词，也可以从词汇表中选择单词。

2.3 Coverage mechanism

重复是Seq2Seq的常见问题。使用 converage model 来解决这个问题。首先添加一个 converage vector $c^t$ ，它是decoder的之前的time-step的attention distribution和：
$c^t = \sum_{t\prime = 0} ^{t-1} a^{t^\prime}$
直觉上， $c^t$ 是源文档单词的分布，表示这些单词受到attention机制覆盖的长远。其中 $c^0$ 是一个零向量。

converage vector是作为attention机制额外的输入：
$e_i^t = v^T \text{tanh} (W_h h_i + W_s s_t + W_c c_i^t + b)$

这使Attention能简单的不在重复输出内容。

注意，添加 coverage loss 来惩罚相同位置重复attention 是非常必要的：
$\text{covloss}_t = \sum_i \text{min}(a_i^t, c_i^t)$

最后，整体loss为(添加了超参数 $\lambda$ )：
$\text{loss}_t = -\log P(w_t^*) + \lambda \sum_i min(a_i^t, c_i^t)$