最近项目中要用到copy机制，尝试了《文本生成系列（一）seq2seq中的copy机制》中的方法，发现处理OOV字符这一块处理起来不是很方便（可以实现），相对来说，Pointer Generator Network更简洁一些。
Pointer Generator Network的动机有两个：1. 处理OOV问题；2. 解决生成模型重复生成的问题。

1. Sequence-to-sequence attentional model

正常的soft attention

对应着公式看更香：

2. Pointer-generator network

主要区别在于多了一个生成模型的生成概率计算(sigmoid)：

3. Coverage mechanism

$c^t$ is the sum of attention distributions over all previous decoder timesteps:

4. 细节-OOV处理

5. pointer network & transformer

该方案我自己在类似于transformer的框架下试了下，效果还不错，在base很高的情况下还能有接近0.5个点的提升，是一个不错的改进策略。

参考：

pointer_summarizer
transformer-pointer-generator
Byte Cup 2018国际机器学习竞赛夺冠记