推理部分

下圖是整個(gè)Encoder－Decode的結(jié)構(gòu)。通過上面的理解，我覺得這個(gè)圖非常清晰。

Encoder整個(gè)輸入序列，并且用Encoder最后一個(gè)狀態(tài)結(jié)果來初始化Decoder。

將［start］作為輸入傳遞給解碼器Decoder。

使用通過Encoder初始化過的Decoder運(yùn)行一個(gè)time stpe。

輸出將是下一個(gè)單詞的概率，將選擇概率最大的單詞。

這個(gè)預(yù)測(cè)的單詞將會(huì)在下一時(shí)間Step中作為輸入。并且通過當(dāng)前狀態(tài)更新內(nèi)部參數(shù)。

重復(fù)步驟3－5，直到生成［end］或達(dá)到目標(biāo)序列的最大長度。

Encoder－Decoder結(jié)構(gòu)的局限性

Encoder將整個(gè)輸入序列轉(zhuǎn)為固定的長度，但是當(dāng)序列很長的時(shí)候，Encoder將會(huì)很難記住整個(gè)序列的內(nèi)容，無法將所有必要信息準(zhǔn)確的編碼到固定長度。但是，我們需要關(guān)注序列中所有的內(nèi)容么，不需要。

注意力機(jī)制

為了解決長句子的問題，注意力機(jī)制出現(xiàn)在人們的視野。注意力機(jī)制為對(duì)結(jié)果重要的部分添加高的權(quán)重，以保留主要信息。舉個(gè)例子：

需要編碼的序列［x1，x2，x3，x4，x5，x6，x7］ Source sequence： “Which sport do you like the most？

需要解碼的序列［y1，y2，y3］ Target sequence： I love cricket． 我們可以判斷，y1［I］與x4［you］有關(guān)，而y2［love］則與x5［like］有關(guān)。所以，相比記住序列中的所有單詞，不如增加對(duì)目標(biāo)序列重要部分的權(quán)重，忽視低權(quán)重的部分。

Global Attention and Local Attention

全局注意力機(jī)制 編碼器的隱藏層中，所有部分都參與attention的計(jì)算上下文。

局部注意力機(jī)制 編碼器的隱藏層中，僅有部分參與attention的計(jì)算上下文。

本文最終采用全局注意力機(jī)制。（只是添加了注意力機(jī)制，編碼的固定長度依然需要固定。所以實(shí)戰(zhàn)中需要通過數(shù)據(jù)確定一個(gè)合適的長度數(shù)值。短了無法表達(dá)文本內(nèi)容，長了會(huì)造成計(jì)算資源浪費(fèi)。）

實(shí)戰(zhàn)

我們的目標(biāo)是為亞馬遜美食評(píng)論生成文本摘要。（這里我只提取了我覺得有用的部分）

數(shù)據(jù)表述

這些評(píng)論通常很長而且具有可描述性。數(shù)據(jù)集下載：kaggleData。 數(shù)據(jù)涵蓋了超過10年的時(shí)間，包括截至2012年10月的所有？500，000條評(píng)論。這些評(píng)論包括產(chǎn)品，用戶信息，評(píng)級(jí)，純文本評(píng)論和摘要。它還包括來自所有其他亞馬遜類別的評(píng)論。

數(shù)據(jù)處理

由于評(píng)論文本和摘要中涉及的預(yù)處理步驟略有不同，因此我們需要定義兩個(gè)不同的函數(shù)來預(yù)處理評(píng)論和摘要。

評(píng)論文本處理

將所有字母小寫；

移除HTML標(biāo)簽；

Contraction mapping；

移除（‘s）；

刪除括號(hào)內(nèi)的內(nèi)容（覺得括號(hào)里面的內(nèi)容解釋說明不重要）；

消除標(biāo)點(diǎn)符號(hào)和特殊字符；

刪除停用詞；

刪除低頻詞；

摘要文本處理

為摘要文本添加［start］和［end］。

數(shù)據(jù)分布

通過數(shù)據(jù)統(tǒng)計(jì)，可以看到摘要與文本數(shù)據(jù)的長度分布。通過數(shù)據(jù)可視化，我們可以將評(píng)論文本的長度限定在80，而摘要的長度限定在10。