题目：Paragraph-level Neural Question Generation with Maxout Pointer and Gated Self-attention Networks
最近读了这篇文章，将一些翻译和自己的理解梳理如下。
一、前情提要
本文利用Maxout Pointer机制与gated self-attention机制，进行篇章级别（paragraph level）的问题生成。
在问题生成领域，sequence to sequence的神经模型比基于规则的系统表现得更好。但现有的模型专注于使用一到两个句子作为输入，长文本在利用s2s模型生成问题中表现不佳。但实际上，为了生成高质量的问题，通常需要整篇文章提供必要的上下文信息。
下图是一个需要使用paragraph level的信息才能提出高质量问题的例子，包含问题的句子用绿色的斜体字标出，其中答案span用下划线标出。
本文为了解决问题生成任务中长文本作为输入的挑战，提出了maxout pointer机制并在encoder中加入了gated self-attention。
在SQuAD数据集和MS MARCO数据集上，本文提出的模型在sentence level的QG任务中表现比state of art的模型表现好，在paragraph level的QG任务中，本文模型的表现比其在sentenve level的任务中表现更好，证明了该模型在解决长文本输入问题上是非常有效的。
二、模型详解
下图是本文提出的模型的端到端的结构
本文解决的问题假设：已知文章（passage）和答案（answer），并且答案是来自文章的span，根据已知的文章和答案生成问题（question），question中的词有两个来源：已经定义好的单词表（volcabulary）或原文（passage）。
本文对Encoder和Decoder在标准的加入attention的s2s模型上做了一些优化。
Encoder：
word representation：每个word representation由两部分组成：单词xt的word embedding，也就是图中的et，用来表示单词xt是否在answer span中的meta word representation。这两部分拼接（concatenate）起来作为输入。
gated self-attention：这里假设encoder使用了RNN对word representation进行编码。ut是输入通过RNN之后的输出，对ut进行self-attention，得到的输出称为st。利用ut和st可以得到如下的两部分输出，ft是self-attention的结果，gt是一个门限，也就是上面提到的gate。是利用gt这个门限控制ft和ut的融合比例之后得到的encoder的最终输出。
Decoder：
attention：decoder部分使用的attention是常规的方法，公式如下
Pointer：Pointer Network允许在生成问题的时候产生的word要么来自于预先定义单词表，要么来自于对原文单词的复制。本文提到的Pointer机制使用了attention中的raw attention score，rt。使用的公式如下：
上面的公式中，X代表的是由输入序列生成的一个小的单词表（简称小单词表）。xk是输入序列中的第k个词在小单词表中的indice，yt是decode序列中的第t个词，rt,k代表的则是以上两者的attention原始得分。
这里有一个疑问，decode就是为了确定yt是什么，怎么会已经知道yt是什么词了呢？？？
然后接下来把copy score和generative score拼接起来，generative score来自常规的RNN网络，就是下面公式不进行softmax之前的值。这里有一个疑问，为什么不是d^t呢？如果不用d^t那attention不就没有用了。
拼接之后向量如下，
这个向量的维度是
其中前一部分是大的单词表的大小，后一部分是小单词表的大小。
对拼接之后的向量进行softmax，这种方式可以让两部分score可以不断compete。也有其他的做法，对两部分score分别做softmax，然后用一个动态权重对两个softmax的结果进行融合，这种做法中权重需要通过训练得到。
Maxout Pointer：用标准的Pointer网络，可能会产生一个问题：生成的问题中的重复的词特别多。为了解决这个问题，使用了Maxout Pointer。公式如下：
三、实验验证结果
1. 数据集
本文在两个数据集上进行了模型验证：SQuAD和MS MARCO
SQuAD：由536篇文章和10万个问题组成，每个问题都有一个对应的答案，答案是文章中的token spans。
为了跟已有研究对比效果，SQuAD数据集有两种划分方法：1）split1：使用dev set作为test set，将train set的文章按照90%-10%的比例随机划分，作为train set和dev set。并且本文在做实验时保留了所有的sample，而没有将sentence-question pair中一个非停用词都没有重合的pair去掉。这种做法使数据集更难训练。2）split2：将dev set中的句子按照50%-50%的比例划分为dev和test set。
MS MARCO：MS MARCO包括10万个queries以及其相应的答案和passage，其中queries就相当于是questions。所有的问题都是从真实匿名用户的queries中抽取的，passage是来自网络的文档。本文实验只用了MS MARCO数据中的一部分，在这部分数据中，答案是包含在passage中的一些sub-spans。使用dev set（7k）作为test set，将train set按照90%-10%的比例划分为train set（51k）和dev set（6k）。
2. 网络细节
1）网络中的encoder和decoder都使用2层的LSTM作为RNN单元的具体实现形式。并且在encoding过程中使用的是双向LSTM。LSTM的隐层的大小是600。在竖直方向的LSTM stack之间使用了概率为0.3的dropout。
2）word embedding使用了经过预训练的300维的GloVe向量，并且在训练过程中GloVe这部分就被冻结（froze）了。meta word embedding的维度是3.
3）encoder和decoder中使用的vocabulary是GloVe 中最常用的45k大小的单词表。
4）在最优化过程中，使用了有动量的SGD。
5）学习率初始值为0.1，在第8个epoch之后，每2个epoch削减为一半。
6）模型总共被训练了20个epoch。
7）mini-batch的大小是64
8）训练完之后，找到4个困惑度最低的模型，选择其中训练的epoch最多的一个作为final model。
9）在decoding的prediction过程中，使用了beam search，beam的大小是10。decoding结束以每个beam 产生EOS为标志。
3. 评价指标
评价的指标包括：BLEU_1~BLEU_4、METEROR、ROUGE-L
4. 结果
模型缩写
s2s: basic sequence to sequence model
s2s-a: s2s + attention mechanism
s2s-a-at: s2s-a + answer tagging
s2s-a-at-cp: s2s-a-at + copy mechanism
s2s-a-at-mp: s2s-a-at + maxout pointer mechanism
s2s-a-at-mp-gsa: s2s-a-at-mp + gated self-attention
实验结论
1）s2s-a和s2s对比，说明了attention对提升模型效果有很大的作用
2）添加了answer tagging（at）之后，par和sen模型之间的差距缩小，说明at有助于模型忽略noise
3）添加了copy mechanism（cp）之后，模型整体的水平提高了，但是par和sen之间的差距又增大了，是因为par的model更容易复制原文的内容，导致准确率变低了。在改用maxout pointer（mcp）之后，par和sen之间的差距确实变小了。
4）加上了gsa之后，首次par比sen的效果更好了，下面是一个self attention的词对齐的可视化结果。可以看出词对齐的分布集中在了正确答案附近。
5）本文还测试了beam search和greedy search的效果，如下表所示。很明显beam search的效果是全都好于greedy的。
6）与已有模型的比对
可以发现本文的最优模型（ours，s2s-a-at-mp-gsa）比已有的模型效果都要更好，并且已有的模型都是sentence level的。
