文章核心内容：

模型结构图：

一、Entity Memory：

        作者在常规的encoder-attention-decoder以及copy mechanism下，针对实体生成，在decoder过程中不断更新实体，更新的过程采用门机制，类似于LSTM；具体如下公式(9)，比如有k个entity，对每个entity，在decoder time t，新U(t,k)更新是由δ(t,k)确定，δ(t,k)接近1，则U(t-1,k)对应的值就会被更新,接近0则保持前一时刻的值不变；表示根据当前decoder输入词后新增信息；

                                                    

 

二、Hierarchical Attention：

      第一层attention，是基于作者一个假设，确定实体的分布后能提高文本生成的精度，他说每个实体确定下来后，与实体相关的记录是似然的；然后基于两层attention：第一层attention如下图通过计算attention，query=dt，key=value=g(k,z)，得到S(t,k);

                                            

 

    第二层attention如下图query=dt，key=u(t,k)，value=s(t,k)，得到qt，qt即为dynamic context vector，对qt对词表进行softmax得到得分最高的词，即为生成词；

                                                              

 

                                                                                       

论文代码链接：https:// github.com/ratishsp/data2text-entity-py