正文
文本摘要也是一个非常经典的 NLP 任务，应用场景非常广泛。我们通常将文本摘要方法分为两类，extractive 抽取式摘要和 abstractive 生成式摘要。前者是从一篇文档或者多篇文档中通过排序找出最有信息量的句子，组合成摘要；后者类似人类编辑一样，通过理解全文的内容，然后用简练的话将全文概括出来。在应用中，extractive 摘要方法更加实用一些，也被广泛使用，但在连贯性、一致性上存在一定的问题，需要进行一些后处理；abstractive 摘要方法可以很好地解决这些问题，但研究起来非常困难。
也是基于
Seq2Seq
+attention 模型在 nmt 任务中的成功，2016 年有很多的工作都是套用
Seq2Seq
+attention 来做 abstractive 摘要任务，取得了一定的突破，但做的任务比较简单，输入是一句比较长的话（比如新闻的开头部分），目标是生成一个标题（比如新闻的标题）。直接套用
Seq2Seq
模型可以得到不错的效果，但 OOV（未登录词）问题是一个棘手的问题，在这个领域提出了 Pointer、CopyNet 等优秀的工作，这类模型的思路也是模仿人类的行为，即人在阅读一些内容时，很多的词（比如一些实体词，地名、人名等）并不能理解，只能进行“死记硬背”，也就是模型中的 pointer 或 copy，在生成每一个 token 时，判断一下是否需要从输入序列中进行 copy，不需要的话直接生成。当然很多工作在解决这个问题时，采用了一种“降维”的思路，即将最小单元从 word 降为 char，尤其对于英语摘要问题，char 的规模比如 word 来说非常小，而中文的效果不会那么明显，因为毕竟汉字的数量也非常多。
▲
图3：模型生成的摘要结果
上图给出了
「
Abstractive Text Summarization Using Sequence-to-Sequence RNNs and Beyond
」
一文中模型生成的摘要结果，S 为输入序列，即待摘要的内容，T 为目标序列，即给定的摘要内容，O 为输出序列，即算法生成的摘要内容。
利用
Seq2Seq
模型来解决文本摘要问题现在仍然停留在输入序列比较简短的情况，即 sentence-level abstractive summarization 问题，对于 document-level 和 multi document-level 的问题相关工作还很少，而解决这类更加真实的摘要问题，往往还是需要依赖 extractive 的方法，借助深度学习的优势做一些 ranking model。
关于文本摘要这块，去年我写了个系列博客（点击“阅读原文”进行访问），
大家感兴趣的可以读一读，内容都是 2016 年的相关工作。文本摘要在去年火了一阵子然后沉寂了，最近 arXiv 上又不断地更新出一些不错的工作，大家可以关注 PaperWeekly官方微博（@PaperWeekly）和公众号的【每周值得读】栏目，我们会第一时间为大家推荐本周最新的高质量工作。
对话生成
Chatbot 是当前最火的创业领域，是投资的焦点，客观地讲，但真正特别好用的 Chatbot 几乎没有。C 端的 Chatbot 产品比较少，微软小冰算是其中最杰出的代表，小冰的定位并非帮助用户解决什么具体的实际问题，而是情感陪伴，做一个更像人的 bot，从这个角度来看，小冰是非常成功的。做一个有情感的 bot 其实比做一个所谓“有用”（比如：查天气、订机票等）的 bot 更难，上周 PaperWeekly 报道了一篇清华大学计算机系朱小燕、黄民烈老师团队的工作：
PaperWeekly 第35期 | 如何让聊天机器人懂情感
，他们的工作做了一件有趣的事情，给定 context 和情感选项（比如：开心、忧伤等）来生成具有指定情绪的 response，结果可参考下图。
▲
图4：根据情感选项生成对应情绪的回复
