Pointer network 主要用在解决组合优化类问题(TSP, Convex Hull等等)，实际上是Sequence to Sequence learning中encoder RNN和decoder RNN的扩展，主要解决的问题是输出的字典长度不固定问题（输出字典的长度等于输入序列的长度）。
在传统的NLP问题中，采用Sequence to Sequence learning的方式去解决翻译问题，其输出向量的长度往往是字典的长度，而字典长度是事先已经订好了的（比如英语单词字典就定n=8000个单词）。而在组合优化类问题中，比如TSP问题，输入是城市的坐标序列，输出也是城市的坐标序列，而每次求解的TSP问题城市规模n是不固定的。每次decoder的输出实际上是每个城市这次可能被选择的概率向量，其维度为n，和encoder输入的序列向量长度一致。如何解决输出字典维度可变的问题？Pointer network的关键点在如下公式:
其中 
是encoder的在时间序列j次的隐藏层输出， 
是decoder在时间序列i次的隐藏状态输出，这里的 ![u^i = [u^i_1,u^i_2, ... u^i_j]](https://www.zhihu.com/equation?tex=u%5Ei+%3D+%5Bu%5Ei_1%2Cu%5Ei_2%2C+...+u%5Ei_j%5D)
其维度为n维和输入保持一致，对 
直接求softmax就可以得到输出字典的概率向量，其输出的向量维度和输入保持一致。其中 
均为固定维度的参数，可被训练出来。
感觉知乎上写的这个解释解释的很不错。所以就搬过来了。链接https://www.zhihu.com/question/59480186
还有另外一个链接也很有意义： https://cloud.tencent.com/developer/news/125169