原文链接：https://arxiv.org/abs/1603.06393
Motivation
传统的Seq2seq模型存在OOV（Out Of Vocabulary）问题，即对于超出词表的词难以预测。实际上，这种问题可以通过直接从输入复制单词来解决。例如如下的对话问题中，姓名、原句都可以直接复制。
作者提出Copynet，通过选择生成模式和拷贝模式，使得模型在必要时可以直接从输入中复制单词作为输出。
Model
模型如图所示。左下方的encoder和传统seq2seq模型一致，将输入进行编码。左上方的decoder进行解码，包括答案预测、状态更新两部分。
答案预测
答案来源包括词表和输入两个部分。答案预测模式分为复制模式（copy mode）和生成模式（generate mode）。复制模式即使用指针网络从输入中选择答案，生成模式类似传统RNN，从词表中选择答案。
预测一个词yt的概率p可以分解为以生成模式预测yt的概率和以复制模式生成yt的概率的和。
两种模式的选择由以下方式确定。
生成模式：
1）对于词表中的词语，pg为eφg(yt)/Z
2）对于在输入而不在词表中的词语，pg为0，即不从词表预测
3）对于既不在输入也不在词表的词语，pg为eφg(UNK)/Z
复制模式：
1）对于在输入的词语，pg为Σxj=yteφc(xi)/Z，即计算所有和该词相同的输入的分值总和
2）对于不在输入的词语，pg为0，即不从输入预测
在上式中，归一化项Z由如下方式给定（即两种答案来源的所有词的分值总和）
下图更加直观地说明了不同来源答案的预测方式，即对于词表和输入的交集采用两种模式，若仅在一个来源则采用一种模式，两种来源都不包含则使用UNK词语进行预测。
生成模式的打分函数由下式给定，即词语的one-hot向量×参数矩阵×该步的状态向量。
复制模式的打分函数如下，即将encoder隐态×参数矩阵经过激活函数后乘以该步的状态向量。
状态更新
状态st更新时使用上一步的输出值yt-1，用如下方式表征，其中e(y-1)为yt-1的embedding，ζ为一种加权平均。
ζ由下式计算（类似Attention），即使用每一步的复制模式概率（经过归一化）作为权重，对所有隐态进行加权平均。
ζ与st、yt的更新关系如下所示。
目标函数
Loss由下式计算，即对于batch中的每一组(x,y)和每一个时间步，将该步预测正确（基于输入和此前输出）的条件概率对数求和，整体取负值方便梯度下降最小化。
Results
对于对话问题，模型输出如下，可以看出答案中有很多词语是从输入直接复制的。
文本总结问题模型输出如下。
