原来有这个算法，让点评体验如此好！

作者：十方，三品炼丹师

十方周末出去找吃的，一定会打开点评，去选择评分高的餐厅。虽然十方很少写评价，但是十方在选择餐厅的时候，一定会选择评分高且评论基本都是正向的餐馆。评论这么多，如何在评论中挖掘关键信息和餐馆一起推荐呢？《Query-aware Tip Generation for Vertical Search》这篇论文就给出了一个很好的算法。

这篇论文解决了啥问题？

从上图中，我们可以看到，用户在点评里搜牛排，推荐的餐厅下面，有评论的精华。我们还发现，浓缩的评论，不仅简明扼要的突出了餐厅的优势，也和query强相关。要能做成这种效果，当然要想起无处不在的它:Attention!论文提到，每个餐厅评论的提炼，会帮助到用户做决策，而且和用户搜索内容也较为相关，而目前已有算法提炼评论的时候忽视了用户的query。

这篇论文本质上是从评论中提炼出和query相关的小贴士，属于文本生成。该文使用了transformer和RNN作为encoder和decoder，从评论中提取和query相关的内容。

小贴士生成模型

问题定义：有个用户评论序列 R = (r1, r2, ..., rN)，N个词，还有个小贴士序列，长度为M，T=(t1, t2, ..., tM)，最后还有用户的query序列 Q = (q1, q2, ..., qK)，用Q和R生成T。

又到了回顾Transformer的时候(是不是有点看腻了)：

虽然transformer的公式一直长这样，可是用起来可是百花齐放。该文用这个transformer做了3个组件。

• 考虑评论的Query编码器:用户的query就是他需要的信息的精炼表达，而评论包含了很多细节信息表达了用户的兴趣。因此可以用transformer的self-atteion结构，挖掘query和评论之间的关系。我们知道正常transformer的Q,K,V都是同一份序列向量，只不过在进attention前做了线性变换，这篇论文做了个很小的改动。假若query的embeding是Emb(Q)，评论的embedding是Emb(R)，H = MultiHead(Emb(R), Emb(Q), Emb(Q))，用评论和query的attention对query进行聚合，最终输出Hq (N * d)。
• 考虑Query的评论编码器：这里用另一个transformer，Q,K,V都是Emb(R)，会输出Hr(N*d)。这里我们知道Hq参考了评论编码了用户的query，Hr则直接编码了用户的评论，我们通过concat这两个embeding，过一个mlp，就可以把Hr和Hq编码成Henc。Hemc = [Hq;Hr]W。Henc同样会输入到第三个transformer去编码，挖掘更多信息，最后生成Hr'。
• 考虑Query的小贴士解码器:用Hq和Hr' concat后做线性变换成最终的embeding，Hdec = [Hq,Hr']W，作为decoder的输入。

整个基于transformer的模型框架图如下：

说完了transformer，再来说基于RNN的另一种方法先看框架图：

Query编码器：用双向LSTM，最终取最后一个向量，作为query的表达，hq( 2d)，不赘述。

考虑Query的评论编码器：同样是Bi-LSTM，最终生成hr(N * 2d)，然后用一个selective gate，通过hq去提取hr中有效的信息。

考虑Query的小贴士decoder：同样是用LSTM，生成了st序列。为了使得生成的小贴士和query相关，所以引入query的编码hq，在t步的时候，用下式通过attention方式生成最终emb:

最后训练的时候，学习的是log loss:

实验

先看下文本生成的效果:

tip确实和餐厅，评论，query都很相关。

比较各个模型，transformer的的效果都要好。