原文鏈接：https://arxiv.org/abs/1506.03134
Motivation
現有的序列化預測通常使用RNN。RNN的問題在於輸出數量固定，對於答案長度動態變化的問題並不適用。
作者以凸包問題（Convex Hull）為例。給定一定數量的點，希望找到一系列點組成凸多邊形，使得任一點或者在多邊形內部，或者為多邊形頂點。
顯然對於固定總數的點，其凸包頂點數量可變，采用seq2seq的序列模型難以實現比較好的效果。
因此，作者提出了指針網絡（Pointer Networks），以解決答案長度可變的問題，通過生成由輸入到輸出的答案指針，實現答案從輸入的拷貝。
Review：seq2seq Model
RNN序列模型如圖所示。輸入一系列序列，在模型前半部分進行編碼，后半部分進行解碼。解碼部分的每一步依據模型參數、輸入序列、此前所有步的輸出生成當前步的輸出。
在給定的輸入序列P和RNN模型參數θ的情況下，模型預測一系列答案CP（C1 ~ Cm(P)）的概率可以用以下的條件概率乘積表示：
其中模型參數θ可以通過最大化正確答案概率（對數和）來調整：
Review：Attention
注意力機制如圖所示。當前步的輸出通過對每一個輸入（經過encode編碼）加權求和產生。
對於第i步的輸出，首先對於每一步輸入編碼計算權重uji，將該步編碼ej與第i步解碼di分別進行線性變換並相加，通過tanh激活並乘以參數v，最后得到uji。
將uji經過softmax得到aji，作為最終權重。以aji作為權重對此前每一步的編碼ej進行加權平均，得到第i步的輸出。
Pointer Networks
作者提出指針網絡，通過將輸入直接拷貝作為輸出，實現對可變長度答案的預測。
首先使用與Attention同樣的方法，得到每一步的權重。
然后直接將權重最大的輸入項作為輸出，即將softmax后的權重（Attention中的aji作為預測為第j個輸入的概率。
直觀來講，就是將Attention中的權重作為指針，將輸入指向輸出，生成針對輸入序列的概率分布。
