本篇论文实际上是对上一篇论文的优化（seq2BF），使用关键词作为软约束，即关键词不一定出现在生成文本中。

一、模型框架

本框架有三个部分组成：标准GRU;提示词GRU和融合单元。（标准GRU和提示词GRU不共享信息，标准GRU操作一个一般的解码过程，提示词GRU模仿这个过程，但将预测的提示词作为当前输入。 对于融合单元，它结合标准GRU和提示字GRU的隐藏状态以生成当前输出字。 实验结果证明了该方法的有效性。）
GRU（Gate Recurrent Unit）和LSTM（Long-Short Term Memory）一样，是循环神经网络（Recurrent Neural Network, RNN）的一种。目的为了解决长期记忆和反向传播中的梯度等问题而提出来的。
实际上GRU和LSTM的效果差别不大，但是GRU更容易进行训练，能够很大程度上提高训练效率，因此很多时候会更倾向于使用GRU。
本篇论文引入线索词作为生成过程中的附加信息。 关键点在于如何纳入此类信息。 目前常用的方法之一是通过多种门控机制对神经细胞进行修饰。 然而，这些方法都是专门为特定的场景设计的，当它们被用于其他任务时，效果并不像预期的那样好。 为了解决这个问题，我们提出了另一个独立的神经细胞–线索词GRU来处理辅助信息。 由于这种神经细胞可以很容易地被其他单元替换，因此极大地提高了灵活性和可重用性

本地信息初始化由蓝色表示，全局信息初始化包括蓝色箭头和绿色箭头。
第一步预测关键字；第二步将提示词纳入解码过程，各自生成响应。
 该模型设计了cue word gru单元，将关键词信息加入到每一步的状态更新。利用设计的fusion unit结构融合普通的GRU和cue word gru单元。关键词的选取与Seq2BF一样都是用PMI来计算。

注意此模型与Seq2BF的区别，该模型是把cue word的信息融合进了每次的循环，而不是像Seq2BF一样使用将cue word插入到forward阶段保证了cue word一定出现。

rGRU和SCGRU通过门控机制整合额外的信息，而SLGD和FGRU直接将信息融合到神经网络的的各个门中。（rGRU和SCGRU都是专门设计的门，对标准神经网络进行扩充来控制提示词但是结果相差很大，）

新知

作者在最后提到了矩形脉冲，矩形脉冲也是相关性的一个重要表现，表示融合单元的K门是如何平衡了Hy和Hw的影响的。信号是一种离散信号，形状多种多样，与普通模拟信号（如正弦波）相比，波形之间在时间轴不连续（波形与波形之间有明显的间隔）但具有一定的周期性是它的特点。最常见的脉冲波是矩形波（也就是方波）。脉冲信号可以用来表示信息，也可以用来作为载波，比如脉冲调制中的脉冲编码调制（PCM），脉冲宽度调制（PWM）等等，还可以作为各种数字电路、高性能芯片的时钟信号。

总结

**优点：**将cue word加入到了每一步的循环，有利于信息的充分利用

**缺点：**软约束导致cue word并不一定出现了生成文本，导致漏翻；仍然只适用于短文本；cue word选择不好，结果也可能不流畅