这篇论文可以说是阅读理解领域的奠基之作。
文中最主要的收获就是，提出的三种神经网络模型
1. Deep LSTM Reader
处理过程如图，这个图是用两层的lstm来encoder document ||| query对（这个符号|||表示链接），然后再用得到的表示做分类（得到的输出y，再输入到图右g函数，来做判断）。但是这个两层的lstm我暂时的理解是用了两个lstm。这里希望后续能找到源码看一下
圈出来的部分是我认为对这部分的介绍比较重要的部分，这里面我理解他说的是当我们将doc中的内容一个词一个词先输入到LSTM encoder中，然后在分割符（|||）后，把query也一个词一个词的输入到encoder中。这里作者也尝试了先将query输入encoder，然后再输入doc中的内容。结果却是模型把每个doc-query对，当做一个单一的长句子。而对于给定的embedding后的doc和query，模型需要预测doc中的哪个token（这个token，我的理解是lstm中的哪个中间输出状态）去回答query。模型数学知识支持：
2，The Attentive Reader
这个模型其实就是在lstm的基础上，引入了attention的概念
模型如图：
这里的描述部分，主要借鉴这里，
这个模型将doc和query分开表示，其中query部分就用了一个双向lstm来encode，然后将两个方向上的last hidden state拼接query表示，doc部分也是用一个双向的lstm来encode，这里的每个token的表示是用两个方向上的hidden state拼接而成，doc的表示则是用doc中所有token的加权来表示，（所以这里双向lstm是输出每个隐层的状态），这里的权重就是attention，权重越大表示回答query时对应的token越重要，然后用doc和query的表示做分类。
《Supervised Sequence Labelling with Recurrent Neural Networks》这篇论文是第一次用attention来处理doc和query的encode。
3，Impatient Reader
模型如图：
这个模型在attention reader模型的基础上更细了一步，即每个query token都与doc中的tokens有关联，而不是像之前的模型将整个query考虑为整体。这个过程就像是你读query中的每个token时都需要找到doc中相应的token。这个模型更复杂，但是效果不一定会更好，因为我们在实际阅读中，不可能读一个问题中的每个词后，都去原文中找到相应的词。而且，如果原文很长的话，记忆的效果也不一定会很好。
但是这部分的具体代码实现，是怎么操作的呢，还没想明白，后续有空一定要找到源码看一下
参考资料：https://zhuanlan.zhihu.com/p/21343662?refer=paperweekly