目前已有的生成式文本摘要有两个显著的缺点：
（1）不准确复制事实细节（复制的事实细节不对）
（2）有时候摘要会重复他们本身
针对这两个问题，本文给出了相应的解决方法：
（1）pointer-generator模型（指针生成网络), 通过指针从源文本中复制单词以解决OOV问题，并且有能力生成新词（在源文本中没有出现的词）
（2）coverage机制：解决seq2seq模型生成句子中经常有重复片段现象
首先给出以往做法的框架图，其实也是生成式文本摘要的开山之作《a neural attention model for abstractive sentence summarization》的思想，简而言之，就是在解码的第t步用attention计算出源文本中所有词的概率分布，然后生成文本向量c， 利用c和解码的h生成第t步在固定词汇集上的概率分布：
本文的主要思想框架如下：
(1）seq2seq attentional model
为了更明白地解释Pointer-generator network和Coverage mechanism，首先回顾下seq2seq attention model的原理，不具体进行解释了：
context vector:
(2) Pointer-generator network
公式（8）中的p是标量值，范围是[0, 1]，直观理解就是生成新词的概率, 如果概率大就选择生成新词，否则就从源文本中copy单词。公式中的 是第t步解码时第t-1步的输出，了解seq2seq的知道，第t-1步的输出就是第t步的输入
在公式（9）是固定词汇集合中的概率分布，即Figure 3中的右上角绿色部分，(w)是单词w在固定词汇集合中的概率值是在解码时刻计算出的源句子中第i个词的概率， i:w=w中i是变量大小是0<i<源文档词的个数（不去重），源句子中w只要是单词w,就将该词概率相加。大概意思是源文档中有重复的单词，重复词的概率和。
整个公式（9）可以理解为：解码生成的某个单词的概率由两部分组成，一是生成模式生词这个词的概率，二是源句子里在解码第t步词w的概率。
如果w是oov词，则(w)就等于零，想当于从源文档中复制词，如果w没有出现在源文档中，则公式（9）中左边的第二个compnents就等于0
(3)Coverage mechanism
这个机制是为了解决重复片段问题的，尤其当生成多个句子的文摘时，重复问题很严重。
公式（10）中的 t范围是从0到 t-1,是已经解码的每一步，源文档中所以词的概率分布相加
在公式（11）中 wc中得到提示，使注意力机制避免重复关注相同的位置, 也就是说避开已经关注过的单词