Pointer network 主要用在解決組合最佳化類問題(TSP, Convex Hull等等)，實際上是Sequence to Sequence learning中encoder RNN和decoder RNN的擴充套件，主要解決的問題是輸出的字典長度不固定問題（輸出字典的長度等於輸入序列的長度）。
在傳統的NLP問題中，採用Sequence to Sequence learning的方式去解決翻譯問題，其輸出向量的長度往往是字典的長度，而字典長度是事先已經訂好了的（比如英語單詞字典就定n=8000個單詞）。而在組合最佳化類問題中，比如TSP問題，輸入是城市的座標序列，輸出也是城市的座標序列，而每次求解的TSP問題城市規模n是不固定的。每次decoder的輸出實際上是每個城市這次可能被選擇的機率向量，其維度為n，和encoder輸入的序列向量長度一致。如何解決輸出字典維度可變的問題？Pointer network的關鍵點在如下公式:
Pointer network 主要用在解決組合最佳化類問題(TSP, Convex Hull等等)，實際上是Sequence to Sequence learning中encoder RNN和decoder RNN的擴充套件，主要解決的問題是輸出的字典長度不固定問題（輸出字典的長度等於輸入序列的長度）。
在傳統的NLP問題中，採用Sequence to Sequence learning的方式去解決翻譯問題，其輸出向量的長度往往是字典的長度，而字典長度是事先已經訂好了的（比如英語單詞字典就定n=8000個單詞）。而在組合最佳化類問題中，比如TSP問題，輸入是城市的座標序列，輸出也是城市的座標序列，而每次求解的TSP問題城市規模n是不固定的。每次decoder的輸出實際上是每個城市這次可能被選擇的機率向量，其維度為n，和encoder輸入的序列向量長度一致。如何解決輸出字典維度可變的問題？Pointer network的關鍵點在如下公式:
其中 是encoder的在時間序列j次的隱藏層輸出， 是decoder在時間序列i次的隱藏狀態輸出，這裡的 其維度為n維和輸入保持一致，對 直接求softmax就可以得到輸出字典的機率向量，其輸出的向量維度和輸入保持一致。其中 均為固定維度的引數，可被訓練出來。