也是在Squad上面做的，效果不好，但是很有意思，利用了很大的外部资源

-------------------------------

主要是利用了外部的资源来辅助Squad的阅读理解

先看看有一个叫做判别模型的东西 也就是 Discriminative Model

就是传统的那个产生答案的模型 其他很多人已经做过了

注意其中有一个tag就是为了后面服务的，因为这了的外部资源是这样的利用的  也就是一个encoder-decoder模型，在外部的wikipedia上面，用规则抽取一些答案，然后给定文章，答案，我们产生可能的问题，这个东西可以利用已有的Squad来训练，也可以用GAN来训练。但是这样产生的一个样本，就是属于模型产生的，也就是有一个label 也就是对这一个样本，是真正的（Squad）还是模型产生的（翻译出来的）。

然后我们看看这个生成式的模型是什么

但是这样训练出来的有一个问题， d_gen是指的generator的标签，也就是这个样本是生成的

也就是这样的产生的一个样本，可能会是这样的，给定一个a和p，产生一个a，这个a其实就是问题，那么那个生成式模型肯定直接就会直接给出答案了，只要把问题复制一遍，就可以了

所以作者在这里用了一些trick来搞定这个事情 也就是所谓的adversarial training

可以看到 先是在原来的数据上面用D训练一个判别式模型，然后在用这个G产生的样本来训练，最后再训练这个生成式模型。用的就是REINFORCE算法，因为对G来说目标函数是不可导的，注意那里的label  子啊第一个里面是d_true 在第二个里面是d_gen 也就是D知道这个样本是来自生成出来的，第三个里面又是d_true  也就是真正的样本对D 所以才能很好的训练G

最后的实验非常烂，而且也没有给出具体生成出的样本，所以我不知道这个东西是怎么中的