datasets - 保存竞赛文件及代码对数据进行处理后保存数据的文件。
utils - 保存代码文件。
run.py - 调用utils中相关代码按预处理数据 -> 生成相关字典文件 -> 生成词向量并保存到文件的顺序完成相关任务。
preprocess.py
预处理数据，读取训练数据及测试数据，并对数据进行分词，提取训练数据中的Question列和Dialogue列数据，并连接两列数据然后进行分词处理作为训练特征。提取Report列数据进行分词处理作为训练标签数据。
生成文件train_set.seg_x.txt - 训练特征文件，每一行为对句子进行分词处理后的词语，train_set.set_y.txt - 训练标签数据，每一行为对句子进行分词处理后的词语，test_set.seg_x.txt - 预测数据特征，每一行为对句子进行分词处理后的词语。
data_reader.py
读取preprocess.py对竞赛数据处理后生成的三个文件，生成对应的字典，并保存到datasets/vocab.txt文件中。
build_w2v.py
调用相关函数对preprocess.py和data_reader.py对训练数据进行预处理后生成的相关文件进行处理，生成词向量并保存到文件。
添加seq2seq模型(基于tensorflow2)训练代码。
seq2seq_tf2/bin/main.py - 训练模型入口，这里将训练参数整理成了一个配置文件存放到configs/params_config.py中，修改训练参数时只需在文件中修改就行，方便训练。
seq2seq_tf2/encoders/rnn_encoder.py - 包含seq2seq模型中的Encoder模块。
seq2seq_tf2/decoders/rnn_decoder.py - 包含seq2seq模型中的Decoder和Attention模块。
seq2seq_tf2/models/sequence_to_sequence.py - 实现seq2seq模型。
run.py中添加了训练模型的函数seq2seq。
添加seq2seq_tf2/test_helper.py文件。
实现greedy_decode函数功能。生成摘要数据是通过贪婪搜索取概率最大值的词。