強化学習の目的関数に多様性を評価する項を追加したこと. これまで, SLLでは生成結果の多様性が乏しく, 同じ画像に対して同じようなキャプションしか生成できなかった. これは, SLLが理論的に precision の最大化と同値であり, recall を考慮していないこと, そして recall は precision が一定ならば生成文の多様性に比例することに関連していた.

画像(MSCOCO dataset), 動画(TGIF dataset)のそれぞれについて検証した結果, 生成結果の多様性の指標であるDiv-1, Div-2, mBleuに改善がみられた. さらに, 従来の評価指標であるCIDErも上昇しており, 本来のキャプション生成としての性能にも貢献していることが分かった.