AAAI2018中的自注意力机制(Self-attention Mechanism)

近年来，注意力（Attention）机制被广泛应用到基于深度学习的自然语言处理(NLP)各个任务中。随着注意力机制的深入研究，各式各样的attention被研究者们提出，如单个、多个、交互式等等。去年6月，google机器翻译团队在arXiv上的《Attention is all you need》论文受到了大家广泛关注，其中，他们提出的自注意力（self-attention）机制和多头（multi-head）机制也开始成为神经网络attention的研究热点，在各个任务上也取得了不错的效果。在AAAI2018的接收论文中，有30余篇都使用了attention机制，其中有3篇使用到了self-attention。本人就这篇论文中的self-attention以及一些相关工作进行了学习总结（其中也参考借鉴了张俊林博士的博客“深度学习中的注意力机制(2017版)”和苏剑林的“《Attention is All You Need》浅读（简介+代码）”），和大家一起分享。

一、引言

   Attention机制由视觉图像领域提出来，在2014年，Bahdanau在《Neural Machine Translation by Jointly Learning to Align and Translate》上将其应用到机器翻译任务上，这是第一个应用到NLP领域的论文。之后，15、16、17乃至今年，都有各式各样的attention机制结合深度学习网络模型被用于处理各种NLP的任务。在2017年，google机器翻译团队发表的《Attention is all you need》中大量使用了自注意力机制（self-attention）来学习文本表示，脱离传统的RNN/CNN，同时也使用了新颖的multi-head机制。自注意力机制也成为了大家近期研究的热点，可以应用到各种NLP任务上。

  对于传统的机器翻译，我们可以使用sequence to sequence（encoder-decoder）模型来进行翻译，如下图所示。

    这里，我们可以把上图抽象出来得到下图。输入序列{x1, x2, x3, x4}，传入编码器（encoder）中进行编码，得到语义编码c，然后通过解码器（decoder）进行解码，得到输出序列{y1, y2, y3}，输入与输出的个数可以不相等。

   但是，这种方式会有一个问题：对于长句子的翻译会造成一定的困难，而attention机制的引入可以解决这个问题。如下图所示：

这里，我们可以看到，decoder中有几个输出序列，对应的语义编码c则有相同的数量，即一个语义编码c_i对应一个输出y_i。而每个c_i就是由attention机制得到，具体公式如下：

回顾了传统的attention模型之后，我们看一下google翻译团队对attention模型的高度抽取概况。他们将其映射为一个query和一系列<key, value>，最终得到输出attention value的过程。这里的query相当于decoder中的s_i-1，key与value都来自于encoder的h_j，区别在于前后状态的h_j。然后计算query与key_i的相似度，并与value_i进行相乘，然后求和。

上面提到的query与key之间计算相似度有许多方法，如dot、general、concat和MLP等方式，具体公式如下所示。而attention模型抽象为query、key和value之间的相似度计算，总共有3个阶段。第一阶段：query与key_i使用特定的相似度函数计算相似度，得到s_i；第二阶段：对s_i进行softmax()归一化得到a_i；第三阶段，将a_i与value_i对应相乘再求和，得到最终的attention value。其实对比传统的attention公式，我们可以看出，这两套公式还是很像的。

二、自注意力机制

下面主要介绍《Attention is all you need》这篇论文，发表在NIPS2017上。这篇论文的创新性在于：（1）不同于以往基于RNN的seq2seq模型框架，该论文使用了attention机制代替了RNN搭建模型；（2）提出了多头注意力机制（multi-head self-attention）；（3）在WMT2014语料中，取得了先进结果，并且训练速度要快很多。

该模型的架构如图所示，依然符合seq2seq的架构，由encoder和decoder组成。在编码器中由许多重复的网络块组成，一个网络块由一个多头attention层和一个前向神经网络组成（而非单独使用attention模型），整个编码器栈式搭建了N个块。Decoder与encoder类似，除了编码器到解码器的学习外，还有解码器到解码器的学习。同时，为了能够更深层次的搭建网络结构，该模型使用了残差结构（Add）和对层的规范化（Norm）。

                

本文对基本的attention模型进行了少许改进，提出了缩放点积attention（scaled dot-Product attention）。在使用点积运算进行相似度计算的基础上，缩小了倍（d_k为词向量的维度）。其目的在于调节的作用，使得内积不易过大。

多头attention（Multi-head attention）的结构贺公式如图所示。首先，需要对query、key和value进行一个线性变换；然后输入到缩放点积attention机制，重复做h次，每次的输入为线性变换后的原始输入，这里，多头就是指做多次attention之后进行拼接，每一次算一个头，每次Q、K和V的线性变换参数W是不一样的；最后，将拼接后的模型做一次线性变换，得到的值为多头attention的结果。可以看出，多头attention与传统的attention区别在于计算了h次，这样可以从不同的维度和表示子空间里学习到相关的信息，可通过attention可视化机制来验证。

在整个模型中，从编码器到解码器的地方中使用了多头attention进行连接，K、V和Q分别是编码器的层输出（这里K=V）和解码器中多头attention的输入，这其实跟主流的机器翻译模型中的attention一样，进行传统的翻译对齐任务。然后，在编码器和解码器中都使用了多头自注意力self-attention来学习文本的表示，K=V=Q，即里面的每个词都要和该句子中的所有词进行attention计算，其主要目的是学习句子内部的词依赖关系，捕获句子中的内部结构。

这里，要着重说一下位置编码。因为该模型没有使用RNN等序列模型，不能考虑到时序信息，因此，这里拟合了一个位置编码函数，来模拟词语的顺序。实验结果表明，这种方式是合理有效的。

三、AAAI2018中的self-attention

   在新放出来的AAAI2018的论文中，共计有30余篇使用attention模型处理各种NLP任务，这里，主要介绍使用self-attention机制的三篇论文。

1、DiSAN: Directional Self-Attention Network for RNN/CNN-Free Language Understanding

   这篇论文是悉尼科技大学UTS的张成奇教授发表的论文，发表在AAAI2018上。该论文旨在提出一种通用框架，在自然语言推理（natural language inference）、情感分析、语义关系（semantic relatedness）、句子分类（sentence classifications）等任务中均取得较好的效果。

创新点主要有两点：第一，多维度：这里的attention被用于计算每个特征上；第二，方向性：使用一个或多个位置mask对attention进行建模。

  这里，输入序列为x = [x₁, x₂, ..., x_n]，词向量维度为d_e。

  首先，对embedding层经过全连接层，得到hidden state：h = [h₁, h₂, ..., h_n]，公式如下：

  然后，计算h_i与h_j之间的相似度函数f(h_i, h_j)，公式如下所示。其中c=5。

公式里的M为位置编码mask。本文共提出三种位置mask方式，分别为前向（fw）、后向（bw）和对角（diag），公式如下：

          

 然后，对得到的相似度函数f(h_i, h_j)进行softmax归一化操作，得到(0, 1)之间的数P。接着，对应与输入向量x进行相乘，求和，最终得到输出向量s。

 同时，本文引入门机制。对向量s和隐层状态h进行线性变换后再求和，并进行sigmoid操作，得到F。用门F控制h和s的比例，得到最终的输出向量u。

本文，在输入向量上，分别使用前向自注意力机制和后向自注意力机制，将两部分的结果进行拼接，并使用多维度的self-attention，最后输出。实验表明，该模型在很多任务中均取得了很好的结果。

2、Deep Semantic Role Labeling with Self-Attention

   这篇论文来自AAAI2018，厦门大学的工作。将self-attention应用到了语义角色标注任务（SRL）上，看作一个序列标注问题，使用BIO标签进行标注。然后提出使用深度注意力网络（Deep Attentional Neural Network）进行标注，网络结构如下。在每一个网络块中，有一个RNN/CNN/FNN子层和一个self-attention子层组成。最后直接利用softmax当成标签分类进行序列标注。该论文在网络块数为10的时候，取得了较好的结果。

  

3、Simultaneously Self-Attending to All Mentions for Full-Abstract Biological Relation Extraction

    这篇论文是AndrewMcCallum团队应用self-attention在生物医学关系抽取任务上的一个工作，应该是已经被NAACL2018接收。这篇论文作者提出了一个文档级别的生物关系抽取模型，里面做了不少工作，感兴趣的读者可以更深入阅读原文。我们这里只简单提一下他们self-attention的应用部分。论文模型的整体结构如下图。

四、总结

    Google提出的self-attention是attention模型的一种特殊形式，是自己学习自己的过程，Q=K=V；提出的multi-head attention是通过计算多次来捕获不同维度不同子空间上的相关信息。Self-attention可以不考虑词与词之间的距离而直接计算依赖关系，能够学习到一个句子的内部结构，能够简单并行的计算，可以脱离CNN和RNN，但是需要合理的考虑和设置位置函数。当然，从AAAI2018年的论文可以看出，self-attention也可以当作一个层，与RNN、CNN和FNN等配合使用，能够更好的解决NLP领域的任务。

参考文献：

[1] Vaswani, Ashish, et al. Attention is all you need. Advances in Neural Information Processing Systems. 2017.

[2] Shen, T.; Zhou, T.; Long, G.; Jiang, J.; Pan, S.; and Zhang, C. Disan: Directional self-attention network for rnn/cnn-free language understanding. AAAI 2018.

[3] Verga P, Strubell E, McCallum A. Simultaneously Self-Attending to All Mentions for Full-Abstract Biological Relation Extraction. AAAI 2018.

[4] Tan Z, Wang M, Xie J, et al. Deep Semantic Role Labeling with Self-Attention. AAAI 2018.

 

参考博客：

张俊林，深度学习中的注意力机制(2017版)，https://blog.csdn.net/malefactor/article/details/78767781

苏剑林，《Attention is All You Need》浅读（简介+代码），https://kexue.fm/archives/4765