Attention！注意力机制模型最新综述（附下载）

来源：专知

本文多资源，建议阅读5分钟。

本文详细描述了Attention模型的概念、定义、影响以及如何着手进行实践工作。

[导 读]Attention模型目前已经成为神经网络中的一个重要概念，本文为大家带来了该模型的最新综述文章，详细描述了该模型的概念、定义、影响以及如何着手进行实践工作。

介绍

本篇综述提供了关于注意力模型的全面概述，并且提供了一种将现有注意力模型进行有效分类的分类法，我们调查了用于不同网络结构的注意力模型，并显示了注意力机制如何提高模型的可解释性，最后，我们讨论了一些受到注意力模型较大影响的应用问题。我们希望本次综述能够为为大家提供一份简明扼要的介绍，帮助大家理解这一模型并着手进行实践。

注意力模型（AM）自机器翻译任务【Bahdanau et al 2014】首次引入进来，现在已经成为主流的神经网络概念。这一模型在研究社区中非常受欢迎，适用领域非常广泛，包括自然语言处理、统计学习、语音和计算机视觉方面的应用。

注意力模型的思想可以通过人类生物系统来进行解释，例如，在我们的视觉系统中，更倾向于关注图片的某一部分，而忽视其他不相干的信息，这样有助于提高感受能力。相似的，在某些问题涉及到文字、语音与视觉的任务中，部分信息的重要程度要明显高于其他信息，例如，在翻译与摘要任务中，输入序列中只有部分词汇与下个词的预测有关。同样的，在图片描述问题中，输入图像的某些区域可能对描述词更加相关。AM整合了这种相关信息，允许模型对某些有用的输入信息，动态的提供注意力，以此提高模型的性能，例如在文本分类任务中。

注意力模型的飞快发展可以被总结为三个理由：

1. 这些模型是很多任务的state-of-the-art，例如机器翻译、问答系统、情感分析、词性标注、对话系统等；

2. 除了提高任务性能之外，还带来了其他几种优势。如，提高模型的可解释性等；

3. AM解决了RNN模型的很多问题，例如在面对长文本时的性能衰减，以及计算序列数据对任务的权重影响等。

文章从Number of Sequences、Number of Abstraction Levels、Number of Positions、Number of Representations等多个维度对注意力模型进行了分类，具体结果如下：

• 后台回复“20190408” 即可获取《Attention 模型最新综述》的下载链接~ 

附全文预览：

编辑：文婧

校对：林亦霖