浅析NLP中的Attention技术

Attention（注意力机制）在NLP、图像领域被广泛采用，其显而易见的优点包括：
（1）从context中捕捉关键信息；
（2）良好的可视性和可解释性。

我们常用QKV模型来理解Attention，Q指query，K指key，V指value。其整个流程包括三个步骤（如下图）：
（1）Attention Score。通过Q和K的计算，得到各元素的attention score；
（2）Alignment。将attention score进行对齐/归一化；
（3）Concatenate。以归一化的attention score为权重，V为值进行加权平均。

所以，我们可以将广义的Attention技术简单理解为加权平均，至于如何计算权重，对什么进行加权计算，则取决于具体的应用场景和计算策略。

下面介绍下NLP中典型的Attention技术应用。

（1）Bahdanau/Additive Attention

2015年 ICLR 《Neural machine translation by jointly learning to align and translate》首次在机器翻译Seq2Seq模型中提出了attention的概念，用于目标语言与源语言token间的对齐，让模型自动学习到目标语言sequence中应当分别关注源语言的什么地方，从而清晰的解释了模型到底学习了什么。

该文采用了Bahdanau/Additive Attention的注意力算法：

• 计算Attention Score，即根据某个时间步上decoder的hidden向量与encoder的各hidden向量的FC计算，找到当前翻译时，需要从输入知道的重点信息：

$$e_{ij}=a({\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}},{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}})={\mathbf{v}}_{\mathbf{a}}^{\mathbf{T}}\tanh ({\mathbf{W}}_{\mathbf{a}}\ast [{\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}};{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}}])$$

• 计算Alignment后的归一化值：
  $${\alpha }_{ij}=\frac{e_{ij}}{\sum _j{e}_{ik}}$$
• Concatenate得到当前时间步的加权context vector:
  $${\mathbf{c}}_{\mathbf{i}}=\sum _j{\alpha }_{ij}{\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}}$$

在后续decoder部分的迭代计算中，考虑上述的context vector：
$${\mathbf{y}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}}=f({\mathbf{y}}_{\mathbf{i}-1}^{\mathbf{d}\mathbf{e}},{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}},{\mathbf{c}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}});{\mathbf{h}}_{\mathbf{i}+1}^{\mathbf{d}\mathbf{e}}=g({\mathbf{y}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}},{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}})$$

（2）Luong/Multiplicative Attention

2015年 EMNLP 《Effective Approaches to Attention-based Neural Machine Translation》在上述Bahdanau/Additive Attention的基础上引入了各种变形，其中尤其以Luong/Multiplicative Attention被广为采用，其区别在于采用了矩阵乘法或向量的内积的形式直接计算，从而计算效率更高：
$$e_{ij}={\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}}\ast {\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}};e_{ij}={\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}}\ast W\ast {\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}}$$此外还可以采用多层感知机MLP的形式计算Attention Score：
$$e_{ij}=a({\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}},{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}})=\sigma ({\mathbf{w}}_2^{\mathbf{T}}\tanh ({\mathbf{W}}_1\ast [{\mathbf{h}}_{\mathbf{j}}^{\mathbf{e}\mathbf{n}};{\mathbf{h}}_{\mathbf{i}}^{\mathbf{d}\mathbf{e}}]+{\mathbf{b}}_1)+b_2)$$

值的注意的是：虽然attention的理念脱胎于机器翻译Seq2Seq架构，但完全可以推广到其它场景，用于提取背景语义中的有价值信息。

（3）Soft&Hard Attention

论文《Show, Attend and Tell: Neural Image Caption Generation with Visual Attention》提出了Soft&Hard Attention的概念。

Attention的KQV视角可以理解为一个软寻址的过程，即对寻址结果进行加权求和（avg-sum）。自然而然的，我们可以通过硬寻址的方式处理attention结果，即直接取attention score最大对应的context vector。

采用Hard Attention的方式得到的结果往往更加生硬，忽略了其它vector对的影响，从而倾向于过拟合，所以实践中更多的采用的soft attention的计算思路。

（4）Local&Global Attention

在论文《Effective Approaches to Attention-based Neural Machine Translation》中又提出了Local&Global Attention的概念。顾名思义，即attention作用的上下文window大小，可以是全局性的，也可以是局部的。

Local Attention的初衷很简单：进一步缩小关注的范围，从而减少不必要的噪声。但问题在于如何选择合适的window size？文中提出了local-m和local-p两套策略，但这种复杂化的计算本身就引入了假设和计算复杂度，效果也并不显著，因此在实践中并未被推广。

（5）Scaled Multi-head Self-attention

如果说前面各种attention玩法是传统Pipeline上下文信息提取的优化，那么提出Transformer的《Attention is All You Need》中则将Attention技术发扬广大，将其构造成一种信息抽取器，兼具CNN并行化和RNN长距离依赖的优势，为后续GPT、Bert和XLNet等预训练模型的诞生奠定了基础。

Transformer的具体细节本文不做解释，下面仅仅介绍下其中的核心部件：Scaled Multi-head Self-attention。

从名称中不难知道，其由Self-attention、scaled和multi-head三个组成部分：

a) Self-attention

前文介绍的各类attention均是decoder对encoder序列的attention过程，而 Self-attention则直接作用在encoder序列或decoder序列内部，从而获得序列内部各元素间的相关性。

在具体实现中，通过引入Q、K、V参数矩阵，将每个token转换为对应的query、key和value向量，接着就按照前文计算流程进行计算。

b) scaled

文章在实践中发现，直接计算得到的query、key和value向量在经过Multiplicative/dot Attention操作后效果并不如Additive Attention，作者们认为在较大的向量维度前提下，内积score结果过大，从而落入softmax的饱和区域，使得归一化结果过于hard，而BP梯度过小。所以在得到内积结果，通过除以$\sqrt{d_k}$进行缩放，从而在利用Multiplicative/dot Attention矩阵计算优势的同时，保证了attention的效果。

c) multi-head

文章在每一层的self-attention计算中，采用了多组的Q、K、V参数矩阵。如果说仅用一组Q、K、V得到的是attention结果的平均值，那么多组Q、K、V就扮演了类似filters的功能，可以在不同的sub space中提取不同的特征，从而使得特征提取结果更加丰富。

（6）Multi-dimensional Attention

Multi-dimensional Attention和multi-head的目的一样，即通过多组的attention计算使得结果的信息更加丰富，其区别在于其直接通过一个3-D的weight张量进行求解。

（7）Hierarchical Attention

Hierarchical Attention是指在使用Attention时，通过层次的反复使用，完成对不同粒度信息重要性的提取，比如token-sentence-doc，可以通过对token进行attention计算完成对sentence的编码，然后再对sentence进行attention实现对整个doc的编码，其代表作为《Hierarchical attention networks for document classification》。

总结：Attention可以从复杂信息中有效提取重要信息，具备良好的计算效果和可解释性，已经成为NLP各任务和模型广泛使用的标准模块。

【Reference】

1. 遍地开花的 Attention ，你真的懂吗？
2. An Introductory Survey on Attention Mechanisms in NLP Problems