淺談自然語言處理中的注意力機(jī)制

01

寫在前面

近些年來，注意力機(jī)制一直頻繁的出現(xiàn)在目之所及的文獻(xiàn)或者博文中，可見在NLP中算得上是個相當(dāng)流行的概念，事實(shí)也證明其在 NLP 領(lǐng)域散發(fā)出不小得作用。

這幾年的頂會 paper 就能看出這一點(diǎn)。本文深入淺出地介紹了近些年的自然語言中的注意力機(jī)制包括從起源、變體到評價指標(biāo)方面。

據(jù) Lilian Weng 博主[1]總結(jié)以及一些資料顯示，Attention 機(jī)制最早應(yīng)該是在視覺圖像領(lǐng)域提出來的，這方面的工作應(yīng)該很多，歷史也比較悠久。

人類的視覺注意力雖然存在很多不同的模型，但它們都基本上歸結(jié)為給予需要重點(diǎn)關(guān)注的目標(biāo)區(qū)域(注意力焦點(diǎn))更重要的注意力，同時給予周圍的圖像低的注意力，然后隨著時間的推移調(diào)整焦點(diǎn)。

而直到 Bahdanau 等人[3]發(fā)表了論文《Neural Machine Translation by Jointly Learning to Align and Translate》，該論文使用類似 Attention 的機(jī)制在機(jī)器翻譯任務(wù)上將翻譯和對齊同時進(jìn)行。

這個工作目前是最被認(rèn)可為是第一個提出Attention 機(jī)制應(yīng)用到 NLP 領(lǐng)域中的工作，值得一提的是，該論文2015年被 ICLR 錄用，截至現(xiàn)在，谷歌引用量為5596，可見后續(xù)nlp在這一塊的研究火爆程度。

注意力機(jī)制首先從人類直覺中得到，在nlp領(lǐng)域的機(jī)器翻譯任務(wù)上首先取得不錯的效果。簡而言之，深度學(xué)習(xí)中的注意力可以廣義地解釋為重要性權(quán)重的向量：

為了預(yù)測一個元素，例如句子中的單詞，使用注意力向量來估計(jì)它與其他元素的相關(guān)程度有多強(qiáng)，并將其值的總和作為目標(biāo)的近似值。

既然注意力機(jī)制最早在 NLP 領(lǐng)域應(yīng)用于機(jī)器翻譯任務(wù)，那在這個之前又是怎么做的呢？

傳統(tǒng)的基于短語的翻譯系統(tǒng)通過將源句分成多個塊然后逐個詞地翻譯它們來完成它們的任務(wù)，這導(dǎo)致了翻譯輸出的不流暢。

不妨先來想想我們?nèi)祟愂侨绾畏g的？我們首先會閱讀整個待翻譯的句子，然后結(jié)合上下文理解其含義，最后產(chǎn)生翻譯。

從某種程度上來說，神經(jīng)機(jī)器翻譯（NMT）的提出正是想去模仿這一過程。而在NMT的翻譯模型中經(jīng)典的做法是由編碼器 - 解碼器架構(gòu)制定(encoder-decoder)，用作 encoder 和 decoder 常用的是循環(huán)神經(jīng)網(wǎng)絡(luò)。

這類模型大概過程是首先將源句子的輸入序列送入到編碼器中，提取最后隱藏狀態(tài)的表示并用于解碼器的輸入，然后一個接一個地生成目標(biāo)單詞，這個過程廣義上可以理解為不斷地將前一個時刻 t-1 的輸出作為后一個時刻 t 的輸入，循環(huán)解碼，直到輸出停止符為止。

通過這種方式，NMT解決了傳統(tǒng)的基于短語的方法中的局部翻譯問題：它可以捕獲語言中的長距離依賴性，并提供更流暢的翻譯。

但是這樣做也存在很多缺點(diǎn)，譬如，RNN 是健忘的，這意味著前面的信息在經(jīng)過多個時間步驟傳播后會被逐漸消弱乃至消失。

其次，在解碼期間沒有進(jìn)行對齊操作，因此在解碼每個元素的過程中，焦點(diǎn)分散在整個序列中。對于前面那個問題，LSTM、GRU 在一定程度能夠緩解。而后者正是 Bahdanau 等人重視的問題。

02

Seq2Seq 模型

在介紹注意力模型之前，不得不先學(xué)習(xí)一波 Encoder-Decoder 框架，雖然說注意力模型可以看作一種通用的思想，本身并不依賴于特定框架（比如文章[15]：Learning Sentence Representation with Guidance of Human Attention），但是目前大多數(shù)注意力模型都伴隨在 Encoder-Decoder 框架下。

Seq2seq 模型最早由 bengio 等人[17]論文《Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation》。

隨后 Sutskever 等人[16]在文章《Sequence to Sequence Learning with Neural Networks》中提出改進(jìn)模型即為目前常說的 Seq2Seq 模型。

從廣義上講，它的目的是將輸入序列（源序列）轉(zhuǎn)換為新的輸出序列（目標(biāo)序列），這種方式不會受限于兩個序列的長度，換句話說，兩個序列的長度可以任意。

以 NLP 領(lǐng)域來說，序列可以是句子、段落、篇章等，所以我們也可以把它看作處理由一個句子（段落或篇章）生成另外一個句子（段落或篇章）的通用處理模型。

對于句子對，我們期望輸入句子 Source，期待通過 Encoder-Decoder 框架來生成目標(biāo)句子Target。

Source 和 Target 可以是同一種語言，也可以是兩種不同的語言，若是不同語言，就可以處理翻譯問題了。

若是相同語言，輸入序列 Source 長度為篇章，而目標(biāo)序列 Target 為小段落則可以處理文本摘要問題 (目標(biāo)序列 Target 為句子則可以處理標(biāo)題生成問題)等等等。

seq2seq 模型通常具有編碼器 - 解碼器架構(gòu):

編碼器 encoder: 編碼器處理輸入序列并將序列信息壓縮成固定長度的上下文向量（語義編碼/語義向量 context）。期望這個向量能夠比較好的表示輸入序列的信息。

解碼器 decoder: 利用上下文向量初始化解碼器以得到變換后的目標(biāo)序列輸出。早期工作僅使用編碼器的最后狀態(tài)作為解碼器的輸入。

編碼器和解碼器都是循環(huán)神經(jīng)網(wǎng)絡(luò)，比較常見的是使用 LSTM 或 GRU。

編碼器 - 解碼器模型

03

NLP 中注意力機(jī)制的起源

前面談到在 Seq2Seq 結(jié)構(gòu)中，encoder 把所有的輸入序列都編碼成一個統(tǒng)一的語義向量 context，然后再由 decoder 解碼。而 context 自然也就成了限制模型性能的瓶頸。

譬如機(jī)器翻譯問題，當(dāng)要翻譯的句子較長時，一個 context 可能存不下那么多信息。除此之外，只用編碼器的最后一個隱藏層狀態(tài)，感覺上都不是很合理。

實(shí)際上當(dāng)我們翻譯一個句子的時候，譬如：Source: 機(jī)器學(xué)習(xí)-->Target: machine learning。當(dāng)decoder要生成"machine"的時候，應(yīng)該更關(guān)注"機(jī)器"，而生成"learning"的時候，應(yīng)該給予"學(xué)習(xí)"更大的權(quán)重。

所以如果要改進(jìn)Seq2Seq結(jié)構(gòu)，一個不錯的想法自然就是利用 encoder 所有隱藏層狀態(tài)解決 context 限制問題。

Bahdanau等人[3]把 attention 機(jī)制用到了神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯（NMT）上。傳統(tǒng)的 encoder-decoder 模型通過 encoder 將 Source 序列編碼到一個固定維度的中間語義向量 context，然后再使用 decoder 進(jìn)行解碼翻譯到目標(biāo)語言序列。

前面談到了這種做法的局限性，而且，Bahdanau 等人[3]在其文章的摘要中也說到這個 context 可能是提高這種基本編碼器 - 解碼器架構(gòu)性能的瓶頸，那 Bahdanau 等人又是如何嘗試緩解這個問題的呢？ 別急，讓我們來一探究竟。

作者為了緩解中間向量 context 很難將 Source 序列所有重要信息壓縮進(jìn)來的問題，特別是對于那些很長的句子。提出在機(jī)器翻譯任務(wù)上在 encoder–decoder 做出了如下擴(kuò)展：將翻譯和對齊聯(lián)合學(xué)習(xí)。

這個操作在生成 Target 序列的每個詞時，用到的中間語義向量context是Source序列通過 encoder 的隱藏層的加權(quán)和，而傳統(tǒng)的做法是只用 encoder 最后一個時刻輸出作為 context，這樣就能保證在解碼不同詞的時候，Source 序列對現(xiàn)在解碼詞的貢獻(xiàn)是不一樣的。

想想前面那個例子：Source: 機(jī)器學(xué)習(xí)-->Target: machine learning (假如中文按照字切分)。

decoder 在解碼"machine"時，"機(jī)"和"器"提供的權(quán)重要更大一些，同樣，在解碼"learning"時，"學(xué)"和"習(xí)"提供的權(quán)重相應(yīng)的會更大一些，這在直覺也和人類翻譯也是一致的。

通過這種 attention的 設(shè)計(jì)，作者將 Source 序列的每個詞(通過encoder的隱藏層輸出)和 Target 序列 (當(dāng)前要翻譯的詞) 的每個詞巧妙的建立了聯(lián)系。

想一想，翻譯每個詞的時候，都有一個語義向量，而這個語義向量是Source序列每個詞通過 encoder 之后的隱藏層的加權(quán)和。

由此可以得到一個 Source 序列和 Target序列的對齊矩陣，通過可視化這個矩陣，可以看出在翻譯一個詞的時候，Source 序列的每個詞對當(dāng)前要翻譯詞的重要性分布，這在直覺上也能給人一種可解釋性的感覺。

論文中的圖也能很好的看出這一點(diǎn)：

生成第t個目標(biāo)詞

更形象一點(diǎn)可以看這個圖：

現(xiàn)在讓我們從公式層面來看看這個東東 (加粗變量表示它們是向量，這篇文章中的其他地方也一樣)。 假設(shè)我們有一個長度為n的源序列x，并嘗試輸出長度為m的目標(biāo)序列y：

作者采樣bidirectional RNN作為encoder(實(shí)際上這里可以有很多選擇)，具有前向隱藏狀態(tài)和后向隱藏狀態(tài)。為了獲得詞的上下文信息，作者采用簡單串聯(lián)方式將前向和后向表示拼接作為encoder的隱藏層狀態(tài)，公式如下：

對于目標(biāo)(輸出)序列的每個詞(假設(shè)位置為t)，decoder網(wǎng)絡(luò)的隱藏層狀態(tài)：

其中，語義向量 是源(輸入)序列的隱藏狀態(tài)的加權(quán)和，權(quán)重為對齊分?jǐn)?shù)：

(注意：這里的score函數(shù)為原文的a函數(shù)，原文的描述為：is an alignment model)

對齊模型基于(在i時刻的輸入)和(在t時刻的輸出)的匹配程度分配分?jǐn)?shù)。

在Bahdanau[3]的論文中，作者采用的對齊模型為前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)與所提出的系統(tǒng)的所有其他組件共同訓(xùn)練。因此，score函數(shù)采用以下形式，tanh用作非線性激活函數(shù)，公式如下：

其中，和都是在對齊模型中學(xué)習(xí)的權(quán)重矩陣。對齊分?jǐn)?shù)矩陣是一個很好的可解釋性的東東，可以明確顯示源詞和目標(biāo)詞之間的相關(guān)性。

對齊矩陣?yán)?/p>

而decoder每個詞的條件概率為：

g為非線性的，可能是多層的輸出概率的函數(shù)，是RNN的隱藏狀態(tài), 為語義向量。

04

NLP中的注意力機(jī)制

隨著注意力機(jī)制的廣泛應(yīng)用，在某種程度上緩解了源序列和目標(biāo)序列由于距離限制而難以建模依賴關(guān)系的問題。現(xiàn)在已經(jīng)涌現(xiàn)出了一大批基于基本形式的注意力的不同變體來處理更復(fù)雜的任務(wù)。讓我們一起來看看其在不同NLP問題中的注意力機(jī)制。

其實(shí)我們可能已經(jīng)意識到了，對齊模型的設(shè)計(jì)不是唯一的，確實(shí)，在某種意義上說，根據(jù)不同的任務(wù)設(shè)計(jì)適應(yīng)于特定任務(wù)的對齊模型可以看作設(shè)計(jì)出了新的attention變體，讓我們再回過頭來看看這個對齊模型(函數(shù))：。再來看看幾個代表性的work。

Citation[5]等人提出Content-base attention，其對齊函數(shù)模型設(shè)計(jì)為：

Bahdanau[3]等人的Additive(*)，其設(shè)計(jì)為：

Luong[4]等人文獻(xiàn)包含了幾種方式：

以及Luong[4]等人還嘗試過location-based function:

這種方法的對齊分?jǐn)?shù)僅從目標(biāo)隱藏狀態(tài)學(xué)習(xí)得到。

Vaswani[6]等人的Scaled Dot-Product(^)：

細(xì)心的童鞋可能早就發(fā)現(xiàn)了這東東和點(diǎn)積注意力很像，只是加了個scale factor。當(dāng)輸入較大時，softmax函數(shù)可能具有極小的梯度，難以有效學(xué)習(xí)，所以作者加入比例因子。

Cheng[7]等人的Self-Attention(&)可以關(guān)聯(lián)相同輸入序列的不同位置。 從理論上講，Self-Attention可以采用上面的任何 score functions。在一些文章中也稱為“intra-attention” 。

Hu[7]對此分了個類：

前面談到的一些Basic Attention給人的感覺能夠從序列中根據(jù)權(quán)重分布提取重要元素。而Multi-dimensional Attention能夠捕獲不同表示空間中的term之間的多個交互，這一點(diǎn)簡單的實(shí)現(xiàn)可以通過直接將多個單維表示堆疊在一起構(gòu)建。

Wang[8]等人提出了coupled multi-layer attentions，該模型屬于多層注意力網(wǎng)絡(luò)模型。作者稱，通過這種多層方式，該模型可以進(jìn)一步利用術(shù)語之間的間接關(guān)系，以獲得更精確的信息。

05

Hierarchical Attention

再來看看Hierarchical Attention，Yang[9]等人提出了Hierarchical Attention Networks，看下面的圖可能會更直觀：

Hierarchical Attention Networks

這種結(jié)構(gòu)能夠反映文檔的層次結(jié)構(gòu)。模型在單詞和句子級別分別設(shè)計(jì)了兩個不同級別的注意力機(jī)制，這樣做能夠在構(gòu)建文檔表示時區(qū)別地對待這些內(nèi)容。

Hierarchical attention 可以相應(yīng)地構(gòu)建分層注意力，自下而上（即，詞級到句子級）或自上而下（詞級到字符級），以提取全局和本地的重要信息。

自下而上的方法上面剛談完。那么自上而下又是如何做的呢？讓我們看看Ji[10]等人的模型：

Nested Attention Hybrid Model

和機(jī)器翻譯類似，作者依舊采用encoder-decoder架構(gòu)，然后用word-level attention對全局語法和流暢性糾錯，設(shè)計(jì)character-level attention對本地拼寫錯誤糾正。

06

Self-Attention

那Self-Attention又是指什么呢？

Self-Attention(自注意力)，也稱為intra-attention(內(nèi)部注意力)，是關(guān)聯(lián)單個序列的不同位置的注意力機(jī)制，以便計(jì)算序列的交互表示。它已被證明在很多領(lǐng)域十分有效比如機(jī)器閱讀，文本摘要或圖像描述生成。

比如Cheng[11]等人在機(jī)器閱讀里面利用了自注意力。當(dāng)前單詞為紅色，藍(lán)色陰影的大小表示激活程度，自注意力機(jī)制使得能夠?qū)W習(xí)當(dāng)前單詞和句子前一部分詞之間的相關(guān)性。

當(dāng)前單詞為紅色，藍(lán)色陰影的大小表示激活程度

比如Xu[12]等人利用自注意力在圖像描述生成任務(wù)。注意力權(quán)重的可視化清楚地表明了模型關(guān)注的圖像的哪些區(qū)域以便輸出某個單詞。

我們假設(shè)序列元素為，其匹配向量為。讓我們再來回顧下前面說的基本注意力的對齊函數(shù)，attention score通過計(jì)算得到，由于是通過將外部u與每個元素匹配來計(jì)算注意力，所以這種形式可以看作是外部注意力。

當(dāng)我們把外部u替換成序列本身(或部分本身)，這種形式就可以看作為內(nèi)部注意力(internal attention)。

我們根據(jù)文章[7]中的例子來看看這個過程，例如句子:"Volleyball match is in progress between ladies"。

句子中其它單詞都依賴著"match"，理想情況下，我們希望使用自注意力來自動捕獲這種內(nèi)在依賴。

換句話說，自注意力可以解釋為，每個單詞去和V序列中的內(nèi)部模式匹配，匹配函數(shù)。

很自然的選擇為V中其它單詞 ，這樣遍可以計(jì)算成對注意力得分。為了完全捕捉序列中單詞之間的復(fù)雜相互作用，我們可以進(jìn)一步擴(kuò)展它以計(jì)算序列中每對單詞之間的注意力。這種方式讓每個單詞和序列中其它單詞交互了關(guān)系。

另一方面，自注意力還可以自適應(yīng)方式學(xué)習(xí)復(fù)雜的上下文單詞表示。譬如經(jīng)典文章[14]：A structured self-attentive sentence embedding。

這篇文章提出了一種通過引入自關(guān)注力機(jī)制來提取可解釋句子嵌入的新模型。 使用二維矩陣而不是向量來代表嵌入，矩陣的每一行都在句子的不同部分，想深入了解的可以去看看這篇文章，另外，文章的公式感覺真的很漂亮。

值得一提還有2017年谷歌提出的Transformer[6]，這是一種新穎的基于注意力的機(jī)器翻譯架構(gòu)，也是一個混合神經(jīng)網(wǎng)絡(luò)，具有前饋層和自注意層。

論文的題目挺霸氣：Attention is All you Need，毫無疑問，它是2017年最具影響力和最有趣的論文之一。那這篇文章的Transformer的廬山真面目到底是這樣的呢？

這篇文章為提出許多改進(jìn)，在完全拋棄了RNN的情況下進(jìn)行seq2seq建模。接下來一起來詳細(xì)看看吧。

Key, Value and Query

眾所周知，在NLP任務(wù)中，通常的處理方法是先分詞，然后每個詞轉(zhuǎn)化為對應(yīng)的詞向量。接著一般最常見的有二類操作：

第一類是接RNN（變體LSTM、GRU、SRU等），但是這一類方法沒有擺脫時序這個局限，也就是說無法并行，也導(dǎo)致了在大數(shù)據(jù)集上的速度效率問題。

第二類是接CNN，CNN方便并行，而且容易捕捉到一些全局的結(jié)構(gòu)信息。很長一段時間都是以上二種的抉擇以及改造，直到谷歌提供了第三類思路：純靠注意力，也就是現(xiàn)在要講的這個東東。

將輸入序列編碼表示視為一組鍵值對（K，V）以及查詢 Q，因?yàn)槲恼耓6]取K=V=Q，所以也自然稱為Self Attention。

K, V 像是 key-value 的關(guān)系從而是一一對應(yīng)的，那么上式的意思就是通過Q中每個元素query，與K中各個元素求內(nèi)積然后 softmax 的方式，來得到Q中元素與V中元素的相似度，然后加權(quán)求和，得到一個新的向量。

其中因子為了使得內(nèi)積不至于太大。以上公式在文中也稱為點(diǎn)積注意力(scaled dot-product attention)：輸出是值的加權(quán)和，其中分配給每個值的權(quán)重由查詢的點(diǎn)積與所有鍵確定。

而Transformer主要由多頭自注意力(Multi-Head Self-Attention)單元組成。那么Multi-Head Self-Attention又是什么呢？以下為論文中的圖：

Multi-head scaled dot-product attention mechanism

Multi-Head Self-Attention不是僅僅計(jì)算一次注意力，而是多次并行地通過縮放的點(diǎn)積注意力。 獨(dú)立的注意力輸出被簡單地連接并線性地轉(zhuǎn)換成預(yù)期的維度。

論文[6]表示，多頭注意力允許模型共同關(guān)注來自不同位置的不同表示子空間的信息。 只有一個注意力的頭，平均值就會抑制這一點(diǎn)。

是需要學(xué)習(xí)的參數(shù)矩陣。既然為seq2seq模式，自然也包括encoder和decoder，那這篇文章又是如何構(gòu)建這些的呢？莫急，請繼續(xù)往下看。

Encoder

The transformer's encoder

編碼器生成基于自注意力的表示，其能夠從可能無限大的上下文中定位特定信息。值得一提的是，上面的結(jié)構(gòu)文章堆了六個。

每層都有一個多頭自注意力層

每層都有一個簡單的全連接的前饋網(wǎng)絡(luò)

每個子層采用殘差連接和層規(guī)范化。 所有子層輸出相同維度dmodel = 512。

Decoder

The transformer's decoder.

解碼器能夠從編碼表示中檢索。上面的結(jié)構(gòu)也堆了六個。

每層有兩個多頭注意機(jī)制子層。

每層有一個完全連接的前饋網(wǎng)絡(luò)子層。

與編碼器類似，每個子層采用殘差連接和層規(guī)范化。

與encoder不同的是，第一個多頭注意子層被設(shè)計(jì)成防止關(guān)注后續(xù)位置，因?yàn)槲覀儾幌Ｍ陬A(yù)測當(dāng)前位置時查看目標(biāo)序列的未來。最后來看一看整體架構(gòu)：

The full model architecture of the transformer.

07

Memory-based Attention

那Memory-based Attention又是什么呢？我們先換種方式來看前面的注意力，假設(shè)有一系列的鍵值對 存在內(nèi)存中和查詢向量q，這樣便能重寫為以下過程：

這種解釋是把注意力作為使用查詢q的尋址過程，這個過程基于注意力分?jǐn)?shù)從memory中讀取內(nèi)容。聰明的童鞋肯定已經(jīng)發(fā)現(xiàn)了，如果我們假設(shè)，這不就是前面談到的基礎(chǔ)注意力么？

然而，由于結(jié)合了額外的函數(shù)，可以實(shí)現(xiàn)可重用性和增加靈活性，所以Memory-based attention mechanism可以設(shè)計(jì)得更加強(qiáng)大。

那為什么又要這樣做呢？在nlp的一些任務(wù)上比如問答匹配任務(wù)，答案往往與問題間接相關(guān)，因此基本的注意力技術(shù)就顯得很無力了。

那處理這一任務(wù)該如何做才好呢？這個時候就體現(xiàn)了Memory-based attention mechanism的強(qiáng)大了，譬如Sukhbaatar[19]等人通過迭代內(nèi)存更新（也稱為多跳）來模擬時間推理過程，以逐步引導(dǎo)注意到答案的正確位置：

在每次迭代中，使用新內(nèi)容更新查詢，并且使用更新的查詢來檢索相關(guān)內(nèi)容。一種簡單的更新方法為相加。那么還有其它更新方法么？

當(dāng)然有，直覺敏感的童鞋肯定想到了，光是這一點(diǎn)，就可以根據(jù)特定任務(wù)去設(shè)計(jì)，比如Kuma[13]等人的工作。這種方式的靈活度也體現(xiàn)在key和value可以自由的被設(shè)計(jì)，比如我們可以自由地將先驗(yàn)知識結(jié)合到key和value嵌入中，以允許它們分別更好地捕獲相關(guān)信息?？吹竭@里是不是覺得文章灌水其實(shí)也不是什么難事了。

08

Soft/Hard Attention

最后想再談?wù)凷oft/Hard Attention，是因?yàn)樵诤芏嗟胤蕉伎吹搅诉@個名詞。

據(jù)我所知，這個概念由《Show, Attend and Tell: Neural Image Caption Generation with Visual Attention》提出，這是對attention另一種分類。

SoftAttention本質(zhì)上和Bahdanau等人[3]很相似，其權(quán)重取值在0到1之間，而Hard Attention取值為0或者1。

09

Global/Local Attention

Luong等人[4]提出了Global Attention和Local Attention。Global Attention本質(zhì)上和Bahdanau等人[3]很相似。

Global方法顧名思義就是會關(guān)注源句子序列的所有詞，具體地說，在計(jì)算語義向量時，會考慮編碼器所有的隱藏狀態(tài)。

而在Local Attention中，計(jì)算語義向量時只關(guān)注每個目標(biāo)詞的一部分編碼器隱藏狀態(tài)。

由于Global方法必須計(jì)算源句子序列所有隱藏狀態(tài)，當(dāng)句子長度過長會使得計(jì)算代價昂貴并使得翻譯變得不太實(shí)際，比如在翻譯段落和文檔的時候。

10

評價指標(biāo)

在看一些帶有attention的paper時，常常會伴隨著為了說明自己文章attention是work的實(shí)驗(yàn)，但實(shí)際上嘗試提供嚴(yán)格數(shù)學(xué)證明的文章極少。

Hu[7]把Attention的評價方式分為兩類，Quantitative（定量指標(biāo)）和Qualitative（定性指標(biāo)）。

定量指標(biāo)顧名思義就是對attention的貢獻(xiàn)就行量化，這一方面一般會結(jié)合下游任務(wù)，最常見的當(dāng)屬機(jī)器翻譯，我們都知道機(jī)器翻譯的最流行評價指標(biāo)之一是BLEU。

我們可以在翻譯任務(wù)設(shè)計(jì)attention和不加attention進(jìn)行對比，對比的指標(biāo)就是BLEU，設(shè)置我們可以設(shè)計(jì)多種不同的attention進(jìn)行對比。

定性指標(biāo)評價是目前應(yīng)用最廣泛的評價技術(shù)，因?yàn)樗唵我仔?，便于可視化?/p>

具體做法一般都是為整個句子構(gòu)建一個熱力圖，其熱力圖強(qiáng)度與每個單詞接收到的標(biāo)準(zhǔn)化注意力得分成正比。

也就是說，詞的貢獻(xiàn)越大，顏色越深。其實(shí)這在直覺上也是能夠接收的，因?yàn)橥嚓P(guān)任務(wù)的關(guān)鍵詞的attention權(quán)值肯定要比其它詞重要。