注意力機制模仿了生物觀察行為的內部過程，即一種將內部經驗和外部感覺對齊從而增加部分區(qū)域的觀察精細度的機制。注意力機制可以快速提取稀疏數據的重要特征，因而被廣泛用于自然語言處理任務，特別是機器翻譯。而自注意力機制是注意力機制的改進，其減少了對外部信息的依賴，更擅長捕捉數據或特征的內部相關性。本文通過文本情感分析的案例，解釋了自注意力機制如何應用于稀疏文本的單詞對表征加權，并有效提高模型效率。

目前有許多句子表征的方法。本文作者之前的博文中已經討論了 5 中不同的基于單詞表征的句子表征方法。想要了解更多這方面的內容，你可以訪問以下鏈接：https://kionkim.github.io/（盡管其中大多數資料是韓文）

句子表征

在文本分類問題中，僅僅對句子中的詞嵌入求平均的做法就能取得良好的效果。而文本分類實際上是一個相對容易和簡單的任務，它不需要從語義的角度理解句子的意義，只需要對單詞進行計數就足夠了。例如，對情感分析來說，算法需要對與積極或消極情緒有重要關系的單詞進行計數，而不用關心其位置和具體意義為何。當然，這樣的算法應該學習到單詞本身的情感。

循環(huán)神經網絡

為了更好地理解句子，我們應該更加關注單詞的順序。為了做到這一點，循環(huán)神經網絡可以從一系列具有以下的隱藏狀態(tài)的輸入單詞（token）中抽取出相關信息。

當我們使用這些信息時，我們通常只使用最后一個時間步的隱藏狀態(tài)。然而，想要從僅僅存儲在一個小規(guī)模向量中的句子表達出所有的信息并不是一件容易的事情。

卷積神經網絡

借鑒于 n-gram 技術的思路，卷積神經網絡（CNN）可以圍繞我們感興趣的單詞歸納局部信息。為此，我們可以應用如下圖所示的一維卷積。當然，下面僅僅給出了一個例子，我們也可以嘗試其它不同的架構。

大小為 3 的一維卷積核掃描我們想要歸納信息的位置周圍的單詞。為此，我們必須使用大小為 1 的填充值（padding），從而使過濾后的長度保持與原始長度 T 相同。除此之外，輸出通道的數量是 c_1。

接著，我們將另一個過濾器應用于特征圖，最終將輸入的規(guī)模轉化為 c_2*T。這一系列的過程實在模仿人類閱讀句子的方式，首先理解 3 個單詞的含義，然后將它們綜合考慮來理解更高層次的概念。作為一種衍生技術，我們可以利用在深度學習框架中實現(xiàn)的優(yōu)化好的卷積神經網絡算法來達到更快的運算速度。

關系網絡

單詞對可能會為我們提供關于句子的更清楚的信息。實際情況中，某個單詞往往可能會根據其不同的用法而擁有不同的含義。例如，「I like」中的單詞「like」（喜歡）和它在「like this」（像... 一樣）中的含義是不同的。如果我們將「I」和「like」一同考慮，而不是將「like」和「this」放在一起考慮，我們可以更加清楚地領會到句子的感情。這絕對是一種積極的信號。Skip gram 是一種從單詞對中檢索信息的技術，它并不要求單詞對中的單詞緊緊相鄰。正如單詞「skip」所暗示的那樣，它允許這些單詞之間有間隔。

正如你在上圖中所看到的，一對單詞被輸入到函數 f(?) 中，從而提取出它們之間的關系。對于某個特定的位置 t，有 T-1 對單詞被歸納，而我們通過求和或平均或任意其它相關的技術對句子進行表征。當我們具體實現(xiàn)這個算法時，我們會對包括當前單詞本身的 T 對單詞進行這樣的計算。

需要一種折衷方法

我們可以將這三種不同的方法寫作同一個下面的通用形式：

當所有的 I_{t,?} 為 1 時，通用形式說明任何「skip bigram」對于模型的貢獻是均勻的。

對于 RNN 來說，我們忽略單詞 x_t 之后的所有信息，因此上述方程可以化簡為：

對于雙向 RNN 來說，我們可以考慮從 x_T 到 x_t 的后向關系。

另一方面，CNN 只圍繞我們感興趣的單詞瀏覽信息，如果我們只關心單詞 x_t 前后的 k 個單詞，通用的公式可以被重新排列為：

盡管關系網絡可能過于龐大，以至于我們不能考慮所有單詞對關系。而 CNN 的規(guī)模又太小了，我們不能僅僅考慮它們之間的局部關系。所以，我們需要在這兩個極端之間找到一種折衷的方式，這就是所謂的注意力機制。

自注意力機制

上文提到的通用形式可以被重新改寫為下面更加靈活的形式：

在這里，α(?,?) 控制了每個單詞組合可能產生的影響。例如，在句子「I like you like this」中，兩個單詞「I」和「you」可能對于確定句子的情感沒有幫助。然而，「I」和「like」的組合使我們對這句話的情感有了一個清晰的認識。在這種情況下，我們給予前一種組合的注意力很少，而給予后一種組合的注意力很多。通過引入權重向量 α(?,?)，我們可以讓算法調整單詞組合的重要程度。

假設第 i 個句子中的 T 個單詞被嵌入到了 H_{i1},…,H_{iT} 中，每個詞嵌入都會被賦予一個權重 α_{it}，它代表了將單詞歸納到一個統(tǒng)一的表征中時的相對重要性。

我們在這里想要擁有的最終結果是每個輸入句子的權重矩陣。如果我們把 10 個句子輸入到網絡中，我們會得到 10 個如下所示的注意力矩陣。

自注意力機制的實現(xiàn)

自注意力機制在論文「A structured Self-Attentive Sentence Embedding」中被首次提出，此文作者將自注意力機制應用于雙向 LSTM 的隱層，模型結構如下圖所示：

論文地址：https://arxiv.org/pdf/1703.03130.pdf

然而，我們并不一定要用 LSTM 來做單詞表征（并不一定是單詞表征，我的意思是句子表征之前的階段），我們將把自注意力機制應用到基于關系網絡的單詞表征中。

與原論文中的自注意力機制不同（如上圖所示，數學上的細節(jié)可以在我的上一篇博文中找到），關系網絡的注意力機制可以被定義為：

參見：https://kionkim.github.io/_posts/2018-07-12-sentiment_analysis_self_attention.md

為了解釋上面的圖標，不妨假設我們想要得到第 i 個單詞的表征。對于包含第 i 個單詞的單詞組合，會生成兩個輸出：一個用于特征提?。ňG色圓圈），另一個用于注意力加權（紅色圓圈）。這兩個輸出可能共享同一個網絡，但在本文中，我們?yōu)槊總€輸出使用單獨的網絡。在得到最后的注意力權重之前，注意力（紅色圓圈）的輸出通過需要經過 sigmoid 和 softmax 層的運算。這些注意力權重會與提取出的特征相乘，以得到我們感興趣的單詞的表征。

用 Gluon 實現(xiàn) 自注意力機制

在具體實現(xiàn)部分，我們假設網絡結構十分簡單，有兩個相連的全連接層用于關系提取，有一個全連接層用于注意力機制。緊跟著是兩個相連的全連接層用于分類。在這里，關系提取和注意力提取會用到下面的代碼片段：

class Sentence_Representation(nn.Block):
    def __init__(self, **kwargs):
        super(Sentence_Representation, self).__init__()
        for (k, v) in kwargs.items():
            setattr(self, k, v)

        with self.name_scope():
            self.embed = nn.Embedding(self.vocab_size, self.emb_dim)
            self.g_fc1 = nn.Dense(self.hidden_dim,activation='relu')
            self.g_fc2 = nn.Dense(self.hidden_dim,activation='relu')
            self.attn = nn.Dense(1, activation = 'tanh')

    def forward(self, x):
        embeds = self.embed(x) # batch * time step * embedding
        x_i = embeds.expand_dims(1)
        x_i = nd.repeat(x_i,repeats= self.sentence_length, axis=1) # batch * time step * time step * embedding
        x_j = embeds.expand_dims(2)
        x_j = nd.repeat(x_j,repeats= self.sentence_length, axis=2) # batch * time step * time step * embedding
        x_full = nd.concat(x_i,x_j,dim=3) # batch * time step * time step * (2 * embedding)
        # New input data
        _x = x_full.reshape((-1, 2 * self.emb_dim))

        # Network for attention
        _attn = self.attn(_x)
        _att = _attn.reshape((-1, self.sentence_length, self.sentence_length))
        _att = nd.sigmoid(_att)
        att = nd.softmax(_att, axis = 1)

        _x = self.g_fc1(_x) # (batch * time step * time step) * hidden_dim
        _x = self.g_fc2(_x) # (batch * time step * time step) * hidden_dim
        # add all (sentence_length*sentence_length) sized result to produce sentence representation

        x_g = _x.reshape((-1, self.sentence_length, self.sentence_length, self.hidden_dim))

        _inflated_att = _att.expand_dims(axis = -1)
        _inflated_att = nd.repeat(_inflated_att, repeats = self.hidden_dim, axis = 3)

        x_q = nd.multiply(_inflated_att, x_g)

        sentence_rep = nd.mean(x_q.reshape(shape = (-1, self.sentence_length **2, self.hidden_dim)), axis= 1)
        return sentence_rep, att

我們將為特征提取和注意力機制運用獨立的網絡。最終得到的注意力向量的規(guī)模為 T*1，提取出的特征向量的規(guī)模為 T*d，其中 d 為超參數。為了將二者相乘，我們只需要將注意力向量擴展到與提取出的特征向量的規(guī)模相匹配。我們在這里提供的只是一個小例子，其它的實現(xiàn)可能會更好。

完整的實現(xiàn)代碼可以從以下鏈接獲得：http://210.121.159.217:9090/kionkim/stat-analysis/blob/master/nlp_models/notebooks/text_classification_RN_SA_umich.ipynb。

結果

下面是 9 個隨機選擇的注意力矩陣：

當對文本進行分類時，我們可以知道算法將把注意力放在那些單詞上。正如預期的那樣，在分類過程中，「love」、「awesome」、「stupid」、「suck」這樣表達情感的單詞受到了重點關注。