关于注意力机制(attention mechanism)在神经机器翻译领域的两篇论文的理解

近来研究通过RNN的Seq2Seq模型处理文本正则化(Text Normalization)时准备用到注意力机制，因此拜读了注意力机制在自然语言处理的神经机器翻译(以下简称NMT)的两篇论文：

《NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE》

《Effective Approaches to Attention-based Neural Machine Translation》

首先是第一篇《NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE》，这篇论文算是在自然语言处理(NLP)中第一个使用attention机制的工作，将attention机制用到了神经网络机器翻译(NMT)，NMT其实就是一个典型的Seq2Seq模型，也就是一个encoder to decoder模型，传统的NMT使用两个RNN，一个RNN对源语言进行编码，将源语言编码到一个固定维度的中间向量，再使用一个RNN进行解码翻译到目标语言:



按照论文所述，encoder中的每个隐层单元的计算公式为：



encoder的输出语义编码向量c为：



而decoder通过将联合概率p(y)分解成有序条件来定义翻译y的概率：



当计算出此处的p(y)最大时则翻译成y的可能性最大，即此刻decoder输出y。其中，每个条件概率p(y)的定义为：



此处st代表的是decoder的第t个时刻输出的状态。

而引入注意力机制后的模型如下：



此时，关于p(y)的定义变化如下：



此处c变成了ci，即要输出的第i个单词时对应的ci向量，因此要如何计算ci向量时注意力机制实现的关键，但在此之前si的计算也变成了：



由论文示意图：



我们可以知道ci的计算牵涉到输入的每个单词xj(j=1,……T)，故ci计算如下：



那么该如何来理解ci的计算公式？论文中说了，我们可以理解将所有hj的加权总和作为计算期望的方法。 令αij为目标单词yi与源词xj对齐或翻译的概率。 然后，在要输出第i个输出值y的时候，ci是要计算的值，αij是hj的出现概率，则ci是所有具有概率αij的hj的期望。显然，该公式符合概率论中期望的计算公式。

其中，αij参数的计算为：



对于a函数的形式在第二篇论文中的Score函数中有具体介绍。

该篇论文还提出了对齐模型的可视化，即对于每个翻译出来的单词yi，其与源句子中的单词xi的相关匹配程度可通过注意力矩阵可视化看出相关性程度：



然后是第二篇论文《Effective Approaches to Attention-based Neural Machine Translation》，其主要贡献在于介绍了attention在Seq2Seq模型中可以如何进行扩展，作者同样在NMT上使用attention mechanism，提出了两种attention机制，分别为：全局注意力机制(Global Attention)和局部注意力机制(Local Attention)。

全局注意力机制



其中，ht~的计算为：



关于ct的计算与前篇论文的计算一样，对于at的计算也与前篇论文的思想一样，不过形式上换成了：


该论文对于Score函数提出了3种计算方法：



在他们最后的实验中general的计算方法效果是较好的。在计算路径上与前篇论文的不同是，该论文中是以ht → at → ct → h˜t为计算过程的；而前篇论文是以ht−1 → at → ct →ht为计算过程。

局部注意力机制

针对global模型要考虑输入的每个单词xi(i=1,……T)而导致的计算开销较大的缺点，作者又提出了局部注意力模型(Local Attention)



由论文示意图及描述可知，此时的ct需要计算的at较少，可视为在一个固定大小的窗口内进行与global一样的计算at值等过程，而这个窗口的大小即为确定的关键。论文中提出对于要生成第t个y值时，需要计算一个position值简称为pt，则窗口的大小为[pt-D, pt+D]，其中参数D的大小根据经验挑选。对于pt的计算有两种方式，分别为Monotonic alignment (local-m)和Predictive alignment (local-p)：

对于local-m，pt=t；

对于local-p，pt的计算公式为：


，其中S是源句子的长度(包含单词数)，此时，计算at的公式变为：



其中，pt是一个数字，而s是以pt为中心的窗口中的整数。对于公式的理解：计算最后的attention矩阵时，在原来的基础上乘了一个pt位置相关的高斯分布。

最后的结果是，局部模型(local)比全局模型(global)的attention效果好。

以上是对于这两篇论文的个人理解，感觉能够看完论文对于自己搭建基于注意力机制的Seq2Seq模型的过程理解加深了。

参考文献：

[1] Bahdanau, D., Cho, K. & Bengio, Y. Neural Machine Translation by Jointly Learning to Align and Translate. Iclr 2015 1–15 (2014).

[2] Luong, M. & Manning, C. D. Effective Approaches to Attention-based Neural Machine Translation. 1412–1421 (2015).

[3]robert_ai. 注意力机制（Attention Mechanism）在自然语言处理中的应用[EB/OL]. http://bi.dataguru.cn/article-10043-1.html.

$(".MathJax").remove();