深度学习之注意力机制

标签：总结   输入   sub   矩阵   har   解码   att   效果   引入   

一、前提

该篇为基于实现LSTM中文情感倾向分析的基础上，为提高情感倾向预测的准确度，而引入的一个注意力机制模块，通过翻阅相关学术文献和其他资料所作的归纳总结。

二、注意力机制简介

简单来说，注意力机制与人类视觉注意力相似，正如人在看事物一样，会选择重点的对象，而忽略次要对象。近几年来，注意力机制在图片处理领域和自然语言处理领域得到广泛的应用，并展现出显著的效果。注意力机制主要是利用神经网络找到输入特征的有效部分。

三、Encoder-Decoder模型

注意力机制的框架主要是基于Encoder-Decoder框架发展而来。Encoder-Decoder模型又被称为编码-解码模型，其中Encoder会将输入的句子序列转化为一个固定长度的向量，Decoder会将该向量在转化为其他语言形式的句子序列。自然语言处理中的Encoder-Decoder框架如下图1所示（注：图片来源于网络）

图1 Encoder-Decoder框架

    给出一组文本(X,Y)，其中X={x₁,x₂,x₃,...,x_n}，Y={y₁,y₂,y₃,...,y_m}。Encoder对X文本进行编码处理，通过非线性变换转化，将X文本转化为中间语义C,其表达式为：

C=φ(x₁,x₂,x₃,...,x_n)

Decoder对中间语义C和已生成的历史信息{y₁,y₂,y₃,...,y_i-1}来生成i时刻的信息y_i，其表达式为：

y_i=φ(C,y₁,y₂,y₃,...,y_i-1)

四、Attention模型

    从Encoder-Decoder框架中可以注意到，每预测一个y_i所对应的语义编码都是C，说明X中的每个词汇对Y中的每个词汇的影响程度都是相同的，这样会导致语义向量无法表达整个文本的信息，使得解码效果降低。基于Encoder-Decoder框架无法突出输入序列的区分度，因而专家们提出了注意力机制使Encoder-Decoder框架缺陷得到改善。注意力机制的结构框架如图2所示：

图2 注意力机制框架

当生成目标句子词汇y_i时，都有唯一中间语义C_i与之对应,其中i=(1,2,3,...)，其表达式如下所示：

y₁=Φ(C₁)

y₂₌Φ(C₂,y₁)

y₃₌Φ(C₃,y₁,y₂)

以此类推，当i时刻时，

y_i=Φ(C_i,y₁,y₂,y₃,...,y_i-1)

其中C_i与Encoder-Decoder框架中的中间语义C有所区别，它是一个权重处理后的权值，C_i的表达式为(注：由于博客无法使用MathType编写的公式，且本地编写困难，这里用截图代替)

其中，V_ij表示为编码中的第j个词汇与解码中的第i个词汇之间的权值，h_j表示为Encoder中第j个词汇的隐向量，b_ij表示一个矩阵，用于衡量编码中第i个词汇对解码中的第j个词汇的影响程度。

深度学习之注意力机制

标签：总结   输入   sub   矩阵   har   解码   att   效果   引入   

原文地址：https://www.cnblogs.com/zjkf8686/p/12286093.html