1、HAN

HAN(Hierarchical Attention Networks)是由Zichao Yang[1]等人提出的一种算法，其主要思想是利用attention机制，将单词进行编码，得到句子的向量s，接着用同样的方式对句子进行编码，最终得到文章的向量V，最终，可以在V上加入softmax，进而进行分类模型的构建。最终在多个数据集上达到了SOTA，其模型结构图如下所示：

整体的架构包括四个部分：word encoder, word attention, sentence encoder, sentence attention。

• word encoder
  给定一个句子中的单词\(w_{it} t \in [0,T]\)，我们首先得到单词的embedding信息，通过矩阵\(W_{e}\)，\(x_{ij} = W_{e} * w_{it}\)，接着，我们将得到的单词信息依次的通过双向的GRU网络，分别得到相应每个单词隐藏层输出信息。公式如下所示

• Word Attention
  我们将\(h_{it}\)输入到一个多层感知机(MLP)中，激活函数是tanh函数，并得到\(u_{it}\)向量，接下来，我们通过上下文向量\(v_{w}\)与\(u_{it}\)进行向量操作，并通过一个softmax层，最终得到单词的重要性矩阵\(\alpha _{it}\)，表示第\(i\)个句子中第t的位置的重要性。最后我们将重要性的矩阵加到\(h_{it}\)上，得到句子的向量\(s_{i}\)，具体公式如下：

• Sentence Encoder
  Sentence Encoder和word encoder相似，同样输入到一个双向的GRU中，并将两个双向的向量进行拼接，得到第\(i\)个句子\(h_{i}\)
• Sentence Attention
  接下来我们按照上述方式，得到句子的重要性矩阵\(\alpha _{i}\)，并将其作用到\(h_{i}\)中，最终得到文章的向量\(v\)，公式如下

• Document Classification
  当我们得到文档的向量后，我们就可以加上全连接层，输出节点的个数是类别数量，构建模型进行训练了。

2、inner-attention for NLI

这里介绍一个自然语言推测(NLI)的任务，NLI讲的是一个句子是否可以推测出另外一个句子，这种可以看做是一个分类任务，类别有三种，分别是Entailment (inferred to be true), Contradiction (inferred to be false) and Neutral (truth unknown)，例如：

Yang Liu[2]等人提出了将mean pooling 和 inner-attention方法加入到了这种任务中。其思想整体架构图如下所示

其网络结构可以看做是孪生网络结构，我们输入"前提"句子和"假设"句子，通过共享的多层网络，最终得到两个句子的表达，最后将两个句子做一个拼接，最后加上一个softmax层，作为最终的分类。

其网络结构由三部分组成：sentence input,sentence encoding, sentence matching

• sentence input
  sentence input 模块主要是将单词转化为词向量，这里就不做过多的讲解了，可以利用固定词向量，或者是随着网络自己训练。
• sentence encoding
  sentence encoding首先将词向量通过双向的LSTM，得到对应的表达，接下来包括两个阶段，第一个阶段是将最顶端的LSTM的输出进行average pooling操作，得到对应的向量，第二个阶段是Inner attention，其公式如下
  

其中Y表示双向LSTM的输出，\(R_{ave}\)表示的平均池化的输出，\(\alpha\)表示attention矩阵，这里论文中的参数介绍的并不是很详细，我理解之所以叫Inner attention是因为它用了内部的LSTM的表达。

• sentence matching
  我们将两个句子分别得到相应的表达，那么拼接的方式有三种：a、直接拼接。b、元素之间相乘。c、元素之间求差异(没明白啥意思)。最终，我们在最后加上softmax层。

3、Attentive Pooling

AP(Attentive Pooling)是用于QA的，其由IBM的Cicero dos Santos(3)等人提出的一种算法，其基本思想是利用一个权重矩阵，将问题Q和答案A进行信息的交互关联，也就是说Q的表达中包含A的一些信息，A的表达中又包含了Q的一些信息，在最后，我们各自提取每个维度的max pooling的值，各自经过softmax，得到相应的表达。总体的结构图如下所示

由图所示，我们首先得到question和answer的表达，即各自的词向量WEs,接下来，我们利用LSTM或者是CNN提取深层次的特征，对于模型利用LSTM来说，我们叫AP-LSTM，对于利用CNN的模型来说，叫做AP-CNN，接着，我们得到对应的输出Q和A，接着建立一个向量矩阵G，我们利用\(tanh(Q^{T} G A)\)得到Q和A相关的表达G，接下来，利用max pooling，得到row的表达和column的表达，将这两个表达分别进行softmax，进而乘以各自的原始向量Q,A，得到表达\(r_{q}\)和\(r_{a}\)，我们利用向量相似性计算方式，得到两者的结果。

4、LEAM

LEAM是Guoyin Wang[4]等人提出的将单词和分类的label同时进行embedding，接着利用两者向量的cosin余弦值获得矩阵向量，利用"划窗"方法（这个名字是我自己取得）得到对应的向量，最后输出层依旧是softmax，进行分类预测。整体逻辑架构如下图所示

这里（a）表示的是传统的分类方法，(b)是作者提出的算法。我们分别来进行讲解。

• step1
  我们首先得到单词的embedding向量和label的embedding向量。假设单词的embedding向量维度为V=(128,100),label的embedding向量为C=(10,100)其中，128代表输入单词的个数，10代表类别标签的个数。

• step2
  接下来进行C和V的cosin操作，这里将C和V进行矩阵操作，得到(128,10)的矩阵，\(\hat{G}\)也是(128,10)的矩阵，将这两个向量进行相除，得\(G\)。为啥会有个\(\hat{G}\)这个矩阵呢，我们知道cosin余弦最后要除以两个向量模的乘积，所以在\(\hat{G}\)的每个单元格中，分别代表各自向量模的乘积。
  

• step3
  接着，我们将这个(128,10)的矩阵进行一些操作，对于其中的一条向量，我们选择其上下各r个向量，包括该向量本身，组成一个(2r+1,10)的矩阵，这里\(W_{1}\)是一个(2r+1)的向量，\(b_{1}\)为(10)维向量，我们对(2r+1,10)的这个矩阵进行操作，首先与\(W_{1}\)进行矩阵乘法，得到(10)维向量，再与\(b_{1}\)进行相加，得到(10)维向量。最后，我们利用max_pooling取这个(10)维向量中最大的，得到\(m_{l}\)
  
  

• step4
  经过多次这样的操作，我们会得到一个长度为L的向量\(m\)，对\(m\)进行softmax操作，最终得到\(\beta\)。

• step5
  \(\beta\)为一个长度为L的向量，其中每一个维度都表示当前单词\(l\)的一些权重信息，我们将权重信息乘以最后的单词信息\(v_{l}\)上，本质上是对单词向量加上权重，并将所有词向量的各个维度进行相加，最终得到向量维度为10的固定向量。有了这个表达向量，我们就可以进行最后的softmax操作，进行分类的训练了。
  

5、DRCN

DRCN（Densely-connected Recurrent and Co-attentive neural Network ）是由韩国人Seonhoon Kim[5]等人提出的一种算法，其整体思想是将embedding层，RNN隐藏层和经过attention之后的向量进行拼接，并进行多次这样的操作，最终通过一个AE,池化，和全连接操作，得到相应的结果。其主要包括Word Representation Layer、Densely connected Recurrent Networks、Densely-connected Co-attentive networks、Bottleneck component、Interaction and Prediction Layer。接下来我们一步一步来进行解释。

首先我们先放上论文中模型的结构图。

• Word Representation Layer
  词向量的输入，词向量的输入分为四个部分，并将这四个部分进行拼接，第一部分是用固定词向量，这里可以利用word2vec或者glove等其他词向量获取方式得到词向量。第二部分是可训练词向量，这里其实也可以利用word2vec或者glove等训练的词向量，或者使用随机初始化的词向量，这一部分的词向量会在训练时更新参数。这里作者给出了两者的优缺点，固定词向量可以防止过拟合，但是对于特定领域的数据不灵活，可训练的词向量可以得到特征间的关系的表达，但是容易过拟合，所以将两者一起使用。第三个部分是字符级别的embedding，这里的embedding经过一个卷积神经网络，得到对应的表达，第四个部分表示当前单词是否出现在另外一个句子中，这样将这四个部分词向量进行拼接，得到模型的输入词向量。公式如下
  

其中\(e_{p_{i}}^{fix}\)表示第二部分，固定词向量。\(e_{p_{i}}^{tr}\)表示第二部分，可训练词向量。\(c_{p_{i}}\)表示第三部分，字符级别向量。\(f_{p_{i}}\)表示第四部分。最后将这些向量进行拼接，得到输入向量。

• Densely connected Recurrent Networks
  这一部分就是得到RNN的输出向量，这里也有三种方式，第一种，直接利用RNN的输出向量\(h_{i}\)，第二种，将RNN的输出向量\(h_{i}\)和输入向量\(x_{i}\)进行加和，第三种，将\(h_{i}\)和\(x_{i}\)进行拼接。

• Densely-connected Co-attentive networks
  这一部分，我们需要获得attention的表达，公式如下
  

在每一个步骤中，我们都会得到两个句子的RNN隐藏层表达，分别为\(h_{p_{i}}\)和\(h_{q_{j}}\)，我们初始化有一个attention权重矩阵\(\alpha_{ij}\)表示第一个句子第\(i\)个单词和第二个句子第\(j\)个单词的权重，首先，我们根据权重矩阵\(\alpha_{ij}\)和第二个句子\(h_{q_{j}}\)得到第一个句子相应的表达\(\alpha_{p_{i}}\)，接下来，我们更新权重矩阵\(\alpha_{ij}\)，首先我们获得\(h_{p_{i}}\)和\(h_{q_{j}}\)的\(\cosin\)余弦值以及\(h_{p_{i}}\)和其他单词的余弦值，但其实这里我有个疑问，就是在第一轮的时候，后面的RNN隐藏层单元还没有得到，这里我们怎么计算余弦值？这里先空着，如果后续有答案了再补上。最终，我们将上面两个部分得到的向量进行拼接，最终得到新的输入向量。

• Bottleneck component
  这里加入了一个AE,说是由于参数量过大，目的是为了减少参数量。
• Interaction and Prediction Layer
  最终，我们得到两个句子的输出，我们可以利用\(p+q\)，\(p-q\)，\(|p-q|\)等操作，以及原始\(p,q\)进行拼接，再加上一个全连接层，最终得到相应的输出。

6、ABCNN

ABCNN（attention based CNN）是由Wenpeng Yin[6]等人提出，其目的是将attention机制加入到CNN中，实验结果取得了SOTA的效果。其模型总共由三个，分别是ABCNN-1，ABCNN-2，ABCNN-3。下面分别来进行介绍。

这两节主要介绍了文本匹配，其实文本匹配在形式上也是一种分类任务，在输出端为二分类，表示相关和不相关，所以将其放在文本分类中进行讲解。

• ABCNN-1
  红色框框为输入的文本向量表达，我们看到由两个红色的框框，分别表示两段文本，假设其中一段文本维度为[5,8]，另一段文本为[7,8]，首先，我们利用一些求相似性的手段，论文中用\(1/(1 + |x - y|)\)其中，x,y分别表示[1,8]和[1,8]的文本，其中\(|.|\)表示欧式距离，这样我们就可以得到attention matrix的矩阵A，其维度为[5,7]，接下来，我们用两个向量\(w_{0},w_{1}\)来对矩阵\(A\)进行向量操作，其中\(w_{0}\)的维度是[7,8],\(w_{1}\)的维度是[5,8]，这样就可以得到attention feature map，其维度分别为[5,8]和[7,8]，我们将这两个attention feature map 和 原始的representation feature map进行组合，输入到卷积神经网络中，得到输出。
  

• ABCNN-2
  由图所示，我们假设conv input的两个句子分别为[5,8]和[7,8]的矩阵，首先，经过一个卷积层，得到[7,8]和[9,8]的矩阵，之所以维度会增大是因为在输入的句子中加入了padding向量。接下来，我们依旧通过一些操作得到attention matrix A，A的维度是[7,9]，方法依旧可以用ABCNN-1的方法来进行获得。接着，我们将A的行和列分别进行相加，得到[1,7]和[1,9]的向量，并用卷积层对原始的[7,8]和[9,8]的矩阵进行卷积操作，这里不进行padding，窗口大小为3，filter大小为[3,8]，我们先将[1,7]的对应3维向量和filter，以及原始矩阵进行相乘，并在相应维度进行相加求平均操作，得到[1,8]向量，经过5次卷积，得到[5,8]向量，最后，我们可以根据得到的两个[5,8]矩阵进行操作。
  

• ABCNN-3
  ABCNN-3就是将ABCNN-1和ABCNN-2进行合并
  

7、Multiway Attention Networks

这篇论文是Chuanqi Tan[7]等人发表的，这篇论文的主要思路是使用了四种attention的方式对句子进行表达，分别是Concat Attention、Bilinear Attention、Dot Attention、Minus Attention四种attention方式，模型整体架构如图所示分为编码层，多方式attention匹配层，聚合层、预测输出层。

• 编码层
  这一层对输入的单词进行编码，这里使用预训练的语言模型来获取单词的词向量。对于句子P，Q来说，得到这两个句子中每个单词的词向量。接下来我们分别将其输入到双向GRU得到输出\(h_{t}^{q} = [ \xrightarrow [h_{t}^{q}] , \xleftarrow[h_{t}^{q}] ]\)以及\(h_{t}^{p} = [ \xrightarrow [h_{t}^{p}] , \xleftarrow[h_{t}^{p}] ]\)
• 多方式attention匹配层
  这一层为整体逻辑的核心层，其中attention的方式包括四种，分别是Concat Attention、Bilinear Attention、Dot Attention、Minus Attention，接下来，我们罗列出每一种attention相应的公式。
  
  
  我们以Concat Attention方式进行讲解，\(h_{t}^{p}\)表示\(t\)时刻p的输出，我们将这个输出乘以一个\(W_{c}^{2}\)接着加上q中第\(j\)个单词输出乘以\(W_{c}^{1}\)的结果，在外层加上一个tanh激活函数，再乘以\(v_{c}^{T}\)得到q的第j个单词的输出\(s_{j}^{t}\)，当我们得到q中所有单词的\(s_{j}^{t}\)后，进行一个softmax操作，得到\(\alpha_{i}^{t}\)，将结果加在\(h_{t}^{q}\)上，得到结果\(q_{t}^{c}\)。其他几种方式得到类似的结果。
• 聚合层
  聚合层的作用是将上一层多种方式得到的输出进行合并
  
• 预测输出层
  将上一层得到的结果进行组合输出。

8、aNMM

aNMM(Attention-Based Neural Matching Model)是由Liu Yang[8]等人提出的一种方法，其主要创新点是应用了一个Value-shared Weighting的方式将变长的矩阵转换成固定维度的矩阵，其整体逻辑结构如下图所示

主要部分有word embedding，QA Matching Matrix，Value-shared Weighting，Question Attention Network四个部分,接下来我们一一进行讲解

• word embedding
  首先，我们获取Q，A的单词的词向量，这里论文中用的方式是word2vec。假设Q中有M个单词，A中有N个单词，向量维度为D，则我们会得到两个矩阵[M,D],[N,D]。
• QA Matching Matrix
  这一步我们得到上述两个矩阵相乘的结果矩阵，维度为[M,N]，其中第\(i\)行第\(j\)列表示Q中第\(j\)个单词和A中第\(j\)个单词的词向量进行cosin余弦操作。
• Value-shared Weighting
  由于A是变长的序列，所以这里的N是变长的，如果我们想把向量输出到固定维度，传统的做法是利用CNN进行卷积操作，得到固定维度向量。论文中提出了一种新的方法，即由于cosin余弦值的范围是在[-1,1]那么我们可以将其以0.1进行分割，分成21份，[-1,-0.9),[-0.9,-0.8).....[0.9,1),[1]。这样，我们建立一个参数个数为21的向量，这样，对于其中一个值为0.85，我们就可以用[0.8,0.9)的这个权值和0.85进行相乘操作，这个输出的维度我们可以固定，这一部分的结构图如下所示。图中的21变为了3。
  
• Question Attention Network
  图中得到的固定维度的输出，图中为4，我们将这4个值进行相加并利用sigmoid函数将进行激活，并作用到Q向量上，加上一个softmax，输出层利用一个两个节点表示相关与否，并将上一层与这一层进行一个全连接操作。

深度学习之文本分类模型-基于attention机制

原文：https://www.cnblogs.com/stephen-goodboy/p/12867236.html