论文笔记：A Structured Self-Attentive Sentence Embedding

A Structured Self-Attentive Sentence Embedding

ICLR 2017

2018-08-19 14:07:29

 

Paper：https://arxiv.org/pdf/1703.03130.pdf

Code（PyTorch）: https://github.com/kaushalshetty/Structured-Self-Attention 

Video Tutorial (Youtube): Ivan Bilan: Understanding and Applying Self-Attention for NLP | PyData Berlin 2018 

 

Blog：

1. 机器之心

2. https://www.paperweekly.site/papers/notes/148

Related Papers: Self-Attention Generative Adversarial Networks

 

Background and Motivation: 

现有的处理文本的常规流程第一步就是：Word embedding。也有一些 embedding 的方法是考虑了 phrase 和 sentences 的。这些方法大致可以分为两种： universal sentence（general 的句子）和 certain task（特定的任务）；常规的做法：利用 RNN 最后一个隐层的状态，或者 RNN hidden states 的 max or average pooling 或者 convolved n-grams. 也有一些工作考虑到 解析和依赖树（parse and dependence trees）；

对于一些工作，人们开始考虑通过引入额外的信息，用 attention 的思路，以辅助 sentence embedding。但是对于某些任务，如：情感分类，并不能直接使用这种方法，因为并没有此类额外的信息：the model is only given one single sentence as input. 此时，最常用的做法就是 max pooling or averaging 所有的 RNN 时间步骤的隐层状态，或者只提取最后一个时刻的状态作为最终的 embedding。

而本文提出一种 self-attention 的机制来替换掉通常使用的 max pooling or averaging step. 因为作者认为：carrying the semantics along all time steps of a recurrent model is relatively hard and not necessary. 不同于前人的方法，本文所提出的 self-attention mechanism 允许提取句子的不同方便的信息，来构成多个向量的表示（allows extracting different aspects of the sentence into multiple vector representation）。在我们的句子映射模型中，是在 LSTM 的顶端执行的。这确保了 attention 模型可以应用于没有额外信息输入的任务当中，并且减少了 lstm 的一些长期记忆负担。另外一个好处是，可视化提取的 embedding 变的非常简单和直观。

 

 

Approach Details：

1. Model

所提出的 sentence embedding model 包含两个部分：（1）双向 lstm；（2）the self-attention mechanism；

给定一个句子，我们首先将其进行 Word embedding，得到：S = (w1, w2, ... , wn)，然后讲这些 vector 拼成一个 2-D 的矩阵，维度为：n*d；

然后为了 model 不同单词之间的关系，我们利用双向 lstm 来建模，得到其两个方向的隐层状态，然后，此时我们可以得到维度为：n*2u 的矩阵，记为：H。

为了将变长的句子，编码为固定长度的 embedding。我们想通过选择 n 个 LSTM hidden states 的线性组合，来达到这一目标。计算这样的线性组合，需要利用 self-attention 机制，该机制将 lstm 的所有隐层状态 H 作为输入，并且输出为一个向量权重 a：

　　

其中，$W_{s1}$ 是大小为 $d_a * 2u$ 的权重矩阵，$w_{s2}$ 是大小为 $d_a$ 的向量参数，这里的 $d_a$ 是我们可以自己设定的。由于 H 的大小为：n * 2u, annotation vector a 大小为 n，the softmax（）函数确保了计算的权重加和为1. 然后我们将 lstm 的隐层状态 H 和 attention weight a 进行加权，即可得到 attend 之后的向量 m。

 

向量的表示通常聚焦于句子的特定成分，像一个特定的相关单词或者词汇的集合。所以，我们需要反映出不同的语义的成分和放慢。但是，一个句子中可能有多个不同的成分，特别是长句子。所以，为了表示句子的总体的语义，我们需要多个 m's 来聚焦于不同的部分。所以，我们需要用到：multiple hops of attention. 即：我们想从句子中提取出 r 个不同的部分，我们将 $w_s2$ 拓展为：$r * d_a$ 的 matrix，记为：$W_{s2}$，然后 the resulting annotation vector a 变为了 annotation matrix A. 正式的来说：

此处，softmax（）是沿着输入的 第二个维度执行的。我们可以将公式（6）看做是一个 2-layer MLP without bias。

映射向量 m 然后就变成了：$r * 2u$ 的 embedding matrix M。我们通过将 annotation A 和 lstm 的隐层状态 H 进行相乘，得到  the r weighted sums，结果矩阵就是句子的映射：

M = AH 

 

2. Penalization Term 

当 attention 机制总是提供类似的 summation weights for all the r hops，映射矩阵 M 可能会受到冗余问题的影响。然后，我们需要一个惩罚项，来估计 summation weight vectors 变的 diverse。

最好的衡量的两个 summation weight vectors 之间的度量方式就是：KL Divergence（Kullback Leibler Divergence），然而，作者发现在这个问题中，并不适合。作者猜想这是由于：we are maximizing a set of KL divergence, we are optimizing the annotation matrix A to have a lot of sufficiently small or even zero values at different softmax output units, and these vast amount of zeros is making the training unstable. 另一个 KL 不具有的特征，但是我们缺需要的是：we want to each individual row to focus on a single aspect of semantics, so we want the probabilty mass in the annotation softmax output to be more focused. 

我们将 A 乘以其转置，然后减去单位矩阵，作为其冗余度的度量：

 

 

 

 

Experiments：

 

==