《A Self-Attention Setentence Embedding》阅读笔记及实践

最新推荐文章于 2025-07-09 15:12:08 发布

置顶 Johnson0722

最新推荐文章于 2025-07-09 15:12:08 发布

阅读量5.8k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： NLP 深度学习文章标签： sentence embedding NLP 句向量文本分类

本文链接：https://blog.youkuaiyun.com/John_xyz/article/details/80650677

NLP 同时被 2 个专栏收录

19 篇文章

订阅专栏

深度学习

6 篇文章

订阅专栏

本文介绍了一种利用自注意力机制进行句子嵌入的方法，通过双向LSTM和自注意力层将变长句子编码为固定长度的矩阵，以捕捉句子内部的不同关注点。

算法原理

本文利用self-attention的方式去学习句子的embedding，表示为二维矩阵，而不是一个向量，矩阵中的每一行都表示句子中的不同部分。模型中使用了self-attention机制和一个特殊的regularization term。
这里写图片描述
假设我们有一个句子 $S$ , 包含 $n$ 个单词

S = (w 1, w 2, w 3, . . ., w n)

$S = (w_1, w_2, w_3,...,w_n)$
每个

wiwi $w_i$ 都是

dd $d$ 维的词向量，所以

S

$S$ 是一个二维的矩阵，形状为(n,d)。

上图中的图(a)是整个模型的流程，图(b)是计算self-attention的过程。具体的。为了得到单词之间的相关性，使用双向LSTM处理这个句子:

h t \to = L S T M - \to - - - (w t, h t - 1 - \to -) h t \leftarrow = L S T M \leftarrow - - - - (w t, h t + 1 \leftarrow - -)

$\overrightarrow{h_t}=\overrightarrow{LSTM}(w_t, \overrightarrow{h_{t-1}})\\ \overleftarrow{h_t}=\overleftarrow{LSTM}(w_t,\overleftarrow{h_{t+1}})$
将

ht→ht→ $\overrightarrow{h_t}$ 和

ht←ht← $\overleftarrow{h_t}$ 级连在一起，得到隐状态(hidden state)

htht $h_t$ 。让每一个单向LSTM隐状态单元数是

uu $u$ ，那么

H

$H$ 的形状就是

(n,2u)(n,2u) $(n,2u)$

H = (h 1, h 2, . . ., h n)

$H=(h_1,h_2,...,h_n)$
我们的目的是为了将变长的句子编码成固定长度的向量或者矩阵。可以使用

HH $H$ 中

n

$n$ 个LSTM隐向量的线性组合来表示。因此我们引入了self-attention机制。
所谓的self-attention，就是不同的词有不同的重要性，这个重要性也是根据单词和句子本身计算得到的。上图中的图(b)解释了self-attention的计算过程. 将整个LSTM的隐状态作为输入，输出权重向量

aa $a$

a = s o f t m a x (w_{s 2} t a n h (W_{s 1} H^{T}))

$a=softmax(w_{s2}tanh(W_{s1}H^T))$
其中

Ws1Ws1 $W_{s1}$ 权重矩阵的形状是

(da,2u)(da,2u) $(d_a, 2u)$ ，

ws2ws2 $w_{s2}$ 是长度为

dada $d_a$ 的一维向量。因为

HH $H$ 的形状是

(n, 2 u)

$(n,2u)$ ,得到向量

aa $a$ 的最终长度为

n

$n$ ,因为

softmaxsoftmax $softmax$ 函数可以保证最终和为1，最后将LSTM的隐状态

HH $H$ 和计算得到的

a

$a$ 向量加权求和，就可以得到句子的表示

mm $m$

这种向量表示一般专注于句子的某个方面。为了实现attention的多样性, 即我们想提取出

r

$r$ 个不同的attention，不同的attention方案可以学习到不同侧重点的句子表示，可以用如下公式计算：

A = s o f t m a x (W s 2 t a n h (W s 1 H T))

$A=softmax(W_{s2}tanh(W_{s1}H^T))$
,

Ws2Ws2 $W_{s2}$ 权重矩阵的形状是

(r,da)(r,da) $(r,d_a)$ ，上述公式可以看成是没有偏置的两层感知机(MLP)

M = A H

$M=AH$

rr $r$ 个加权向量形成加权矩阵

A

$A$ , 将

AA $A$ 和LSTM的隐状态

H

$H$ 相乘，可以得到sentence embedding

MM $M$ ，其形状

(r, 2 u)

$(r,2u)$

惩罚项(Penalization Term)

如果注意机制总是为所有r跳提供相似的权重，则句子嵌入矩阵 $M$ 会有冗余问题。因此，我们需要一个惩罚项来鼓励attention的多样性。

P = | | (A A^{T} - I) | |_{F}^{2}

$P=||(AA^T-I)||_F^2$

||||F||||F $||||_F$ 是矩阵的Frobenius范数，类似于

L2L2 $L2$ 正则项。惩罚项

PP $P$ 会乘上一个系数，增加到的loss当中。
为了了解惩罚项是如何使attention保持多样性的，我们首先考虑两个不同的attention向量，

a^{i}

$a^i$ ,

ajaj $a^j$ , 这两个attention向量的和加起来都为1(因为softmax), 可以看成是离散的概率分布.对任意

AATAAT $AA^T$ 中的非对角线元素

aij(i=j)aij(i=j) $a_{ij}(i\!=j)$ ，有

0 < a i j = \sum k = 1 n a i k a j k < 1

$0<a_{ij}=\sum_{k=1}^na_k^ia_k^j < 1$

一个最极端的情况，当 $a^i$ 和 $a^j$ 两个概率分布完全没有重合地方的时候， $a_{ij}$ 会为0，否则就会是一个正数。另一个最极端的情况，如果两个分布完全一样，并且attention都集中在一个单词上。那么会得到最大值1。用 $AA^T$ 减去单位矩阵, 强制使 $AA^T$ 的对角线元素为1，这样会使每一个 $a_i$ 的attention专注于尽可能少的单词上( $a_ia_i$ 即为对角线元素); 同时也会强制 $AA^T$ 非对角线元素为0，这样就可以保证attention的多样性。

代码实现

# coding: utf-8
import logging
import tensorflow as tf
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',level=logging.INFO)

class SelfAttentionSetenceEmbedding(object):
    """TensorFlow implementation of 'A Structured Self Attentive Sentence Embedding'"""
    def __init__(self, config, embedding_matrix):
        self.lr = config['lr']
        self.batch_size = config['batch_size']
        self.num_classes = config['num_classes']
        self.embedding_size = config['embedding_size']
        self.hidden_layer_size = config['hidden_layer_size']
        self.beta_l2 = config['beta_l2']
        # hyperparameter from paper
        # n: sentence length
        # d: word embedding dimension
        # u : hidden state size
        self.n = config['n']
        self.d_a = config['d_a']
        self.u = config['u']
        self.r = config['r']
        # load word embedding
        self.embedding_matrix = embedding_matrix

    def add_placeholders(self):
        self.X = tf.placeholder('int32', [None, self.n])
        self.y = tf.placeholder('int32', [None, ])

    def inference(self):
        # define xavier initializer
        initializer=tf.contrib.layers.xavier_initializer()
        with tf.variable_scope('embedding_layer'):
            # fine-tune embedding matrix
            W = tf.Variable(self.embedding_matrix, trainable=True, name='embedding_matrix', dtype='float32')
            # shape is (None, n, d)
            embedding_words = tf.nn.embedding_lookup(W, self.X)
        with tf.variable_scope('dropout_layer'):
            pass
        with tf.variable_scope('bi_lstm_layer'):
            cell_fw = tf.contrib.rnn.LSTMCell(self.u)
            cell_bw = tf.contrib.rnn.LSTMCell(self.u)
            H, _ = tf.nn.bidirectional_dynamic_rnn(
                cell_fw,
                cell_bw,
                embedding_words,
                dtype=tf.float32)
            # hidden state, shape = (batch_size, n, 2*u)
            H = tf.concat([H[0], H[1]], axis=2)
        with tf.variable_scope("attention_layer"):
            W_s1 = tf.get_variable('W_s1', shape=[self.d_a, 2*self.u],initializer=initializer)
            W_s2 = tf.get_variable('W_s2', shape=[self.r, self.d_a],initializer=initializer)
            # attention
            # shape = (r, batch_size*n)
            A = tf.nn.softmax(
                tf.matmul(W_s2,
                          tf.tanh(
                              tf.matmul(W_s1, tf.reshape(H, [2*self.u, -1]))
                          )
                )
            )
            # shape = (batch_size, r, n)
            A = tf.reshape(A, shape=[-1, self.r, self.n])
            # shape = (batch_size, r, 2*u)
            M = tf.matmul(A, H)
        with tf.variable_scope('fully_connected_layer'):
            # shape = (batch_size, 2*u*r)
            M_flatten = tf.reshape(M, shape=[-1, 2*self.u*self.r])
            # first hidden layer
            W_f1 = tf.get_variable('W_f1', shape=[self.r*self.u*2, self.hidden_layer_size], initializer=initializer)
            b_f1 = tf.get_variable('b_f1', shape=[self.hidden_layer_size], initializer=tf.zeros_initializer())
            hidden_output = tf.nn.relu(tf.matmul(M_flatten, W_f1) + b_f1)
            # output layer
            W_f2 = tf.get_variable('W_f2', shape=[self.hidden_layer_size, self.num_classes], initializer=initializer)
            b_f2 = tf.get_variable('b_f2', shape=[self.num_classes], initializer=tf.zeros_initializer())
            # shape = (batch_size, num_classes)
            self.y_output = tf.matmul(hidden_output, W_f2) + b_f2

        with tf.variable_scope('penalization_layer'):
            # shape = (batch_size, n, r)
            A_T = tf.transpose(A, perm=[0,2,1])
            # shape = (r, r)
            unit_matrix = tf.eye(self.r, dtype='float32')
            # penalization
            # subtract with broadcast
            self.penalty = tf.norm(
                tf.square(tf.matmul(A, A_T) - unit_matrix), axis=[-2,-1], ord='fro'
            )

    def add_loss(self):
        loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=self.y, logits=self.y_output)
        loss = loss + self.beta_l2 * self.penalty
        self.loss = tf.reduce_mean(loss)
        tf.summary.scalar('loss', self.loss)

    def add_metric(self):
        pass

    def train(self):
        # Applies exponential decay to learning rate
        self.global_step = tf.Variable(0, trainable=False)
        # define optimizer
        optimizer = tf.train.AdamOptimizer(self.lr)
        extra_update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
        with tf.control_dependencies(extra_update_ops):
            self.train_op = optimizer.minimize(self.loss, global_step=self.global_step)

    def build_graph(self):
        """build graph for model"""
        self.add_placeholders()
        self.inference()
        self.add_loss()
        self.add_metric()
        self.train()