什么是Attention機制？

Attention機制的本質來自于人類視覺注意力機制。人們在看東西的時候一般不會從到頭看到尾全部都看，往往只會根據需求觀察注意特定的一部分。

簡單來說，就是一種權重參數的分配機制，目標是協助模型捕捉重要信息。具體一點就是，給定一組<key,value>，以及一個目標（查詢）向量query，attention機制就是通過計算query與每一組key的相似性，得到每個key的權重系數，再通過對value加權求和，得到最終attention數值。

優缺點：

優點：

一步到位獲取全局與局部的聯系，不會像RNN網絡那樣對長期依賴的捕捉會收到序列長度的限制。

每步的結果不依賴于上一步，可以做成并行的模式

相比CNN與RNN，參數少，模型復雜度低。(根據attention實現方式不同，復雜度不一）

缺點：

沒法捕捉位置信息，即沒法學習序列中的順序關系。這點可以通過加入位置信息，如通過位置向量來改善，具體可以參考最近大火的BERT模型。

應用領域：

在這主要介紹幾篇論文或經典文檔。

自然語言處理：

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation

Generating Wikipedia by Summarizing Long Sequences

Universal Transformers

計算機視覺：

Image Transformer

Show, Attend and Tell: Neural Image Caption Generation with Visual Attention

推薦系統：

Deep Interest Network for Click-Through Rate Prediction

Deep Interest Evolution Network for Click-Through Rate Prediction

Learning Tree-based Deep Model for Recommender Systems

Attention常見實現方法

多層感知機：

該方法主要是將Q,K拼接，然后一起通過一個激活函數為tanh的全連接層，再跟權重矩陣做乘積，在數據量夠大的情況下，該方法一般來說效果都不錯。

2.Dot Product / scaled-dot Product：

該方法適用于query與key維度相同情景，通過q轉置后與k點積。在權重值過大的情況下，可以將數據標準化，即scaled-dot Product。

3.Bilinear：

通過一個權重矩陣直接建立query與key的關系，權重矩陣可以隨機初始化也可以使用預設的。

4.cosine

即計算兩個向量的cosine相似度。

self-attention

該方法即Q,K,V都來自于同一個輸入，其余計算過程，基本同上常用方法。

Multi-Head Attention

該方法可以理解成attention版本的ensemble，不同head學習不同的子空間語義。權值計算也同上常用方法。

推薦系統中的attention機制

現在推薦系統的趨勢基本是朝著海量數據+復雜模型的方向發展，相信將來會取代人工精細特征+簡單模型的方式。

這里主要介紹阿里的din模型：

模型的主要思想在于用戶的興趣是無序的，比如在電商場景下，用戶A的歷史行為序列包含游泳用品，牛奶，女裝。而當前展示的廣告是女裝，它便只能激活女裝的這個興趣，即在當前展示廣告面前，用戶的興趣是多峰的。

基于此，通過target廣告與用戶行為序列key做attention，捕獲當前最可能被激活的那個峰。

具體算法實現便是通過target與行為序列做attention，再將輸出與其他特征拼接之后通過全連接層得到最終輸出。

相似的應用場景還有TDM模型，DIEN模型等。

小弟在此拋磚引玉，希望各位看官多多指點

總結

以上是生活随笔為你收集整理的attention机制_简析Attention机制—优缺点，实现，应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。