Transformers Assemble（PART III）

写在前面

这一期魔改Transformers主要关注对原始模型中位置信息的讨论与优化，

• 「Self-Attention with RPR from Google，NAACL2018」

• 「Self-Attention with SPR from Tencent，EMNLP 2019」

• 「TENER from FDU」

• Encoding Word Order in Complex Embedding，ICLR2020

考虑到加上第四篇就太长了，所以额外分一篇在后面讨论吧。 「 第四篇也非常有趣提出将独立的词向量替换成自变量为位置的函数，引入了复数空间综合了词向量和位置向量 」

好啦进入本期正题

Self-Attention with Relative Position Representations [1]

一篇短文不是很难理解，文章要解决的痛点也非常清晰：self-attention机制在处理序列输入时无法编码位置信息。在原始Transformer里是采取sin/cos函数显示地引入位置信息，考虑的是绝对位置：

其中，表示token在序列中的位置，表示position embedding的第 维，总共有 维。另外，作者在原文中指出，sin/cos函数的周期性形式可以允许模型进一步学习到相对位置的信息。但是这种方式学习到的相对位置信息仍然是存在较大缺陷的，参考文章【浅谈 Transformer-based 模型中的位置表示】 [2] 。

针对以上问题，这篇论文提出一种相对位置信息引入Transformer的方法。

1.1 Vanilla Transformer

为了方便两者的对比，给出原始Transformer里self-attention的计算：

1.2 Relative Position Representations

输入被看成是有向全连接图，两个token、之间的边设置了权重 ，用做attention时key-value对添加相对位置信息。 作者认为，在token之间超过一定距离之后相对位置信息就没有意义，因此设置了一个最大截断 ，且截断可以更好地提升模型泛化能力。计算公式如下：

其中，上面的和 都是需要学习的，即需要学习的为

公式可能不好理解，举个栗子，假设序列长度N=9，截断窗口k=3，则RPR嵌入的lookup表如下图，感觉跟 「滑动窗口」 有点像：

1.3 Relation-aware Self-Attention

理解上面RPR之后，就可以对原始self-attention进行改写，将相对位置信息融入进去：

虽然论文基本概念相对简单(自注意力机制中包含了相对位置信息)，但是它极大地提高了两个机器翻译任务的翻译质量。

1.4 Reference

• Code Here [3]

• How Self-Attention with Relative Position Representations works [4]

Self-Attention with Structural Position Representations [5]

不管是transformer原文的绝对位置编码还是上文引入的相对位置编码，都属于 「sequential information」 。作者从Hewitt和Manning发表的论文 [6] 中得到启发：句子的潜在结构可以通过结构深度和距离来捕获，于是他们提出了 absolute structural position 来编码元素在句法树中深度， relative structural position 来编码元素之间的距离。 上图左边属于两种序列位置编码表示，具体在上一节已经有介绍；右边是本文提出的结构位置编码，分为两种：

• 「Absolute Structural Position」 ：把句子的主要动词(如上图"held")作为origin，然后通过计算句法树中目标词语origin之间的距离作为绝对结构位置信息：

• 「Relative Structural Position」 ：相对位置信息考虑的单词对之间的关系，

  • 如果单词 和 在句法树的同一条边上，则相对位置即为绝对位置之差：

• 如果在不同的边上，相对位置为绝对位置之和乘上一个系数 

当两个单词正序时系数为1；相同时系数为0；逆序时系数为-1：

接下去就是将结构位置信息整合进SAN，

• 对于绝对位置，通过一个非线性函数将序列位置和结构位置融合得到位置表示：

• 对于相对位置，采用同上一篇论文一致的方法

TENER: Adapting Transformer Encoder for Named Entity Recognition [7]

针对命名实体识别任务的一个工作，虽然Transformer系在NLP很多领域都取得了非常大的进步，但是在NER任务上表现不佳。作者分析了注意力机制与特定的NER任务，发现原始实现中的 「位置信息编码」 、 「注意力稀疏性」 方面不太适用于NER。下面来一一分析。

3.1 位置信息编码

• 「距离性」

  vanilla transformer中位置信息使用sin/cos函数嵌入，由公式定义

可以推导出

可见两个元素的点积只与它们之间的距离有关（ 「距离敏感」 ），但是进一步研究可以发现，当position embedding被映射到自注意力的键值对时，其就会失去距离敏感性，如下图，最上面的曲线表示 ，可以反映对称性；下面两条曲线表示 ，无距离特性。

❝

论文中说中的 是随机的，但是这个参数是可学习的，在模型训练之后会不会效果变好？

• 「方向性」

此外，由上述推导可知，令，有

因此这也是 「方向不敏感」 的

由上分析可知该种嵌入方式并不能反映方向性和距离性，但是对于NER任务而言距离和方向都是尤为重要的。为此本文对注意力分数计算进行改进，将绝对位置改成相对位置：

与transformer-xl里的比较像。

3.2 注意力稀疏

注意到修改后的Attention计算最后没有用到 「scaling系数」 ，这是因为对于NER任务只需要attend几个相对重要的context就足够了，scaled后的attention分布过于平滑会引入噪音。

这篇论文感觉主要重点在工程意义，在NER任务达到最好的效果；针对NER任务做了专门的修改，除了上面的相对位置信息和系数注意力，由于NER数据集相对较小，也减少了模型的可学习参数避免过拟合。

3.3 reference

• Code Here [8]

• TENER: Adapting Transformer Encoder for NER [9]

本文参考资料