欢迎关注本人公众号： petertalks
前言
Attention最早应用于图像领域，而后大面积用于seqs2seqs类型的任务如机器翻译等。随着17年google《Attention is all you need》的发表更是将attention推向热点。近几年无论是在nlp、还是推荐领域。attention机制可谓是大放异彩，从nlp领域的transformer、bert，xlnet，到推荐领域的autoInt、阿里家的BST等皆是以attention为基础。
由于工作需要近期笔者对attention机制进行了些调研，本文在此对attention及常用变种原理，以及attention在推荐系统模型中的各种应用进行了简单整理和总结。笔者蒟蒻一枚，若有失误再所难免，欢迎各位大佬前来指导交流~
浅析Attention在推荐系统中的应用（1）Attention简介
浅析Attention在推荐系统中的应用（2）阿里Deep Interest Network模型
浅析Attention在推荐系统中的应用（3）AutoInt模型
浅析Attention在推荐系统中的应用（4）Transformer与阿里BST模型
Attention机制
attention简介
Attention机制又称注意力机制，是种让模型对重要信息重点关注的机制，它本身不算个完整的模型，应该是种能够应用在任何序列模型中的技术。生活中大家对attention应该都不陌生。举个不太恰当的例子，假设我们的面前有一桌大概几十盘菜，既有我们想吃的也有不想吃的，按照之前的做法，我们只能平分我们的注意力，每道各尝一口，这样很容易吃撑而且难以获得愉悦。有了Attention机制后，我们变可以将我们的注意力集中在我们喜欢的那几套菜上，有所选择和偏好，大快朵颐之余获得更大的快乐。
再谈谈业界当时为什么会引入attention机制。这块就得从seqs2seqs模型谈起。seqs2seqs模型一般都是一个encoder-decoder结构，最常见的便是RNN类型的结构。如下图所示，输入的句子可用一串embedding来表示，即[embedding1, embedding2, embedding3...],将整个embedding vector输入到encoder如rnn的每个step中,取最后一步的hidden vector放入decoder中，decoder再将其作为初始vector按照每一步将向量翻译成目标文字。
但这跟Attention又有什么关系呢？原来这种rnn based的模型往往会存在梯度消失的问题，随着文本长度的不断增长，往往还会带来效果的明显下降。为了解决这个问题，15年前后attention机制便被引入了进来。
图2
如上图所示，是加入attention之后的基本过程，在执行seqs2seqs任务时，当我们需要翻译某个词的时候，只需要结合上下文，并对特定的几个词语给予关注即可，这样decoder在执行时可以获得encoder中所有需要的信息，并且不会因为句子过长而丧失信息，这便是attention机制。
那么我们如何去得到attention的权重也就是图中的at,i呢？这块有好几种做法，在17年的《attention is all you need》一文中，google给出了attention的标准化流程和公式，个人认为也是最容易理解的方式，如下图所示。
图3
这边的Q,K和V都是vector，简单来讲，对于seqs2seqs场景来讲，此处K可以理解成encoder端的每个节点即待翻译词，Q则是decoder端的某一个节点，通过Q和K的点乘可以度量两者的关系，为了防止结果过大，会除以一个
\sqrt{d_k} ,最后再利用softmax操作将结果归一化乘概率分布，既可得到图2 attention的权重a，我们将encoder端的每个节点也就是V乘以权重a后加权求和即可得到attention的值，可用公式
Attention(Q, K, V) = softmax(\frac{QK^T}{\sqrt{d_k}})V 表示。
原文：
到此我们便介绍完了Attention机制的基本原理。
self-attention简介
self-attention顾名思义就是自己跟自己做attention，而不是如上面所描述的那样建立encoder端和decoder端之间的attention机制（传统attention query来源于外部）。也就是说self-attention中query和key、value都是相同的，都来源于输入的句子序列信息，也就是对自身输入的变换，后面的步骤其实跟正常的attention是一样的。这边强烈推荐一下这个博客
https://jalammar.github.io/illustrated-transformer/jalammar.github.io
讲得特别的清晰。这我们也来看一个具体的例子（图片来源于该博客）。假如我们有一个seqs只包含（Thinking，Machines）这两个单词，其中Thinking的embedding由x1表示，machines的embedding由x2表示。
那么对于每个词的embedding分别乘以Wq, Wk, Wv便可得到query，key，value向量。
我们用q1表示x1的query向量，k1,k2分别表示x1和x2的key向量，如下图所示我们首先计算q1和k1、k2的点积，除以
\sqrt{d_k} 后进行缩放之后，通过softmax进行归一化，那么我们便得到了attention score, 与vector相乘后累加，便得到了加权向量。
那么self-attention有什么优点呢？主要包括以下几点：
1）传统的rnn、lstm等模型，需要按序计算，存在距离越远，关系越难捕捉的问题。而self-attention针对句子中所有词两两计算，不存在这个问题。
2）self-attention能给进行并行计算
3) 相比rnn和cnn网络self-attention有更低的单层计算复杂度
multi-head attention简介
multi-head attention就是设计n种不同的(
W_i^Q,W_i^K,W_i^V )权值矩阵对，将embedding层按照不同的权重做线性变换，变得到了n个不一样的(qi, ki, vi)，通过attention计算，变得到了n种不同角度的attention权重
head_i ,将这些head concat后，再与新的一个权重矩阵做线性变换便得到了最终的attention输出。由于初始化的权值矩阵不一样，所以相当于就是获得了多个角度的attention值，相比单个head起到了增强的作用。
参考资料：
https://arxiv.org/pdf/1706.03762
https://jalammar.github.io/illustrated-transformer/
https://zhuanlan.zhihu.com/p/47282410
https://zhuanlan.zhihu.com/p/46990010