深度学习算法原理——Attention-Based BiLSTM
1. 概述
随着神经网络，尤其是深度学习算法的发展，神经网络在文本分类任务中取得了很大的发展，提出了各种解决方案，如CNN在文本分类中的应用，RNN，LSTM等等，相比较于CNN以及RNN方法，LSTM可以学习长距离的语义信息。Attention-Based BiLSTM结合双向的LSTM（Bidirectional LSTM）以及Attention机制处理文本分类的相关问题，通过attention机制，该方法可以聚焦到最重要的词，从而捕获到句子中最重要的语义信息。
2. 算法思想
2.1 算法的组成部分
Attention-Based BiLSTM算法的网络结构如下所示：
在Attention-Based BiLSTM网络中，主要由5个部分组成：
- 输入层（Input layer）：指的是输入的句子，对于中文，指的是对句子分好的词；
- Embedding层：将句子中的每一个词映射成固定长度的向量；
- LSTM层：利用双向的LSTM对embedding向量计算，实际上是双向LSTM通过对词向量的计算，从而得到更高级别的句子的向量；
- Attention层：对双向LSTM的结果使用Attention加权；
- 输出层（Output layer）：输出层，输出具体的结果。
注意点：
- Embedding通常有两种处理方法，一个是静态embedding，即通过事先训练好的词向量，另一种是动态embedding，即伴随着网络一起训练；
- 双向LSTM的网络结构会在其他的文章中做进一步的介绍，这里就不详细展开。
2.2. BiLSTM层的输出
假设句子通过分词算法后，得到的 T T T个词为： { x 1 , x 2 , ⋯ , x T } \left \{ x_1,x_2,\cdots ,x_T \right \} {x1,x2,⋯,xT}，每一个词 x i x_i xi经过词向量的映射得到对应的词向量 e i e_i ei，假设经过LSTM后正向的输出为 → h i \underset{h_i}{\rightarrow} hi→，逆向的输出为 ← h i \underset{h_i}{\leftarrow} hi←，则第 i i i个词经过BiLSTM后得到的向量为：
h i = [ → h i ⨁ ← h i ] h_i=\left [ \underset{h_i}{\rightarrow}\bigoplus \underset{h_i}{\leftarrow} \right ] hi=[hi→⨁hi←]
其中， ⨁ \bigoplus ⨁表示的是对应元素相加。
2.3. Attention机制
假设 H H H是所有 T T T个词经过BiLSTM后得到的向量的集合： [ h 1 , h 2 , ⋯ h T ] \left [ h_1,h_2,\cdots h_T \right ] [h1,h2,⋯hT]，那么Attention的计算方法如下：
M = t a n h ( H ) M=tanh\left ( H \right ) M=tanh(H)
其中， H ∈ R d w × T H\in \mathbb{R}^{d^w\times T} H∈Rdw×T， d w d^w dw表示的是向量的维度，对应的， M M M的维度为： d w × T d^w\times T dw×T。
α = s o f t m a x ( w T M ) \alpha =softmax\left ( w^TM \right ) α=softmax(wTM)
其中， w T w^T wT表示的是需要学习的参数， w w w的维度为 d w × 1 d^w\times 1 dw×1， α \alpha α的维度为 1 × T 1\times T 1×T。
r = H α T r=H\alpha ^T r=HαT
其中， r r r的维度为 d w × 1 d^w\times 1 dw×1。
最终用于分类的向量表示为： h ∗ = t a n h ( r ) h^{\ast }=tanh\left ( r \right ) h∗=tanh(r)。
2.4. 分类
针对句子 S S S，通过上述的BiLSTM以及Attention机制，得到了对应的表示矩阵： h ∗ h^{\ast } h∗，其维度为 d w × 1 d^w\times 1 dw×1。分类器以 h ∗ h^{\ast } h∗为输入：
p ^ ( y ∣ S ) = s o f t m a x ( W ( S ) h ∗ + b ( S ) ) \hat{p}\left ( y\mid S \right )=softmax\left ( W^{\left ( S \right )}h^{\ast }+b^{\left ( S \right )} \right ) p^(y∣S)=softmax(W(S)h∗+b(S))
