理解 BERT Transformer：Attention is not all you need！

BERT 是谷歌近期发布的一种自然语言处理模型，它在问答系统、自然语言推理和释义检测（paraphrase detection）等许多任务中都取得了突破性的进展。在这篇文章中，作者提出了一些新的见解和假设，来解释 BERT 强大能力的来源。作者将语言理解框架分解为解析和组合两个部分，注意力机制主要体现在解析过程，而组合过程也在 BERT 中起到了重要作用，因此作者提出对于 BERT Transformer 来说：attention isn’t all you need！

为什么 BERT 很重要

BERT是谷歌近期发布的一个自然语言处理模型，它在问答系统、自然语言推理和释义检测（paraphrase detection）等许多任务中都取得了突破性的进展。并且由于 BERT 是开源的，因此它在学界很受欢迎。

下图显示了GLUE基准分数的演变，GLUE 基准分数是多种 NLP 评估任务的平均分数。

虽然目前还不清楚是否所有的 GLUE 任务都是非常有意义的，但是基于 Transformer 编码器的通用模型（open-GPT、BERT 和 BigBird）在不到一年的时间内就缩小了任务专用模型与人类的差距。

然而，正如 Yoav Goldberg 在论文《Assessing BERT’s Syntactic Abilities》中所指出的，我们并不能完全理解 Transformer 是如何编码句子的。

与 RNN 相比，Transformer 完全依赖注意力机制，并且，除了用单词的绝对位置嵌入来标记每个单词之外，Transformer 对单词顺序没有明确的概念。这种对注意力的依赖可能导致它在对语法敏感的任务上表现较差，而 RNN（LSTM）模型能够直接对单词顺序建模，并显式跟踪句子状态。

目前已有一些文章探讨了 BERT 的技术细节。在这里，我们尝试提出一些新的见解和假设，来解释 BERT 强大能力的来源。

语言理解的框架：解析-组合

人类理解语言的方式是一个长期存在的哲学问题。在 20 世纪，两个互补的理论揭示了这个问题：

• 组合性原理（Compositionality principle）：词组的含义来源于单个单词的含义，以及这些单词组合的方式。根据这一原理，名词短语“食肉植物（carnivorous plants）”的含义可以通过“食肉（carnivorous）”和“植物（plant）”的组合过程中推导出来。[Szabó 2017]
  

• 另一个原理是语言的层次结构：通过分析，句子可以分解成简单的结构，如从句。而从句又可以进一步分解为动词短语和名词短语，等等。

通过对句子的层次结构进行解析，并递归地从其组成部分中推导含义，直到达到句子层面，这是一个很好的语言理解方法。假设这样一句话，“Bart watched a squirrel with binoculars（巴特用望远镜观察一只松鼠）”。一个好的解析组件可以生成下面的分析树：

基于组件的“巴特用望远镜观察松鼠”句子的分析树

基于组件的“巴特用望远镜观察松鼠”句子的分析树

句子的意思可以从连续的组合中推导出来，首先是“a”和“squirrel”的组合，然后是“watched”和“a squirrel”的组合，最后是“watched a squirrel”和“with binoculars”的组合，直到得到整个句子的意思。

向量空间（词嵌入）可用于表示单词、词组和句子的其他成分。组合过程可以构造为函数 f，该函数将（“a”、“squirrel”）组合成一个有意义的向量表示，“a squirrel”=f（“a”、“squirrel”）。[Baroni 2014]

然而，组合和解析都是很困难的任务，并且它们互相依赖。

显然，组合过程需要依靠解析的结果来确定应该组合什么。但即使有了正确的输入，组合也是一个难题。例如，形容词的含义会根据它所描述的单词而变化：“white wine（白葡萄酒）”的颜色实际上是黄色的，而“white cat（白猫）”确实是白色的。这种现象称为共同组合（co-composition）。[Pustejovsky 2017]

“白葡萄酒”和“白猫”在二维语义空间中的表现（颜色维度）

“白葡萄酒”和“白猫”在二维语义空间中的表现（颜色维度）

更广泛的上下文环境对于组合过程也是必要的。例如，“green light（绿灯）”中的词应该如何组合取决于具体情况。“绿灯”可以表示授权，或实际绿色的灯。有些习惯用语的含义需要某种形式的记忆，而不单单是组合。因此，在向量空间中完成这种组合需要强大的非线性函数，如深度神经网络（也具有记忆功能 [Arpit 2017]）。

相反，解析操作在某些情况下可能需要组合才能工作。例如同一句子“Bart watched a squirrel with binoculars”的另一种解析树：

尽管它在语法上是成立的，但是这种解析导致了对句子的一种奇怪的解释：巴特看着一只松鼠拿着望远镜。然而，必须用某种形式的组合才能证明“一只松鼠拿着望远镜”是不太可能发生的事情。通常，在推导出恰当的结构之前，必须对背景知识进行消歧和整合。但是这个过程也可以通过某种形式的解析和组合来实现。

一些模型试图将解析和组合一起应用到实践中 [Socher 2013年]，但是它们有一个限制条件，即依赖于手动标注的标准解析树，此外，它们已经被更简单的模型所超越了。

BERT 如何实现解析和组合

我们假设 Transformer 在很大程度上依赖于这两个操作，但是以一种创新的方式：由于合成和解析互相需要，Transformer 通过迭代过程，连续的执行解析和合成步骤，以解决相互依赖的问题。Transformer 是由几个堆叠的层（也称为块）组成的。每个块由一个注意力层和其后的非线性函数（应用于 token）组成。

我们将主要解释这些结构与解析-组合框架之间的联系。

Transformer中一个块的结构，可以看作是连续的解析和组合步骤

Transformer 中一个块的结构，可以看作是连续的解析和组合步骤

注意力机制作为解析步骤

在 BERT 中，注意力机制让输入序列（由单词或子单词 token 构成的句子）中的每个 token 注意到其它的 token。

为了说明这一点，我们使用《Deconstructing BERT, Part 2: Visualizing the Inner Workings of Att-ention》中的可视化工具深入研究了注意力头（attention head），并在预训练的 BERT base Uncased 模型上（谷歌发布的 4 种预训练的 BERT 模型的一种）测试了我们的假设。在下面一个注意力头的例子中，“it”这个词注意到了其他所有的 token，并且似乎注意力集中在“street”和“animal”上。

第0层注意力头 1对于token“it”的注意力值可视化图

第 0 层注意力头 1 对于 token“it”的注意力值可视化图

BERT 的每一层包含 12 个独立的注意力机制。因此，在每一层，每个 token 都可以关注其他 token 的 12 个不同方面。由于 Transformer 使用许多不同的注意力头（这里的 base BERT 模型用了 12*12=144 个），每个注意力头可以集中关注不同类型成分的组合。

我们省去了与“[CLS]”和“[SEP]”token 相关的注意力值。我们用几个句子做了测试，发现很难做到不过度解释结果，所以你可以随意用不同的句子在这个colab笔记本上测试我们的假设。请注意，在图中，左侧的序列关注右侧的序列。

在第 2 层中，注意力头 1 似乎会基于相关性形成组合成分。

更有意思的是，在第 3 层中，注意力头 11 似乎显示了更高级别的成分：一些 token 关注相同的中心词（if、keep、have）。

在第 5 层中，注意力头 6 采取的匹配过程似乎关注特定的组合，尤其是涉及动词的组合。像[SEP]这样的特殊 token 似乎被用来表示匹配关系的缺失。这可以使注意力头发现适合组合的特定结构。这种一致的结构可以输入给组合函数。

第5层注意力头6：(we, have), (if, we), (keep, up) (get, angry)这些组合受到了更多关注

第 5 层注意力头 6：(we, have), (if, we), (keep, up) (get, angry)这些组合受到了更多关注

任意树可以用连续的浅层解析层表示，如下图所示：

不同层的注意力可以表示树结构

不同层的注意力可以表示树结构

通过对 BERT 注意力头的查看，我们没有发现如此清晰的树状结构，但是 Transformer 仍然有可能对其进行表示。我们注意到，由于编码是在所有层上同时进行的，因此很难正确地解释 BERT 在做什么。对给定层的分析只对其下一层和上一层有意义。解析也分布在各个注意力头上。

下图以两个注意力头为例，显示了 BERT 的注意力机制实际的情况：

BERT注意力值的实际情况

BERT 注意力值的实际情况

然而，正如我们之前所见，解析树是一个高级别的表示，它可能建立在更复杂的“根茎”结构上[Deleuze 1987]。 例如，我们可能需要找出代词所引用的内容，以便对输入进行编码（共指消解 coreference resolution：将现实世界中同一实体的不同描述合并到一起的过程，共指在自然语言中起到了超链接的作用，但也在其中增加了新的模糊成分）。在其他情况下，也可能需要全局上下文来消除歧义。

令人惊讶的是，我们发现一个注意力头（第 6 层注意力头 0）似乎真的进行了共指消解。 而且，正如文章《Understanding BERT Part 2: BERT Specifics》所指出的，一些注意力头似乎为每个单词提供了全局上下文（第 0 层注意力头 0）。

第6层注意力头0出现了共指消解。

第 6 层注意力头 0 出现了共指消解。

在一个句子中，每个词都注意到其他的词，这或许可以对每个词进行粗略的语境化。

组合过程

在每一层中，所有注意力头的输出被级接，并输入到一个可以表示复杂非线性函数的神经网络（这是实现一个有表达能力的组合过程所需要的）。

依靠来自注意力头的结构化输入，该神经网络可以进行各种组合。 在之前展示的第 5 层中，注意力头 6 可以引导模型进行以下组合: (we, have)，(if, we)，(keep, up)，(get, angry)。 该模型将它们进行非线性组合，并返回组合后的表示。因此，多注意力头可以视作为组合过程铺平道路的工具。

注意力头如何用于为特定的组合，例如形容词/名词

注意力头如何用于为特定的组合，例如形容词/名词

虽然我们没有发现注意力头关注某些更一致的组合，如形容词/名词，但是动词/副词的组合与模型所利用的其他组合之间可能存在一些共同点。

除了以上的组合，还存在许多可能相关的组合（单词-子词，形容词-名词，动词-介词，从句-从句）。进一步讲，我们可以将消歧（disambiguation）看作是把一个歧义词（bank）和相关语境词（river 或 cashier）进行组合的过程。在组合期间，模型也可以将给定上下文中与概念相关的背景知识进行整合。这种消歧也可能出现在其他层面（例如句子层面，从句层面）。

消歧作为组合过程

消歧作为组合过程

此外，组合过程还可能涉及词序推理。有人认为，位置编码（positional encoding）（位置编码是一个矢量，与输入内嵌表示求平均，以便生成输入序列中每个 token 的位置感知表示）可能不足以正确地编码单词的顺序。然而，位置编码的目的是编码每个 token 粗粒度、细粒度，甚至准确的位置。因此，基于两个位置编码，非线性合成在理论上可以基于单词相对位置进行关系推理。

综上所述，我们认为在 BERT 自然语言理解中，组合阶段也起到了重要作用，因此你所需要的并不只有注意力（Attention isn’t all you need）。

总结

我们提出了对 Transformer 的归纳偏置的一些见解。然而，我们必须记住，我们的解释可能对 Transformer 的能力持乐观态度。需要注意的是，LSTM 能够隐式处理树状结构[Bowman 2015]和组合过程[Tai 2015]。但是 LSTM 有其局限性，其中一些是由于梯度消失问题所导致的[Hochreiter 1998]。因此，要解释 Transformer 的局限性还需要进一步的工作。

查看英文原文：Understanding BERT Transformer: Attention isn’t all you need