許久沒有更新，今天來水一篇之前在arXiv上看到的論文，這篇NFLAT是對FLAT的改進（其實也是對TENER的改進），FLAT在文本后面掛單詞的方式可能會導致文本長度過長，論文中講長度平均會增加40%，從而導致：

self-attention的時候計算量和顯存占用量增大，限制了FLAT對更大更復雜的詞表的使用；

有一些冗余計算，比如“word-word”和“word-character”級別的self attention是沒有必要做的，因為在FLAT中word部分在解碼的時候會被mask掉（如下圖），不參與后續計算，所以只需要"character-character"和“character-word”級別的self-attention。

FLAT中word部分在解碼的時候會被MASK掉

其實講到這里，相信讀者們也看出來了，改進思路已經比較明顯了：既然只要"character-character"和“character-word”級別的self-attention，那么就拆開搞，「不要把word往句子后面拼了，而是character有一個序列（原始文本序列），word有一個序列（原始文本序列在外部詞表中匹配出來的單詞序列）」：

先進行“character-word”的attention，獲得融合了word邊界和語義信息的character表征——論文中稱這部分叫「InterFormer」；

再做"character-character"級別的self-attention，獲取最終character表征——「Transformer Encoder」，論文這部分用的TENER對Transformer Encoder的改動，所以其實這篇論文也是對TENER的改進方案，「是TENER+外部詞典的解決方案」。

Linear Project + CRF

模型分為上面所說的三個模塊，接下來我們一個一個介紹。

模型

NFLAT模型結構

1. InterFormer

其實就是Transformer Encoder的改進版，InterFormer包含多頭inter-attention和一個FFN，目的是構建non-flat-lattice，可以同時對character和word兩個不同長度的序列進行建模，讓他們交互，從而獲得融合了word邊界和語義信息的character表征。

對Transformer Encoder的改進主要是：

「attention中query/key/value不再同源」，也就不再是self-attention，「character序列作為query的輸入，word序列作為key和value的輸入」。這樣的話attention在character序列中每個字上的輸出就是word序列中與這個字相關的word表征（value）的加權求和的結果。

他們在word序列中加入了一個標記，這樣的話，如果character序列中的某個character與單詞序列沒啥關系的時候，總不至于強行加權求和，論文的分析部分表示這個還是有用的，但論文沒有做消融實驗，這里我就不列了，感興趣可以去看一下原文。

「參考了TransformerXL和FLAT中的相對位置編碼部分，同時做了一些改動」。

下面直接列公式了：

輸入：character序列embedding ，word序列embedding。

獲取QKV表征:

計算Inter-Attention

是attention中常規操作，就是對序列中padding部分的score賦一個很小的值，讓softmax后結果為0的；

的計算方法參考了TransformerXL，只是相對距離的表征的計算方式不太一樣，是參考FLAT，但也做了一些改動，FLAT中計算了四種位置距離表征：head-head, head-tail, tail-head, tail-tail，但這里只有兩種位置距離：character head - word head ()和 character tail - word tail ()。

同樣這個Inter-attention也可以做成multi-head attention的方式：

然后是FFN、殘差連接、PostNorm

通過上面的這一系列操作，我們就獲得了“「融合了word邊界和語義信息的character表征」”。

2. Transformer Encoder

然后進行"character-character"級別的上下文編碼，用TENER中改造的Transformer Encoder，也就是兩部分改動：

Un-scaled Dot-Product Attention，TENER中發現不進行scale的attention比進行了scale的在NER上的效果要好；

使用了對方向和距離敏感的相對位置編碼，其實和上面Inter-attention中相對位置編碼差不多，就是就只有query位置-value位置。

所以NFLAT其實就是在TENER前面加了一個模塊。

3. 最后就是CRF層

實驗結果

數據：

數據集

外部詞表：

外部詞表他們主要采用了：https://github.com/jiesutd/RichWordSegmentor

結果：

如下圖，可以看到，NFLAT在4個數據集上效果都還挺好的，達到了SOTA。

實驗結果

效率分析

時間復雜度：

n是character序列長度，m是word序列的長度，一般n越長，m越長，所以看復雜度的話NFLAT還是降低了許多了，作者們還做了相關的實驗，每種長度挑選1000個句子，用batch_size=1計算跑完1k條句子的時間(3090的卡)，發現句子長度大于400的時候，NFLAT與FLAT的速度才會有差距。

運行時間對比

FLAT：

NFLAT：

空間復雜度：

顯存占用還是有明顯差別的：

顯存占用對比

FLAT：O((n+m)^{2})

NFLAT:

差不多，這篇論文就到這里吧。