一、摘要

  作者介绍了引入可能很大的外部存储器的递归注意力模型。这种架构是记忆网络的一种形式，但与之前的不同，它是可以端到端训练的。模型的灵活性使得我们能够将其应用于各种任务，如问答、语言建模。在实验中，作者介绍的多条机制提升了模型效果。

二、介绍

  AI研究的两个巨大挑战就是：1.搭建一个模型，可以在回答问题或完成任务的时候进行多条计算；2.在序列数据中捕捉长距离依赖关系。
  最近使用显式存储和注意力机制的计算模型开始活跃起来了，操作这样的存储器提供了解决这两个挑战的方法。存储器具有联系的表示，可以进行读写操作，以及其他模型定义的操作。
  在本篇论文中，作者提出了一种新颖的RNN架构，在输出最终的符号之前，从外部存储器读取多次。作者提出的模型可以视为是之前记忆网络的连续形式。之前的记忆网络无法端到端训练。

三、方法

  我们的模型将一组离散的输入$x_1,...,x_n$x1​,...,xn​存储到记忆中，给定查询q，输出答案a。每一个$x_i,q,a$xi​,q,a都包含来自V个词的词典的符号，模型将所有x写入到记忆中知道固定的缓冲区大小，然后找到x和q的连续表示。这个连续表示通过多跳(multiple hops) 处理输出答案a。这允许在训练期间通过多次存储器访问将误差信号反向传播回输入。

3.1 Single Layer

  首先介绍模型只有一层的情况，只实现了一个hop的操作，之后我们可以堆叠实现多跳。

• Input memory representation： 给定存储在记忆的输入集$x_1,...,x_i$x1​,...,xi​，整个集合$\{x_i\}${xi​}会转换为d维的记忆向量$\{m_i\}${mi​}，通过将$x_i$xi​编码在一个连续的向量中间中，最简单的方式就是使用一个矩阵A$(d\times V)$(d×V)。查询q也通过类似的方式(矩阵B)转换为内部状态u。在向量空间中，我们通过内积计算u和$m_i$mi​的匹配程度：
  $p_i=Softmax(u^Tm_i)$pi​=Softmax(uTmi​)
• Output memory representation： 每个$x_i$xi​会有一个相对应的输出向量$c_i$ci​(矩阵C)，回复向量o就可以通过加权得到：
  $o=\sum_ip_ic_i$o=i∑​pi​ci​因为这个函数从输入到输出是端到端的，我们可以很容易地计算梯度和反向传播。
• Generating the final prediction： 在单层的情况中，输出向量o和输入向量u相加之后乘以矩阵W$(V\times d)$(V×d)经过softmax生成最终的标签：
  $\hat a=Softmax(W(o+u))$a^=Softmax(W(o+u))
  

3.2 Multiple Layer

  接下来介绍下多跳的实现过程。

• 第k+1层的输入是第k层的输出$o^k$ok和输入$u^k$uk的和(当然还有其它组合方式):$u^{k+1}=u^k+o^k$uk+1=uk+ok
• 每一层都有自己的参数矩阵$A^k,C^k$Ak,Ck来编码输入$\{x_i\}${xi​}。 然而，为了减少参数的数量和便于训练，我们会限制参数矩阵。
• 在网络的顶层，参数矩阵W也会和最顶层的记忆层的输入$u^K$uK和输出$o^K$oK相结合。
  $\hat a=Softmax(Wu^{k+1})=Softmax(W(o^K+u^K))$a^=Softmax(Wuk+1)=Softmax(W(oK+uK))
  我们在模型中探索了两种权重方案：
• 1.Adjacent下层的输出向量是上层的输入向量，$A^{k+1}=C^k$Ak+1=Ck。同时约束答案预测矩阵与最终的输出矩阵相同，即$W^T=C^K$WT=CK，第一层的问题矩阵与输入矩阵相同，即$B=A^1$B=A1。
• 2.Layer-wise (RNN-like) 不同层的输入输出矩阵都是相等的，$A^1=A^2=...=A^K,C^1=C^2=...=C^K$A1=A2=...=AK,C1=C2=...=CK。我们发现在不同跳之间对u的更新添加一个线性映射是有效果的，$u^{K+1}=Hu^K+o^k$uK+1=HuK+ok。
  如果我们使用第二种权重方案，我们的模型就可以视为传统的RNN，将RNN的输出分为内部的输出和外部的输出。内部输出相对应于存储器，外部输出相对应于预测标签。从RNN的角度来说，u是隐藏层状态，模型使用矩阵A生成内部输出p，然后与矩阵C加权求和，更新隐藏层状态。不像标准的RNN，我们明确地对K跳期间存储在存储器中的输出进行调节，并且我们keep outputs soft，而不是对它们进行采样。

四、相关工作

  最近有研究者探索了使用RNN或基于LSTM的模型捕获序列内长期结构的方法。这些模型中的记忆是网络的状态，它在很长的时间尺度上是潜在的并且不稳定。基于LSTM的模型通过本地存储器单元来解决这个问题，该存储器单元锁定了过去的网络状态。通过实验，这相对于RNN是由提升的。我们的模型与这些模型的不同之处在于它使用全局内存，具有共享读写功能。然而，对于分层权重方案，我们的模型可以被视为RNN的一种形式，其仅在固定数量的时间步长（对应于跳数）之后产生输出，其中间步骤涉及存储器更新内部状态的输入/输出操作。

五、问答实验

  在问答任务上进行实验，一个给定的问答任务包含一系列事实，紧跟着一个问题，问题的答案是一个单词。共有20种不同类型的任务可以探索不同形式的推理和演绎。

  对每个问题，只有一部分的事实才包含答案需要的信息，而另一部分事实是无关的。在之前的记忆网络中，这种信息是明确指示给模型的，而本文的工作不再提供该信息，因此本文的网络是可以端到端训练的。因此，模型必须在训练和测试时间推断出哪些句子是相关的，哪些不是。
  对于20个QA任务之一，我们给定了一些问题，每个问题包含I个句子$\{x_i\},I\leq320${xi​},I≤320，问句q，答案a。句子i的第j个词$x_{ij}$xij​，用长为V的0-1编码表示(词汇大小V=177)，同样用0-1编码来表示问题q和答案a。使用两种版本的数据集，每个任务1000个问题和每个任务10000个问题。

5.1模型细节

  除非另有说明，所有实验都使用K=3跳，Adjacent权重方案。

• Sentence Representation： 在实验中，我们探索了两种不同的句子表示方法。第一种是BoW，将句子$x_i=\{x_{i1},x_{i2},...,x_{in}\}$xi​={xi1​,xi2​,...,xin​}的每个单词进行编码然后求和：$m_i=\sum_jAx_{ij},c_i=\sum_jCx_{ij}$mi​=∑j​Axij​,ci​=∑j​Cxij​，问题也通过BoW编码为输入向量u：$u=\sum_jBq_j$u=∑j​Bqj​，这种表示有个缺点就是它无法捕捉词序的信息，这种信息在一些任务上是很重要的。
  因此在第二种表示方法中考虑了词的位置信息。$m_i=\sum_jl_j*Ax_{ij}，l_j$mi​=∑j​lj​∗Axij​，lj​是一个列向量：$l_{kj}=(1-j/J)-(k/d)(1-2j/J)$lkj​=(1−j/J)−(k/d)(1−2j/J)，J是句子的单词数，d是词向量维度。这种表示称之为Position encoding(PE)，意味着词的顺序会影响$m_i$mi​。将这种表示用于问题、记忆输入输出。
• Temporal Encoding： 很多QA任务需要关注时间上下文的信息，比如第一个例子，模型需要知道Sam在厨房后去了卧室。为了让模型关注到这些信息，我们修改了记忆向量$m_i=\sum_jAx_{ij}+T_A(i)$mi​=∑j​Axij​+TA​(i)，其中$T_A(i)$TA​(i)是$T_A$TA​矩阵的第i行，编码了时序信息。输出向量也作了同样方式的修改：$c_i=\sum_jCx_{ij}+T_C(i)$ci​=∑j​Cxij​+TC​(i)。$T_A和T_C$TA​和TC​都是参数矩阵，随模型一起训练。
• Learning time invariance by injecting random noise： 我们发现添加虚拟记忆有助于规范化$T_A$TA​，因此在训练期间随机添加10%的空记忆。这种方法称为随机噪声。

5.2 实验结果

  从实验结果看，作者的最好的MemN2N模型与强监督MemNN模型仍有一定差距，但是又比弱监督模型要好得多。PE表示比BoW表示要好，表明词序信息是很重要的。LS(linear start training)在一定程度上避免了局部最优。RN提升了结果，在小数据集上更加明显。联合训练所有任务也有一定的提升。更重要的是，多跳也提升了性能。

六、总结

  在这项工作中，我们展示了一个具有显性记忆和注意力机制的神经网络，可以通过反向传播成功地训练从问答到语言建模的各种任务。与之前的记忆网络相比，这个网络可以端到端进行训练。