什么是Attention机制？
Attention机制的本质来自于人类视觉注意力机制。人们在看东西的时候一般不会从到头看到尾全部都看，往往只会根据需求观察注意特定的一部分。
简单来说，就是一种权重参数的分配机制，目标是协助模型捕捉重要信息。具体一点就是，给定一组<key,value>，以及一个目标（查询）向量query，attention机制就是通过计算query与每一组key的相似性，得到每个key的权重系数，再通过对value加权求和，得到最终attention数值。
优缺点：
优点：
- 一步到位获取全局与局部的联系，不会像RNN网络那样对长期依赖的捕捉会收到序列长度的限制。
- 每步的结果不依赖于上一步，可以做成并行的模式
- 相比CNN与RNN，参数少，模型复杂度低。(根据attention实现方式不同，复杂度不一）
缺点：
- 没法捕捉位置信息，即没法学习序列中的顺序关系。这点可以通过加入位置信息，如通过位置向量来改善，具体可以参考最近大火的BERT模型。
应用领域：
在这主要介绍几篇论文或经典文档。
自然语言处理：
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
- Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation
- Generating Wikipedia by Summarizing Long Sequences
- Universal Transformers
计算机视觉：
- Image Transformer
- Show, Attend and Tell: Neural Image Caption Generation with Visual Attention
推荐系统：
- Deep Interest Network for Click-Through Rate Prediction
- Deep Interest Evolution Network for Click-Through Rate Prediction
- Learning Tree-based Deep Model for Recommender Systems
Attention常见实现方法
- 多层感知机：
该方法主要是将Q,K拼接，然后一起通过一个激活函数为tanh的全连接层，再跟权重矩阵做乘积，在数据量够大的情况下，该方法一般来说效果都不错。
2.Dot Product / scaled-dot Product：
该方法适用于query与key维度相同情景，通过q转置后与k点积。在权重值过大的情况下，可以将数据标准化，即scaled-dot Product。
3.Bilinear：
通过一个权重矩阵直接建立query与key的关系，权重矩阵可以随机初始化也可以使用预设的。
4.cosine
即计算两个向量的cosine相似度。
self-attention
该方法即Q,K,V都来自于同一个输入，其余计算过程，基本同上常用方法。
Multi-Head Attention
该方法可以理解成attention版本的ensemble，不同head学习不同的子空间语义。权值计算也同上常用方法。
推荐系统中的attention机制
现在推荐系统的趋势基本是朝着海量数据+复杂模型的方向发展，相信将来会取代人工精细特征+简单模型的方式。
这里主要介绍阿里的din模型：
模型的主要思想在于用户的兴趣是无序的，比如在电商场景下，用户A的历史行为序列包含游泳用品，牛奶，女装。而当前展示的广告是女装，它便只能激活女装的这个兴趣，即在当前展示广告面前，用户的兴趣是多峰的。
基于此，通过target广告与用户行为序列key做attention，捕获当前最可能被激活的那个峰。
具体算法实现便是通过target与行为序列做attention，再将输出与其他特征拼接之后通过全连接层得到最终输出。
相似的应用场景还有TDM模型，DIEN模型等。
小弟在此抛砖引玉，希望各位看官多多指点
--受伤的总是我)
)