论文地址：
https://www.aclweb.org/anthology/D19-1098.pdf
介绍
之前其实有很多工作将句法信息融入到了RNN中，例如ON-LSTM和PRPN，用来隐式建模句法结构信息，同时提升语言模型的准确率。本文尝试将句法信息融入到Transformer中，用来赋予attention更好的解释性。同时可以无监督的预测出句子的句法树，并且相比于一般的Transformer，语言模型的性能有所提高。
模型结构
上面这张是模型结构，最主要的区别就是在multi-head attention操作基础上新增了一个成分的attention，用来表示一段span能否构成一个短语。比如上图中，“cute dog”构成一个短语，所以第0层中这两个单词的attention较大。而“the cute dog”构成了一个更大的短语，所以第1层中“the”和“dog”的attention较大。
回顾self-attention的操作，主要是计算两个单词的向量点积：
这里
。但是在本文中，新增加了一个成分先验 C ，其中 
表示 
和 
在一个短语内的概率。然后与原来的self-attention做元素乘即可：
注意不同的head之间共享 C 。
那么这个成分先验 C 怎么算呢？这里把它拆成若干相邻单词在同一短语内概率的乘积。也就是定义
在同一短语内的概率，那么 
就可以表示为：
这样只有 
中所有单词都有较大概率在同一短语中， 
取值才比较大。当然在实现中会取对数，来避免数值太小。
那么问题又来了， a 怎么算？首先类似self-attention，计算相邻两个单词属于同一短语的得分：
注意这里区分了方向，也就是还存在得分 
，并且两者虽然意义是一样的，但是分数不一定相同。为了防止出现一种问题，也就是所有得分全部相同，然后算出来概率全是1，那就没有意义了，所以要给得分加上限制，也就是归一化。这里选择归一化一个单词和左右邻居两者的得分：
然后由于 
值不一样，所以取平均：
这样的话，如果两个相邻单词互相之间连接的概率很大，就会导致 
很大，也就说明了这两个单词大概率属于同一个短语。
从第一张模型图中可以看到，成分attention不只计算了一层。低层可以用来表示两两相邻单词之间属于同一短语的概率，而高层可以表示属于更大的短语的概率。注意还得满足一个性质，也就是如果两个单词在低层大概率属于同一个短语，那他们高层肯定更大概率属于一个更大的短语。所以计算方式如下：
初始化的时候 
都设为0。这样对于每一层都可以得到一个成分先验 
。
无监督句法分析
