人类的注意力是有限的，以视觉为例，在同一时刻出现在眼前的物体被认为是互相竞争注意力的，这个可以参照论文 "Visual Attention is Beyond One Single Saliency Map" 中的图示，它表明了随着时间变化，注意力的迁移过程，如下所示

随时间变化中注意力的迁移过程

那么是否可以让机器理解和学习这种注意力机制以提高工作效率呢？答案是可以的

注意力模型其实之前就有，但在2017年由谷歌提出 Self-Attention 后，随着2018年刷新11项 NLP 记录的 BERT 诞生开始大红大紫，Attention也被认为是效果超过 LSTM 的最佳特征提取器

其论文是：《Attention is All You Need》

参考资料：

https://zhuanlan.zhihu.com/p/37601161（张俊林博士的经典知乎答案，浅显直白的语言描述了attention原理和发展过程，适合入门）

https://jalammar.github.io/illustrated-transformer/（jay alammar用可视化的方式解析 attentionModel，绝对的经典，搜狐的技术公众号有其文章的中文翻译版本）

http://nlp.seas.harvard.edu/2018/04/03/attention.html（哈佛大学原理+代码解析 attentionModel）

https://kexue.fm/archives/4765（挺不错的原理解析 + 代码）

https://zhuanlan.zhihu.com/p/32544778（还可以的一个原理解析）

Paper 辅助：

http://tongtianta.site/paper/203（英中双文Paper）