阿里云机器学习平台PAI与华东师范大学高明教授团队合作在SIGIR2022上发表了结构感知的稀疏注意力Transformer模型SASA，这是面向长代码序列的Transformer模型优化方法，致力于提升长代码场景下的效果和性能。由于self-attention模块的复杂度随序列长度呈次方增长，多数编程预训练语言模型（Programming-based Pretrained Language Models, PPLM）采用序列截断的方式处理代码序列。SASA方法将self-attention的计算稀疏化，同时结合了代码的结构特性，从而提升了长序列任务的性能，也降低了内存和计算复杂度。
论文：Tingting Liu, Chengyu Wang, Cen Chen, Ming Gao, and Aoying Zhou. Understanding Long Programming Languages with Structure-Aware Sparse Attention. SIGIR 2022
模型框架
下图展示了SASA的整体框架：
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
其中，SASA主要包含两个阶段：预处理阶段和Sparse Transformer训练阶段。在预处理阶段得到两个token之间的交互矩阵，一个是top-k frequency矩阵，一个是AST pattern矩阵。Top-k frequency矩阵是利用代码预训练语言模型在CodeSearchNet语料上学习token之间的attention交互频率，AST pattern矩阵是解析代码的抽象语法树（Abstract Syntax Tree，AST ），根据语法树的连接关系得到token之间的交互信息。Sparse Transformer训练阶段以Transformer Encoder作为基础框架，将full self-attention替换为structure-aware sparse self-attention，在符合特定模式的token pair之间进行attention计算，从而降低计算复杂度。
SASA稀疏注意力一共包括如下四个模块：
- Sliding window attention：仅在滑动窗口内的token之间计算self-attention，保留局部上下文的特征，计算复杂度为，为序列长度，是滑动窗口大小。
- Global attention：设置一定的global token，这些token将与序列中所有token进行attention计算，从而获取序列的全局信息，计算复杂度为，为global token个数。
- Top-k sparse attention：Transformer模型中的attention交互是稀疏且长尾的，对于每个token，仅与其attention交互最高的top-k个token计算attention，复杂度为。
- AST-aware structure attention：代码不同于自然语言序列，有更强的结构特性，通过将代码解析成抽象语法树（AST），然后根据语法树中的连接关系确定attention计算的范围。
为了适应现代硬件的并行计算特性，我们将序列划分为若干block，而非以token为单位进行计算，每个query block与
个滑动窗口blocks和
个global blocks以及
个top-k和AST blocks计算attention，总体的计算复杂度为
b为block size。
每个sparse attention pattern 对应一个attention矩阵，以sliding window attention为例，其attention矩阵的计算为：
ASA伪代码：
实验结果
我们采用CodeXGLUE[1]提供的四个任务数据集进行评测，分别为code clone detection，defect detection，code search，code summarization。我们提取其中的序列长度大于512的数据组成长序列数据集，实验结果如下：
从实验结果可以看出，SASA在三个数据集上的性能明显超过所有Baseline。其中Roberta-base[2]，CodeBERT[3]，GraphCodeBERT[4]是采用截断的方式处理长序列，这将损失一部分的上下文信息。Longformer[5]和BigBird[6]是在自然语言处理中用于处理长序列的方法，但未考虑代码的结构特性，直接迁移到代码任务上效果不佳。
为了验证top-k sparse attention和AST-aware sparse attention模块的效果，我们在BigCloneBench和Defect Detection数据集上做了消融实验，结果如下：
sparse attention模块不仅对于长代码的任务性能有提升，还可以大幅减少显存使用，在同样的设备下，SASA可以设置更大的batch size，而full self-attention的模型则面临out of memory的问题，具体显存使用情况如下图：
SASA作为一个sparse attention的模块，可以迁移到基于Transformer的其他预训练模型上，用于处理长序列的自然语言处理任务，后续将集成到开源框架EasyNLP（https://github.com/alibaba/EasyNLP）中，贡献给开源社区。
论文链接：
https://arxiv.org/abs/2205.13730
