头图

斯坦福NLP课程 | 第15讲 - NLP文本生成任务

ShowMeAI

ShowMeAI研究中心


NLP文本生成任务

ShowMeAI斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件,做了中文翻译和注释,并制作成了GIF动图!视频和课件等资料的获取方式见文末


引言

神经网络语言生成(翻译,摘要,对话,写作等)

概要

概要

  • Recap what we already know about NLG / NLG要点回顾
  • More on decoding algorithms / 解码算法
  • NLG tasks and neural approaches to them / NLG任务及其神经网络解法
  • NLG evaluation: a tricky situation / NLG评估:一个棘手的情况
  • Concluding thoughts on NLG research, current trends, and the future / NLG研究的一些想法,目前的趋势,未来的可能方向

1.语言模型与解码算法知识回顾

Section 1: Recap: LMs and decoding algorithms

1.1 自然语言生成(NLG)

自然语言生成(NLG)

  • 自然语言生成指的是我们生成 (即写入) 新文本的任何任务

  • NLG 包括以下内容:

    • 机器翻译
    • 摘要
    • 对话 (闲聊和基于任务)
    • 创意写作:讲故事,诗歌创作
    • 自由形式问答 (即生成答案,从文本或知识库中提取)
    • 图像字幕

1.2 要点回顾

语言模型要点回顾

(语言模型相关内容也可以参考ShowMeAI对吴恩达老师课程的总结文章深度学习教程 | 序列模型与RNN网络

  • 语言建模是给定之前的单词,预测下一个单词的任务:

$$ P\left(y_{t} \mid y_{1}, \ldots, y_{t-1}\right) $$

  • 一个产生这一概率分布的系统叫做语言模型 (LM)
  • 如果系统使用 RNN,则被称为 RNN-LM

语言模型要点回顾

  • 条件语言建模是给定之前的单词以及一些其他 (限定条件) 输入 \(x\),预测下一个单词的任务:

$$ P\left(y_{t} \mid y_{1}, \dots, y_{t-1}, x\right) $$


  • 条件语言建模任务的例子:

    • 机器翻译 x = source sentence, y = target sentence
    • 摘要 x = input text, y = summarized text
    • 对话 x = dialogue history, y = next utterance

知识回顾:训练一个(条件)RNN语言模型

训练一个(条件)RNN语言模型

  • 这是神经机器翻译中的例子
  • 在训练期间,我们将正确的 (又名引用) 目标句子输入解码器,而不考虑解码器预测的。这种训练方法称为 Teacher Forcing

RNN文本生成解码算法

解码算法

  • 问题:训练条件语言模型后,如何使用它生成文本?
  • 答案:解码算法是一种算法,用于从语言模型生成文本

  • 我们了解了两种解码算法

    • 贪婪解码
    • 集束搜索

RNN文本生成贪婪解码

贪婪解码

  • 一个简单的算法
  • 在每一步中,取最可能的单词 (即 argmax)
  • 将其用作下一个单词,并在下一步中将其作为输入提供
  • 继续前进,直到产生 \(<\text{END}>\) 或达到某个最大长度

  • 由于缺乏回溯,输出可能很差 (例如,不合语法,不自然,荒谬)

RNN文本生成集束搜索解码

集束搜索解码

  • 一种旨在通过一次跟踪多个可能的序列,找到高概率序列 (不一定是最佳序列) 的搜索算法

  • 核心思路:在解码器的每一步,跟踪 \(k\) 个最可能的部分序列 (我们称之为假设)

    • \(k\) 是光束大小

  • 达到某个停止标准后,选择概率最高的序列 (考虑一些长度调整)

RNN文本生成集束搜索解码

束搜索解码

  • Beam size = k = 2
  • Blue numbers=score

1.3 旁白:《西部世界》使用的是集束搜索吗?

旁白:《西部世界》使用的是集束搜索吗?

1.4 改变beam size k有什么影响?

改变集束搜索beam size k有什么影响?

  • 小的 \(k\) 与贪心解码有类似的问题 (\(k = 1\) 时就是贪心解码)

    • 不符合语法,不自然,荒谬,不正确

  • 更大的 \(k\) 意味着考虑更多假设

    • 增加 \(k\) 可以减少上述一些问题
    • 更大的 \(k\) 在计算上更昂贵
    • 但增加 \(k\) 可能会引入其他问题:

      • 对于NMT,增加 \(k\) 太多会降低 BLEU 评分(Tu et al, Koehnet al),这主要是因为大 \(k\) 光束搜索产生太短的翻译 (即使得分归一化)
    • 在闲聊话等开放式任务中,大的 \(k\) 会输出非常通用的句子 (见下一张幻灯片)

1.5 光束大小对聊天对话的影响

集束搜索beam size大小对聊天对话的影响

  • 低 beam size

    • 话题更相关但是没有意义的
    • 语法差,重复的

  • 高 beam size

    • 结果更保险
    • 回答更 正确
    • 但它更泛,主题相关性弱一些

1.6 基于采样的解码

文本生成:基于采样的解码

  • 纯采样

    • 在每个步骤 \(t\),从概率分布 \(P_t\) 中随机抽样以获取下一个单词
  • 像贪婪的解码,但是,是采样而不是 argmax

  • Top-n 采样

    • 在每个步骤 \(t\),从 \(P_t\) 的前 \(n\) 个最可能的单词中,进行随机采样
    • 与纯采样类似,但截断概率分布
    • 此时,\(n = 1\) 是贪婪搜索,\(n = V\) 是纯采样
    • 增加 \(n\) 以获得更多样化 / 风险的输出
    • 减少 \(n\) 以获得更通用 / 安全的输出

  • 这两者都比光束搜索更有效率,不用关注多个假设

1.7 Softmax temperature

文本生成Softmax temperature参数

  • 回顾:在时间步 \(t\),语言模型通过对分数向量 \(s \in \mathbb{R}^{|V|}\) 使用 softmax 函数计算出概率分布 \(P_t\)

$$ P_{t}(w)=\frac{\exp \left(s_{w}\right)}{\sum_{w^{\prime} \in V} \exp \left(s_{w^{\prime}}\right)} $$


  • 可以对 softmax 函数时候用温度超参数

$$ P_{t}(w)=\frac{\exp \left(s_{w} / \tau\right)}{\sum_{w^{\prime} \in V} \exp \left(s_{w^{\prime}} / \tau\right)} $$


  • 提高温度 \(\tau\):\(P_t\) 变得更均匀

    • 因此输出更多样化 (概率分布在词汇中)
  • 降低温度 \(\tau\):\(P_t\) 变得更尖锐

    • 因此输出的多样性较少 (概率集中在顶层词汇上)

1.8 解码算法:总结

文本生成解码算法总结

  • 贪心解码是一种简单的译码方法;给低质量输出
  • Beam搜索(特别是高beam大小) 搜索高概率输出

    • 比贪婪提供更好的质量,但是如果 Beam 尺寸太大,可能会返回高概率但不合适的输出(如通用的或是短的)

  • 抽样方法来获得更多的多样性和随机性

    • 适合开放式/创意代 (诗歌,故事)
    • \(Top-n\) 个抽样允许控制多样性
  • Softmax 温度控制的另一种方式多样性

    • 它不是一个解码算法!这种技术可以应用在任何解码算法。

2.NLG任务和它们的神经网络解法

NLG任务和它们的神经网络解法

2.1 摘要:任务定义

文本摘要:任务定义

  • 任务:给定输入文本 \(x\),写出更短的摘要 \(y\) 并包含 \(x\) 的主要信息
  • 摘要可以是单文档,也可以是多文档

    • 单文档意味着我们写一个文档 \(x\) 的摘要 \(y\)
    • 多文档意味着我们写一个多个文档 \(x_{1}, \ldots, x_{n}\) 的摘要 \(y\)
    • 通常 \(x_{1}, \ldots, x_{n}\) 有重叠的内容:如对同一事件的新闻文章

文本摘要:任务定义

在单文档摘要,数据集中的源文档具有不同长度和风格

  • Gigaword:新闻文章的前一两句 → 标题 (即句子压缩)
  • LCSTS (中文微博):段落 → 句子摘要
  • NYT, CNN / DailyMail:新闻文章 → (多个)句子摘要
  • Wikihow (new!):完整的 how-to 文章 → 摘要句子

句子简化是一个不同但相关的任务:将源文本改写为更简单 (有时是更短) 的版本

  • Simple Wikipedia:标准维基百科句子 → 简单版本
  • Newsela:新闻文章 → 为儿童写的版本

2.2 总结:两大策略

摘要生成总结:两大类方法

  • 抽取式摘要 Extractive summarization

    • 选择部分 (通常是句子) 的原始文本来形成摘要

      • 更简单
      • 限定性的 (无需解释)
  • 生成式摘要 Abstractive summarization

    • 使用自然语言生成技术生成新的文本

      • 更困难
      • 更多变 (更人性化)

2.3 前神经网络时代摘要抽取综述

前神经网络时代摘要抽取综述

  • 前深度学习时期摘要系统大多是抽取式的

  • 类似统计机器翻译系统,他们通常有一个流水线

    • 内容选择 Content selection:选择一些句子
    • 信息排序 Information ordering:为选择的句子排序
    • 句子实现 Sentence realization:编辑并输出句子序列例如,简化、删除部分、修复连续性问题

  • Diagram credit: Speech and Language Processing, Jurafsky and Martin

  • 前神经网络时代的内容选择算法

    • 句子得分函数可以根据

      • 主题关键词,通过计算如 tf-idf 等
      • 特性,例如这句话出现在文档的哪里
  • 图算法将文档为一组句子(节点),每对句子之间存在边

    • 边的权重与句子相似度成正比
    • 使用图算法来识别图中最重要的句子

2.4 综述生成评估:ROUGE

综述生成评估:ROUGE

类似于 BLEU,是基于 n-gram 覆盖的算法,不同之处在于:

  • 没有简洁惩罚
  • 基于召回率 recall,BLEU 是基于准确率的

    • 可以说,准确率对于机器翻译来说是更重要的 (通过添加简洁惩罚来修正翻译过短),召回率对于摘要来说是更重要的 (假设你有一个最大长度限制),因为需要抓住重要的信息
    • 但是,通常使用 F1 (结合了准确率和召回率)

  • ROUGE: A Package for Automatic Evaluation of Summaries, Lin, 2004
  • http://www.aclweb.org/antholo...

综述生成评估:ROUGE

  • BLEU 是一个单一的数字,它是 \(n=1,2,3,4n-grams\) 的精度的组合
  • 每 n-gram 的 ROUGE 得分分别报告

  • 最常见的报告ROUGE得分是

    • ROUGE-1:unigram单元匹配
    • ROUGE红-2:bigram二元分词匹配
    • ROUGE-L:最长公共子序列匹配

  • 现在有了一个方便的 ROUGE 的 Python 实现

2.5 神经摘要生成 (2015年-至今)

神经摘要生成综述(2015年-至今)

  • 2015:Rush et al. publish the first seq2seq summarization paper
  • 单文档摘要摘要是一项翻译任务!
  • 因此我们可以使用标准的 seq2seq + attention 神经机器翻译方法

  • A Neural Attention Model for Abstractive Sentence Summarization, Rush et al, 2015
  • https://arxiv.org/pdf/1509.00...

神经摘要生成(2015年-至今)

  • 自2015年以来,有了更多的发展

    • 使其更容易复制

      • 也防止太多的复制
    • 分层 / 多层次的注意力机制
    • 更多的全局 / 高级的内容选择
    • 使用 RL 直接最大化 ROUGE 或者其他离散目标 (例如长度)
    • 复兴前深度学习时代的想法 (例如图算法的内容选择),把它们变成神经系统

神经摘要生成:复制机制

  • Seq2seq+attention systems 善于生成流畅的输出,但是不擅长正确的复制细节 (如罕见字)
  • 复制机制使用注意力机制,使seq2seq系统很容易从输入复制单词和短语到输出

    • 显然这是非常有用的摘要
    • 允许复制和创造给了一个混合了抽取 / 抽象式的方法

神经摘要生成:复制机制

神经摘要生成:复制机制

  • 在每一步上,计算生成下一个词汇的概率 \(P_{gen}\),最后的分布是生成 (词汇表) 分布和copying (注意力) 分布的一个混合分布

  • Get To The Point: Summarization with Pointer-Generator Networks, See et al, 2017
  • https://arxiv.org/pdf/1704.04...

神经摘要生成:复制机制

  • 复制机制的大问题

    • 他们复制太多

      • 主要是长短语,有时甚至整个句子
  • 一个原本应该是抽象的摘要系统,会崩溃为一个主要是抽取的系统

  • 另一个问题

    • 他们不善于整体内容的选择,特别是如果输入文档很长的情况下
    • 没有选择内容的总体战略

神经摘要生成:更好的内容选择

  • 回忆:前深度学习时代摘要生成是不同阶段的内容选择表面实现 (即文本生成)

  • 标准 seq2seq + attention 的摘要系统,这两个阶段是混合在一起的

    • 每一步的译码器(即表面实现),我们也能进行词级别的内容选择(注意力)
    • 这是不好的:没有全局内容选择策略

  • 一个解决办法:自下而上的汇总

2.6 自下而上的摘要生成

自下而上的摘要生成

  • 内容选择阶段:使用一个神经序列标注模型来将单词标注为 include / don’t-include
  • 自下而上的注意力阶段:seq2seq + attention 系统不能处理 don’t-include 的单词 (使用 mask)

  • 简单但是非常有效!

    • 更好的整体内容选择策略
    • 减少长序列的复制 (即更摘要的输出)

      • 因为长序列中包含了很多 don’t-include 的单词,所以模型必须学会跳过这些单词并将那些 include 的单词进行摘要与组合

2.7 基于强化学习的神经网络摘要生成

基于强化学习的神经网络摘要生成

  • 核心思路:使用 RL 直接优化 ROUGE-L

    • 相比之下,标准的最大似然 (ML) 训练不能直接优化 ROUGE-L,因为它是一个不可微函数
  • 有趣的发现

    • 使用RL代替ML取得更高的ROUGE分数,但是人类判断的得分越低

  • 混合模型最好

2.8 对话系统

对话系统

对话 包括各种各样的设置

  • 面向任务的对话

    • 辅助 (如客户服务、给予建议,回答问题,帮助用户完成任务,如购买或预订)
    • 合作 (两个代理通过对话在一起解决一个任务)
    • 对抗 (两个代理通过对话完成一个任务)

  • 社会对话

    • 闲聊 (为了好玩或公司)
    • 治疗 / 精神健康

2.9 前/后神经网络时期对话系统

前/后神经网络时期对话系统

  • 由于开放式自由 NLG 的难度,前深度学习时代的对话系统经常使用预定义的模板,或从语料库中检索一个适当的反应的反应
  • 摘要过去的研究,自2015年以来有很多论文将seq2seq方法应用到对话,从而导致自由对话系统兴趣重燃

  • 一些早期 seq2seq 对话文章包括

2.10 基于Seq2Seq的对话

基于Seq2Seq的对话

(seq2seq相关内容也可以参考ShowMeAI的NLP教程NLP教程(6) - 神经机器翻译、seq2seq与注意力机制,以及对吴恩达老师课程的总结文章深度学习教程 | Seq2Seq序列模型和注意力机制

  • 然而,很快就发现,标准 seq2seq +attention 的方法在对话 (闲聊) 任务中有严重的普遍缺陷

    • 一般性/无聊的反应
    • 无关的反应(与上下文不够相关)
    • 重复
    • 缺乏上下文(不记得谈话历史)
    • 缺乏一致的角色人格

2.11 无关回答问题

无关回答问题

  • 问题:seq2seq 经常产生与用户无关的话语

    • 要么因为它是通用的 (例如 我不知道 )
    • 或因为改变话题为无关的一些事情

  • 一个解决方案:不是去优化输入 \(S\) 到回答 \(T\) 的映射来最大化给定 \(S\) 的 \(T\) 的条件概率,而是去优化输入 \(S\) 和回复 \(T\) 之间的最大互信息Maximum Mutual Information (MMI),从而抑制模型去选择那些本来就很大概率的通用句子

$$ \log \frac{p(S, T)}{p(S) p(T)} $$

$$ \hat{T}=\underset{T}{\arg \max }\{\log p(T | S)-\log p(T)\} $$

2.12 一般性/枯燥的回答问题

一般性/枯燥的回答问题

  • 简单的测试修复

    • 直接在集束搜索中增大罕见字的概率
    • 使用抽样解码算法而不是Beam搜索

  • 条件修复

    • 用一些额外的内容训练解码器 (如抽样一些内容词并处理)
    • 训练 retrieve-and-refine(检索并调优) 模型而不是 generate-from-scratch(从头生成) 模型

      • 从语料库采样人类话语并编辑以适应当前的场景
      • 这通常产生更加多样化/人类/有趣的话语!

2.13 重复回答问题

重复回答问题

  • 简单的解决方案

    • 直接在集束搜索中禁止重复n-grams

      • 通常非常有效

  • 更复杂的解决方案

    • 在seq2seq中训练一个覆盖机制,这是客观的,可以防止注意力机制多次注意相同的单词
    • 定义训练目标以阻止重复

      • 如果这是一个不可微函数生成的输出,然后将需要一些技术例如 RL 来训练

2.14 缺少一致的人物角色问题

缺少一致的人物角色问题

  • 2016年,李等人提出了一个 seq2seq 对话模式,学会将两个对话伙伴的角色编码为嵌入

    • 生成的话语是以嵌入为条件的

缺少一致的人物角色问题

  • 最近有一个闲聊的数据集称为 PersonaChat,包括每一次会话的角色 (描述个人特质的5个句子的集合)

    • 这提供了一种简单的方式,让研究人员构建 persona-conditional 对话代理

2.15 谈判对话

谈判对话

  • 2017年,Lewis et al 收集谈判对话数据集

    • 两个代理协商谈判对话 (通过自然语言) 如何分配一组项目
    • 代理对项目有不同的估值函数
    • 代理人会一直交谈直到达成协议

谈判对话

  • 他们发现用标准的最大似然 (ML) 来训练 seq2seq 系统的产生了流利但是缺乏策略的对话代理
  • 和 Paulus 等的摘要论文一样,他们使用强化学习优化离散奖励 (代理自己在训练自己)
  • RL 的基于目的的目标函数与 ML 目标函数相结合
  • 潜在的陷阱:如果两两对话时,代理优化的只是RL目标,他们可能会偏离英语

谈判对话

  • 在测试时,模型通过计算 rollouts,选择可能的反应:模拟剩余的谈话和预期的回报

谈判对话

谈判对话

  • 2018年,Yarats 等提出了另一个谈判任务的对话模型,将策略NLG 方面分开

    • 每个话语 \(x_t\) 都有一个对应的离散潜在变量 \(z_t\)
    • \(z_t\) 学习成为一个很好的预测对话中的未来事件的预测器 (未来的消息,策略的最终收获),但不是 \(x_t\) 本身的预测器
    • 这意味着 \(z_t\) 学会代表 \(x_t\) 对对话的影响,而不是 \(x_t\) 的 words
    • 因此 \(z_t\) 将任务的策略方面从 NLG方面分离出来
  • 这对可控制性、可解释性和更容易学习策略等是有用的

2.16 会话问答:CoQA

会话问答:CoQA

  • 一个来自斯坦福 NLP 的新数据集
  • 任务:回答关于以一段对话为上下文的文本的问题
  • 答案必须写摘要地(不是复制)

  • QA / 阅读理解任务,和对话任务

2.17 故事述说

故事述说

  • 神经网络讲故事的大部分工作使用某种提示

    • 给定图像生成的故事情节段落
    • 给定一个简短的写作提示生成一个故事
    • 给定迄今为止的故事,生成故事下个句子(故事续写)

      • 这和前两个不同,因为我们不关心系统在几个生成的句子上的性能

  • 神经故事飞速发展

    • 第一个故事研讨会于 2018 年举行
    • 它举行比赛 (使用五张图片的序列生成一个故事)

2.18 从图像生成故事

从图像生成故事

  • 有趣的是,这并不是直接的监督图像标题。没有配对的数据可以学习。

从图像生成故事

  • 问题:如何解决缺乏并行数据的问题
  • 回答:使用一个通用的 sentence-encoding space

  • Skip-thought 向量是一种通用的句子嵌入方法

    • 想法类似于我们如何学通过预测周围的文字来学习单词的嵌入
  • 使用 COCO (图片标题数据集),学习从图像到其标题的 Skip-thought 编码的映射
  • 使用目标样式语料库(Taylor Swift lyrics),训练RNN-LM, 将Skip-thought向量解码为原文
  • 把两个放在一起

2.19 从写作提示生成故事

从写作提示生成故事

  • 2018年,Fan 等发布了一个新故事生成数据集 collected from Reddit’s WritingPrompts subreddit.
  • 每个故事都有一个相关的简短写作提示

从写作提示生成故事

Fan 等也提出了一个复杂的 seq2seq prompt-to-story 模型

  • 基于卷积的模型

    • 这使它的速度比基于RNN的 seq2seq 更快

  • 封闭的多头多尺度的自注意力

    • 自注意力对于捕获远程上下文而言十分重要
    • 门控允许更有选择性的注意机制
    • 不同的注意力头在不同的尺度上注意不同的东西——这意味着有不同的注意机制用于检索细粒度和粗粒度的信息

从写作提示生成故事

  • 模型融合

    • 预训练一个 seq2seq 模型,然后训练第二个 seq2seq 模型访问的第一个模型的隐状态
    • 想法是,第一个 seq2seq 模型学习通用语言模型,第二个模型学习基于提示的条件

从写作提示生成故事

  • 结果令人印象深刻

    • 与提示相关
    • 多样化,并不普通
    • 在文体上戏剧性

  • 但是

    • 主要是氛围 / 描述性 / 场景设定,很少是事件 / 情节
    • 生成更长时,大多数停留在同样的想法并没有产生新的想法——一致性问题

2.20 讲故事的挑战

讲故事的挑战

  • 由神经语言模型生成的故事听起来流畅…但是是曲折的,荒谬的,情节不连贯的

缺失的是什么

  • 语言模型对单词序列进行建模。故事是事件序列
  • 为了讲一个故事,我们需要理解和模拟

    • 事件和它们之间的因果关系结构
    • 人物,他们的个性、动机、历史、和其他人物之间的关系
    • 世界 (谁、是什么和为什么)
    • 叙事结构(如说明 → 冲突 → 解决)
    • 良好的叙事原则(不要引入一个故事元素然后从未使用它)

2.21 event2event故事生成

event2event故事生成

2.22 结构化故事生成

结构化故事生成

2.23 跟踪事件、实体、状态等

跟踪事件、实体、状态等

  • 旁注:在神经 NLU (自然语言理解) 领域,已经有大量关于跟踪事件 / 实体 / 状态的工作

    • 例如,Yejin Choi’s group 很多工作在这一领域

  • 将这些方法应用到 NLG是更加困难的

    • 如果缩小范围,则更可控的
    • 不采用自然语言生成开放域的故事,而是跟踪状态
    • 生成一个配方 (考虑到因素),跟踪因素的状态

2.24 生成食谱时跟踪状态

生成食谱时跟踪状态

  • 过程神经网络:给定因素,生成配方指示
  • 显式跟踪所有因素的状态,并利用这些知识来决定下一步要采取什么行动

2.25 诗歌生成:Hafez

诗歌生成:Hafez

  • Hafez:Ghazvininejad et al 的诗歌系统
  • 主要思路:使用一个有限状态受体 (FSA) 来定义所有可能的序列,服从希望满足的韵律 (节拍) 约束

    • 然后使用 FSA 约束 RNN-LM 的输出

  • 例如

    • 莎士比亚的十四行诗是 14 行的 iambic pentameter
    • 所以莎士比亚的十四行诗的 FSA 是 \(((01)^5)^{14}\)
    • 在Beam搜索解码中,只有探索属于 FSA 的假设

诗歌生成:Hafez

  • 全系统

    • 用户提供主题字
    • 得到一个与主题相关的词的集合
    • 识别局部词语押韵,这将是每一行的结束
    • 使用受制于 FSA 的 RNN语言模型生成这首诗
    • RNN语言模型向后(自右向左)。这是必要的,因为每一行的最后一个词是固定的

诗歌生成:Hafez

  • 在后续的一篇论文中,作者制作了系统交互和用户可控
  • 控制方法很简单:在集束搜索中,增大具有期望特征的单词的分数

2.26 诗歌生成:Deep-speare

诗歌生成:Deep-speare

  • 更多的诗歌生成的端到端方法 (lau等)

  • 三个组件

    • 语言模型
    • pentameter model
    • rhyme model 韵律模型……
  • 作为一个多任务学习问题共同学习

  • 作者发现 meter 和押韵是相对容易的,但生成的诗歌上有些缺乏 情感和可读性

2.27 NMT的非自回归生成

神经翻译系统的非自回归生成

  • 2018年,顾等发表了 Non-autoregressive 神经机器翻译 模型

    • 意义:它不是根据之前的每个单词,从左到右产生翻译

  • 它并行生成翻译
  • 这具有明显的效率优势,但从文本生成的角度来看也很有趣
  • 架构是基于Transformer 的;最大的区别是,解码器可以运行在测试时并行

NMT的非自回归生成

3.自然语言生成NLG评估

自然语言生成NLG评估

3.1 NLG的自动评价指标

自然语言生成的自动评价指标

基于词重叠的指标 (BLEU,ROUGE,METROR,F1,等等)

  • 他们不适合机器翻译
  • 对于摘要而言是更差的评价标准,因为摘要比机器翻译更开放

    • 不幸的是,与抽象摘要系统相比,提取摘要系统更受ROUGE青睐
  • 对于对话甚至更糟,这比摘要更开放

    • 类似的例子还有故事生成

3.2 单词重叠指标不利于对话

单词重叠指标不利于对话

  • 上图展示了 BLEU-2、Embedding average 和人类评价的相关性都不高

单词重叠指标不利于对话

3.3 NLG的自动评价指标

NLG的自动评价指标

  • Perplexity / 困惑度

    • 捕捉 LM 有多强大,但是不会告诉关于生成的任何事情 (例如,如果困惑度是未改变的,解码算法是不好的)

  • 词嵌入基础指标

    • 主要思想:比较词嵌入的相似度 (或词嵌入的均值),而不仅仅是重叠的单词。以更灵活的方式捕获语义
    • 不幸的是,仍然没有与类似对话的开放式任务的人类判断,产生很好的联系

3.4 单词重叠指标不利于对话

单词重叠指标不利于对话

3.5 NLG的自动评价指标

NLG的自动评价指标

  • 没有自动指标充分捕捉整体质量 (即代表人类的质量判断)

  • 但可定义更多的集中自动度量来捕捉生成文本的特定方面

    • 流利性 (使用训练好的语言模型计算概率)
    • 正确的风格 (使用目标语料库上训练好的语言模型的概率)
    • 多样性 (罕见的用词,n-grams 的独特性)
    • 相关输入 (语义相似性度量)
    • 简单的长度和重复
    • 特定于任务的指标,如摘要的压缩率

  • 虽然这些不衡量整体质量,他们可以帮助我们跟踪一些我们关心的重要品质

3.6 人工评价

人工评价

  • 人类的判断被认为是黄金标准
  • 当然,我们知道人类评价是缓慢而昂贵的
  • 但这些问题?
  • 假如获得人类的评估:人类评估解决所有的问题吗

  • 没有!进行人类有效评估非常困难:

    • 是不一致的
    • 可能是不合逻辑的
    • 失去注意力
    • 误解了问题
    • 不能总是解释为什么他们会这样做

3.7 可控聊天机器人的详细人工评估

可控聊天机器人的详细人工评估

  • 在聊天机器人项目上工作的个人经验 (PersonaChat)
  • 我们研究了可控性 (特别是控制所产生的话语,如重复,特异性,回应相关性 和 问题询问)

可控聊天机器人的详细人工评估

  • 如何要求人的质量判断?

  • 我们尝试了简单的整体质量 (多项选择) 问题,例如:

    • 这次对话有多好?
    • 这个用户有多吸引人?
    • 这些用户中哪一个给出了更好的响应?
    • 想再次与该用户交谈吗?
    • 认为该用户是人还是机器人?
  • 主要问题

    • 必然非常主观
    • 回答者有不同的期望;这会影响他们的判断
    • 对问题的灾难性误解 (例如 聊天机器人非常吸引人,因为它总是回写 )
    • 总体质量取决于许多潜在因素;他们应该如何被称重 和/或 比较?

可控聊天机器人的详细人工评估

  • 最终,我们设计了一个详细的人类评价体系分离的重要因素,有助于整体 chatbot 质量

可控聊天机器人的详细人工评估

发现

  • 控制重复对于所有人类判断都非常重要
  • 提出更多问题可以提高参与度
  • 控制特异性 (较少的通用话语) 提高了聊天机器人的吸引力趣味性感知的听力能力

    • 但是,人类评估人员对风险的容忍度较低 (例如无意义或非流利的输出) 与较不通用的机器人相关联
  • 总体度量“吸引力” (即享受) 很容易最大化 - 我们的机器人达到了近乎人性化的表现
  • 整体度量“人性化” (即图灵测试) 根本不容易最大化 - 所有机器人远远低于人类表现
  • 人性化与会话质量不一样
  • 人类是次优的会话主义者:他们在有趣,流利,倾听上得分很低,并且问的问题太少

3.8 NLG评估的可能新途径?

NLG评估的可能新途径?

  • 语料库级别的评价指标

    • 度量应独立应用于测试集的每个示例,或整个语料库的函数
    • 例如,如果对话模型对测试集中的每一个例子回答相同的通用答案,它应该被惩罚

  • 评估衡量多样性安全权衡的评估指标
  • 免费的人类评估

    • 游戏化:使任务(例如与聊天机器人交谈)有趣,这样人类就可以为免费提供监督和隐式评估,作为评估指标
  • 对抗性鉴别器作为评估指标

    • 测试 NLG 系统是否能愚弄经过训练能够区分人类文本和 AI 生成的文本的识别器

4.NLG研究的一些想法,目前的趋势,未来的可能方向

NLG研究的一些想法,目前的趋势,未来的可能方向

4.1 NLG中令人兴奋的当前趋势

NLG中令人兴奋的当前趋势

  • 将离散潜在变量纳入 NLG

    • 可以帮助在真正需要它的任务中建模结构,例如讲故事,任务导向对话等

  • 严格的从左到右生成的替代方案

    • 并行生成,迭代细化,自上而下生成较长的文本

  • 替代 teacher forcing 的最大可能性训练

    • 更全面的句子级别的目标函数 (而不是单词级别)

4.2 NLG研究

NLG研究

4.3 神经NLG群体正在迅速成熟

神经NLG群体正在迅速成熟

  • 在NLP+深度学习的早期,社区主要将成功的非机动车交通方法迁移到NLG任务中。

  • 现在,越来越多的创新 NLG 技术出现,针对非 NMT 生成环境。
  • 越来越多 (神经) NLG 研讨会和竞赛,特别关注开放式 NLG

    • NeuralGen workshop
    • Storytelling workshop
    • Alexa challenge
    • ConvAI2 NeurIPS challenge
  • 这些对于组织社区提高再现性、标准化评估特别有用
  • 最大障碍是评估

4.4 在NLG工作学到的8件事

在NLG工作学到的8件事

  • 任务越开放,一切就越困难

    • 约束有时是受欢迎的
  • ② 针对特定改进的目标比旨在提高整体生成质量更易于管理
  • ③ 如果使用一个语言模型作为NLG:改进语言模型 (即困惑) 最有可能提高生成质量

    • 但这并不是提高生成质量的唯一途径
  • ④ 多看看输出

在NLG工作学到的8件事

  • ⑤ 需要一个自动度量,即使它是不受影响的

    • 可能需要几个自动度量
  • ⑥ 如果做了人工评估,让问题尽可能的集中
  • ⑦ 在今天的 NLP + 深度学习和 NLG 中,再现性是一个巨大的问题。

    • 请公开发布所有生成的输出以及的论文
  • ⑧ 在 NLG 工作可能很令人沮丧,但也很有趣

4.5 我和我的聊天机器人之间奇怪的对话

我和我的聊天机器人之间奇怪的对话

5.视频教程

可以点击 B站 查看视频的【双语字幕】版本

6.参考资料

ShowMeAI系列教程推荐

NLP系列教程文章

斯坦福 CS224n 课程带学详解

ShowMeAI用知识加速每一次技术成长

阅读 756

ShowMeAI研究中心
为AI硬核资料库(cool)而生!公众号/GitHub:ShowMeAI-Hub
22 声望
10 粉丝
0 条评论
22 声望
10 粉丝
文章目录
宣传栏