本期導讀：近年來，序列到序列（seq2seq）方法成為許多文本生成任務的主流思路，在機器翻譯、文本摘要等絕大多數(shù)生成任務上都得到了廣泛的應用。與此同時，一些研究人員另辟蹊徑，跳脫出傳統(tǒng)的seq2seq方法，探索如何將 編輯方法（edit-based approach） 應用于一些文本生成任務，從而提升模型在生成任務上的表現(xiàn)。本期結合Google Research的三篇工作，對基于編輯方法的文本生成技術進行介紹。

1. 引言

在文本生成任務中引入編輯方法的 motivation 主要有兩方面：

首先，基于Transformer結構的seq2seq模型在當前各項文本生成任務上得到了廣泛使用。而這類傳統(tǒng)seq2seq模型的不足主要有以下幾點：

（1）數(shù)據(jù)效率： 為使模型在文本生成任務上獲得較好的表現(xiàn)，傳統(tǒng)seq2seq模型通常需要在大量數(shù)據(jù)上進行訓練，時間長，計算量龐大。

（2）推理時間： 傳統(tǒng)seq2seq模型在解碼時主要采用自回歸的方式。這種方式按順序從左至右一個詞一個詞地預測輸出，雖然遵循了人類語言的單向順序性，但大大增加了模型的推理時間。

（3）可控性與可解釋性： 傳統(tǒng)seq2seq模型在輸出時會發(fā)生一些錯誤。例如，產生輸入文本中并不支持的輸出（hallucination）。此外，模型在輸出時的可解釋性也較差。

其次，以句子融合、語法糾錯等為代表的一些文本生成任務均具有 “重合”（overlap） 的特點，即源文本和目標文本在語言上重復性較大，只需要對源文本做微小的改動就能生成目標文本（圖1）。因此從頭訓練一個seq2seq模型然后自回歸地預測輸出就顯得較為浪費?；诖耍瑥椭茩C制（copy mechanism）的引入使得模型能夠對當前輸出是復制原詞還是生成新詞進行選擇。但即使模型使用了復制機制，仍需要較大規(guī)模的訓練數(shù)據(jù)來滿足解碼時的詞匯量需求，從而保證模型性能。

綜上，在文本生成任務中引入文本編輯的方法，意在針對一些生成任務中的overlap特點，合理利用源文本與目標文本的相似部分，改善傳統(tǒng)seq2seq模型的不足。這種方法直觀上保留了從源文本到目標文本的編輯過程（如哪些詞保留，哪些詞需要刪除等），與人類實際處理這類生成任務的思路不謀而合，從而也帶來了較好的可解釋性。

2. LaserTagger

LaserTagger是Google Research在 “Encode， Tag， Realize： High-Precision Text Editing” 一文中提出的文本生成模型，該論文發(fā)表于EMNLP 2019。

這篇工作的主要貢獻有：

（1）將序列標注作為源文本到目標文本的跳板，即首先對源文本標注編輯操作標簽，再根據(jù)標注得到的標簽序列將源文本并行轉化為目標文本（圖2）。

（2）基于（1）的思路，設計了基于編輯操作的文本生成模型LaserTagger（包括LaserTaggerFF和LaserTaggerAR兩種模型變體），并且在四種文本生成任務上進行了對比實驗，獲得了較好的效果。

2.1 主要方法

標注操作定義

本文定義文本編輯操作標簽由兩部分構成：基本標簽B和附加標簽P，表示為。

基本標簽分為兩種：保留（）或刪除（），指對當前位置的token進行保留還是刪除操作。

附加標簽指需要在當前位置插入新短語（可以是單個詞、多個詞或標點等，也可以為空）。

在構造編輯標簽序列時，由匹配算法（見圖4）從訓練語料構造出的phrase vocabulary 中選出合適的短語插入。因此，若詞典的大小為，則編輯標簽的總規(guī)模則約為。

此外，可以根據(jù)不同的下游任務定義一些特殊標簽。例如在句子融合任務中有時需要交換輸入句子的語序，此時可以設置標簽SWAP代表交換語序操作。

構造phrase vocabulary

在構造訓練數(shù)據(jù)對應的編輯標簽序列時，若詞典無法提供可插入的新短語，則該條訓練數(shù)據(jù)會被篩掉。因此理想的詞典應滿足以下兩點：一方面，詞典規(guī)模應盡可能的??；另一方面，該詞典應能夠盡可能的覆蓋更多的訓練數(shù)據(jù)。

構造詞典的步驟為：

（1） 將源文本和目標文本對齊，計算出它們的最長公共子序列（longest common subsequence， LCS）。

（2） 將目標文本中不屬于LCS的n-grams加入詞典中。

（3） 最終保留出現(xiàn)頻率最高的個phrases。

在實驗中發(fā)現(xiàn)，詞典保留頻率最高的500個phrases已能覆蓋85%的訓練樣本，且再繼續(xù)增大詞典規(guī)模對LaserTagger的性能幫助很小。因此，在本文的各主要實驗中，詞典的大小均被設置為500。

構造編輯標簽序列

在定義好標簽、構造完詞典之后，就可以根據(jù)訓練語料中的源文本和目標文本構造出對應編輯標簽序列，進行有監(jiān)督學習。

構造編輯標簽序列的算法如圖4中偽代碼所示。該算法主要采用貪心匹配的思想，通過設置兩個指針（is與it）對源文本和目標文本進行遍歷，進而構造出標簽序列。值得注意的是偽代碼中并未給出PDELETE標簽如何生成。筆者猜測可能是由于PDELETE標簽與PKEEP標簽實際上可以相互替代（如圖5所示），在實驗中二者使用一個即可。

2.2 模型概述

本文設計的LaserTagger有兩種變體：LaserTaggerFF與LaserTaggerAR。前者Decoder部分采用前饋網絡（feed forward network），推理速度更快；后者Decoder部分采用的是1層Transformer Decoder，推理效果更好。兩種變體Encoder部分均與BERT-base結構相同，為12層Transformer Encoder。

3. Seq2Edits

Seq2Edits是Google Research在 “Seq2Edits： Sequence Transduction Using Span-level Edit Operations” 一文中提出的文本生成模型，該論文發(fā)表于EMNLP 2020。

本篇工作的主要改進有：

（1）與LaserTagger不同，Seq2Edits是在span-level上進行標簽標注。即，LaserTagger對每一個詞（token）標注一個編輯標簽，而Seq2Edits對一個或多個詞（span）標注一個編輯標簽。

論文作者認為在span-level上進行標注操作能夠更好地對局部依賴（local dependencies）進行建模，而對于語法糾錯等生成任務而言，人類實際解決這類問題時的主要根據(jù)也是span與span間的局部依賴，因此在span-level上進行標注操作也與人類實際解決問題時的思路相吻合。

（2）Seq2Edits將標注操作進一步細化，每一個span對應的編輯標簽都由一個三元組組成，相比LaserTagger的標簽定義方式粒度更細，因此可解釋性也更好。

（3）推理時間不再取決于目標文本的長度，而是依賴于編輯操作的規(guī)模。推理速度相比傳統(tǒng)seq2seq模型仍得到大幅提升。

3.1 主要方法

標注操作定義

Seq2Edits的標注操作與LaserTagger主要有兩點不同：（1）Seq2Edits是在span-level上打標簽；（2）Seq2Edits的編輯標簽被定義為三元組的形式。

編輯標簽被定義為一個三元組，其中代表編輯操作類型（例如修改標點，修改動詞形式等），代表編輯操作的結束位置（默認當前操作的開始位置為上一個標簽的結束位置），為替換短語（保留原文為）。

生成任務表示

設源文本為序列，長度為；目標文本為序列，長度為。

則傳統(tǒng)seq2seq思路下文本生成任務可表示為：

使用本文方法，則任務可表示為：

以圖7中句子為例，若源文本、目標文本分別為：

則編輯標簽序列為：

從源文本到目標文本的過程則可表示為：

從本文對生成任務的概率表示中可以看出，在每一個上，標簽三元組中相互并不是條件獨立的，而是有著一定的依賴關系，即：

因此，模型在預測標簽三元組時存在著先后順序：在第個上，先預測，然后預測，最后預測。

3.2 模型概述

在理解Seq2Edits生成文本的概率表示后就不難理解其模型結構。Seq2Edits沿用了標準的Transformer Encoder-Decoder結構，將Decoder分為A和B兩部分來分別預測標簽、和。Decoder A和Decoder B之間使用殘差連接（residual connections）。

對于位置標簽的預測基于pointer-network，使用了類似Transformer中attention的機制，即：其中（queries）來自歷史的decoder states，（keys）和（values）來自當前的encoder states。

本期介紹了Google Research的LaserTagger和Seq2Edits兩篇工作，下一期將繼續(xù)介紹Google的第三篇工作FELIX以及三篇工作的實驗評價部分和總結，敬請關注。

編輯：jq