本期導(dǎo)讀：近年來(lái)，序列到序列（seq2seq）方法成為許多文本生成任務(wù)的主流思路，在機(jī)器翻譯、文本摘要等絕大多數(shù)生成任務(wù)上都得到了廣泛的應(yīng)用。與此同時(shí)，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(yīng)用于一些文本生成任務(wù)，從而提升模型在生成任務(wù)上的表現(xiàn)。本期結(jié)合Google Research的三篇工作，對(duì)基于編輯方法的文本生成技術(shù)進(jìn)行介紹。

1. 引言

在文本生成任務(wù)中引入編輯方法的 motivation 主要有兩方面：

首先，基于Transformer結(jié)構(gòu)的seq2seq模型在當(dāng)前各項(xiàng)文本生成任務(wù)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(diǎn)：

（1）數(shù)據(jù)效率： 為使模型在文本生成任務(wù)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(jìn)行訓(xùn)練，時(shí)間長(zhǎng)，計(jì)算量龐大。

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

（3）可控性與可解釋性： 傳統(tǒng)seq2seq模型在輸出時(shí)會(huì)發(fā)生一些錯(cuò)誤。例如，產(chǎn)生輸入文本中并不支持的輸出（hallucination）。此外，模型在輸出時(shí)的可解釋性也較差。

其次，以句子融合、語(yǔ)法糾錯(cuò)等為代表的一些文本生成任務(wù)均具有 “重合”（overlap） 的特點(diǎn)，即源文本和目標(biāo)文本在語(yǔ)言上重復(fù)性較大，只需要對(duì)源文本做微小的改動(dòng)就能生成目標(biāo)文本（圖1）。因此從頭訓(xùn)練一個(gè)seq2seq模型然后自回歸地預(yù)測(cè)輸出就顯得較為浪費(fèi)?；诖?，復(fù)制機(jī)制（copy mechanism）的引入使得模型能夠?qū)Ξ?dāng)前輸出是復(fù)制原詞還是生成新詞進(jìn)行選擇。但即使模型使用了復(fù)制機(jī)制，仍需要較大規(guī)模的訓(xùn)練數(shù)據(jù)來(lái)滿足解碼時(shí)的詞匯量需求，從而保證模型性能。

綜上，在文本生成任務(wù)中引入文本編輯的方法，意在針對(duì)一些生成任務(wù)中的overlap特點(diǎn)，合理利用源文本與目標(biāo)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(biāo)文本的編輯過(guò)程（如哪些詞保留，哪些詞需要?jiǎng)h除等），與人類實(shí)際處理這類生成任務(wù)的思路不謀而合，從而也帶來(lái)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(xiàn)有：

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

（2）基于（1）的思路，設(shè)計(jì)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(wù)上進(jìn)行了對(duì)比實(shí)驗(yàn)，獲得了較好的效果。

2.1 主要方法

標(biāo)注操作定義

本文定義文本編輯操作標(biāo)簽由兩部分構(gòu)成：基本標(biāo)簽B和附加標(biāo)簽P，表示為。

基本標(biāo)簽分為兩種：保留（）或刪除（），指對(duì)當(dāng)前位置的token進(jìn)行保留還是刪除操作。

附加標(biāo)簽指需要在當(dāng)前位置插入新短語(yǔ)（可以是單個(gè)詞、多個(gè)詞或標(biāo)點(diǎn)等，也可以為空）。

在構(gòu)造編輯標(biāo)簽序列時(shí)，由匹配算法（見(jiàn)圖4）從訓(xùn)練語(yǔ)料構(gòu)造出的phrase vocabulary 中選出合適的短語(yǔ)插入。因此，若詞典的大小為，則編輯標(biāo)簽的總規(guī)模則約為。

此外，可以根據(jù)不同的下游任務(wù)定義一些特殊標(biāo)簽。例如在句子融合任務(wù)中有時(shí)需要交換輸入句子的語(yǔ)序，此時(shí)可以設(shè)置標(biāo)簽SWAP代表交換語(yǔ)序操作。

構(gòu)造phrase vocabulary

在構(gòu)造訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的編輯標(biāo)簽序列時(shí)，若詞典無(wú)法提供可插入的新短語(yǔ)，則該條訓(xùn)練數(shù)據(jù)會(huì)被篩掉。因此理想的詞典應(yīng)滿足以下兩點(diǎn)：一方面，詞典規(guī)模應(yīng)盡可能的??；另一方面，該詞典應(yīng)能夠盡可能的覆蓋更多的訓(xùn)練數(shù)據(jù)。

構(gòu)造詞典的步驟為：

（1） 將源文本和目標(biāo)文本對(duì)齊，計(jì)算出它們的最長(zhǎng)公共子序列（longest common subsequence， LCS）。

（2） 將目標(biāo)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(gè)phrases。

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

構(gòu)造編輯標(biāo)簽序列

在定義好標(biāo)簽、構(gòu)造完詞典之后，就可以根據(jù)訓(xùn)練語(yǔ)料中的源文本和目標(biāo)文本構(gòu)造出對(duì)應(yīng)編輯標(biāo)簽序列，進(jìn)行有監(jiān)督學(xué)習(xí)。

構(gòu)造編輯標(biāo)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(guò)設(shè)置兩個(gè)指針（is與it）對(duì)源文本和目標(biāo)文本進(jìn)行遍歷，進(jìn)而構(gòu)造出標(biāo)簽序列。值得注意的是偽代碼中并未給出PDELETE標(biāo)簽如何生成。筆者猜測(cè)可能是由于PDELETE標(biāo)簽與PKEEP標(biāo)簽實(shí)際上可以相互替代（如圖5所示），在實(shí)驗(yàn)中二者使用一個(gè)即可。

2.2 模型概述

本文設(shè)計(jì)的LaserTagger有兩種變體：LaserTaggerFF與LaserTaggerAR。前者Decoder部分采用前饋網(wǎng)絡(luò)（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(jié)構(gòu)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(jìn)有：

（1）與LaserTagger不同，Seq2Edits是在span-level上進(jìn)行標(biāo)簽標(biāo)注。即，LaserTagger對(duì)每一個(gè)詞（token）標(biāo)注一個(gè)編輯標(biāo)簽，而Seq2Edits對(duì)一個(gè)或多個(gè)詞（span）標(biāo)注一個(gè)編輯標(biāo)簽。

論文作者認(rèn)為在span-level上進(jìn)行標(biāo)注操作能夠更好地對(duì)局部依賴（local dependencies）進(jìn)行建模，而對(duì)于語(yǔ)法糾錯(cuò)等生成任務(wù)而言，人類實(shí)際解決這類問(wèn)題時(shí)的主要根據(jù)也是span與span間的局部依賴，因此在span-level上進(jìn)行標(biāo)注操作也與人類實(shí)際解決問(wèn)題時(shí)的思路相吻合。

（2）Seq2Edits將標(biāo)注操作進(jìn)一步細(xì)化，每一個(gè)span對(duì)應(yīng)的編輯標(biāo)簽都由一個(gè)三元組組成，相比LaserTagger的標(biāo)簽定義方式粒度更細(xì)，因此可解釋性也更好。

（3）推理時(shí)間不再取決于目標(biāo)文本的長(zhǎng)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(biāo)注操作定義

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

編輯標(biāo)簽被定義為一個(gè)三元組，其中代表編輯操作類型（例如修改標(biāo)點(diǎn)，修改動(dòng)詞形式等），代表編輯操作的結(jié)束位置（默認(rèn)當(dāng)前操作的開始位置為上一個(gè)標(biāo)簽的結(jié)束位置），為替換短語(yǔ)（保留原文為）。

生成任務(wù)表示

設(shè)源文本為序列，長(zhǎng)度為；目標(biāo)文本為序列，長(zhǎng)度為。

則傳統(tǒng)seq2seq思路下文本生成任務(wù)可表示為：

使用本文方法，則任務(wù)可表示為：

以圖7中句子為例，若源文本、目標(biāo)文本分別為：

則編輯標(biāo)簽序列為：

從源文本到目標(biāo)文本的過(guò)程則可表示為：

從本文對(duì)生成任務(wù)的概率表示中可以看出，在每一個(gè)上，標(biāo)簽三元組中相互并不是條件獨(dú)立的，而是有著一定的依賴關(guān)系，即：

因此，模型在預(yù)測(cè)標(biāo)簽三元組時(shí)存在著先后順序：在第個(gè)上，先預(yù)測(cè)，然后預(yù)測(cè)，最后預(yù)測(cè)。

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(jié)構(gòu)。Seq2Edits沿用了標(biāo)準(zhǔn)的Transformer Encoder-Decoder結(jié)構(gòu)，將Decoder分為A和B兩部分來(lái)分別預(yù)測(cè)標(biāo)簽、和。Decoder A和Decoder B之間使用殘差連接（residual connections）。

對(duì)于位置標(biāo)簽的預(yù)測(cè)基于pointer-network，使用了類似Transformer中attention的機(jī)制，即：其中（queries）來(lái)自歷史的decoder states，（keys）和（values）來(lái)自當(dāng)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(shí)驗(yàn)評(píng)價(jià)部分和總結(jié)，敬請(qǐng)關(guān)注。

編輯：jq