雷鋒網訊，2014年，Google提出了Sequence-to-Sequence模型，旨在將句子文本映射到fixed-length向量，其中輸入和輸出的長度可能會有所不同。Seq2Seq通常應用於NLP領域的文本生成任務，例如摘要生成、語法糾錯、句子合併等。儘管最新的研究突得端到端的方法在文本生成上比之前更有優勢，但其本身存在的不可解釋性，一方面使得該模型需要大量的訓練數據才能達到可接受的性能水平，另一方面通常只能逐字生成文字，本質上是很慢的。
近日，Google研究團隊開源了一款文本編輯模型LaserTagger，可推理出一系列編輯操作，以將源文本轉換為目標文本。研究人員斷言，LaserTagger處理文本生成一般不易出錯，且更易於訓練和執行。
在此之前，Google已經發布了Meena，一個具有26億個參數的神經網絡，可處理多輪對話。1月初，Google在論文中還提出了Reformer模型，可處理所有小說。
GitHub鏈接：https://github.com/google-research/lasertagger
LaserTagger設計和功能
對於許多文本生成任務，輸入和輸出之間存在高度重疊，LaserTagger正是利用了一點。例如，在檢測和糾正語法錯誤或多個合併句子時，大多數輸入文本可以保持不變，只需修改一小部分單詞。然後，LaserTagger會生成一系列編輯操作，而非實際單詞。
Keep（將單詞複製到輸出中）
Delete（刪除單詞）
Keep-AddX（添加短語X到標記的單詞前）
Delete-AddX（刪除標記的單詞）
下圖對LaserTagger在句子合併中的應用進行了說明。
圖注：LaserTagger預測的編輯操作中，刪除“Turing”，添加“ and he ”。請注意，輸入和輸出文本存在的高度重疊。
所有添加的短語均來自受限制的詞彙表。該詞彙表是一個優化過程的結果，該優化過程具有兩個目標：（1）最小化詞彙表的大小和（2）最大化訓練樣本的數量，其中添加到目標文本的唯一必要單詞僅來自詞彙表。短語詞彙量受限制會使輸出決策的空間變小，並防止模型添加任意詞，從而減輕了“幻覺”（雷鋒網注：hallucination，模型在所生成的文本中，輸入信息中並不存在）的問題。
輸入和輸出文本的高重疊性的一個推論是，所需的修改往往是局部的並且彼此獨立。這意味著編輯操作可以高精度地並行推理，與順序執行推理的自迴歸seq2seq模型相比，可顯著提高端到端的速度。
結果
研究人員評估了LaserTagger在四個任務中的表現，分別是：句子合併，拆分和改述，抽象總結和語法糾正。結果顯示，使用大量訓練樣本情況下，LaserTagger與基於BERT的seq2seq基線成績相當，並且在訓練樣本數量有限時明顯優於基線。下面顯示了WikiSplit數據集上的結果，其中的任務是將一個長句子改寫為兩個連貫的短句子。
圖注：在100萬個樣本的完整數據集上訓練模型時，LaserTagger和基於BERT的seq2seq基線成績相當，但在10,000個或更少樣本的子樣本上進行訓練時，LaserTagger明顯優於基線模型（SARI得分越高越好）。
LaserTagger主要優點
與傳統的seq2seq方法相比，LaserTagger具有以下優點：
控制：通過控制輸出短語詞彙（也可以手動編輯或整理），LaserTagger比seq2seq基線更不易產生“幻覺”問題。
推理速度：LaserTagger計算推理的速度比seq2seq基線快100倍，能夠滿足實際情況下的實時問題。
數據效率：即使僅使用幾百或幾千個訓練樣本進行訓練，LaserTagger也會產生合理的輸出。實驗中，seq2seq基線需要成千上萬個樣本才能獲得相同的性能。
Google團隊最後寫道：“ LaserTagger的優勢在大規模應用時變得更加明顯，例如，通過縮短響應時間並減少重複性，改進了某些服務中語音應答的格式。高推理速度使該模型可以插入現有技術堆棧中，而不會在用戶端增加任何明顯的延遲，而改進的數據效率可以收集多種語言的訓練數據，從而使來自不同語言背景的用戶受益。 ”
相關鏈接：https://ai.googleblog.com/2020/01/encode-tag-and-realize-controllable-and.html（雷鋒網）
閱讀更多 雷鋒網 的文章
