NLP中文本生成任务

文本生成任务

1.生成式任务
2.自回归模型实现
3.Encoder-Decoder结构
- 3.1Attention机制出现
- 3.2Attention思想
- 3.3soft - Attention
- 3.4hard - Attention
- 3.5Teacher Forcing
- 3.6详解Mask Attention
- - 3.6.1通过Mask控制训练方式
4.生成式任务评价指标
5.生成式任务常见问题
- 5.1采样策略
- 5.2指针网络-pointer-network
- 5.3T5

1.生成式任务

释义： 输出Y没有预设的范围，受输入X影响

各领域应用：

在人工智能的各个领域都有，包括很多跨领域任务
图像领域：图像/视频生成, 图像补全等
语音领域：语音合成等
文本领域：机器翻译等

在NLP中，输入输出均为不定长的序列；如：机器翻译、机器作诗、自动摘要等。

2.自回归模型实现

释义： 基于语言模型和一段“引言”，生成后续文本。

训练示意图： 即错位进行训练
在这里插入图片描述
预测时：

释义：通过“引言” 预测出下一个字，将下一个字拼接到引言中，再次放入模型预测，反复执行，直到到达设置的停止条件，比如预测出结束符或者是达到预测文本长度。

3.Encoder-Decoder结构

简介： Encoder-Decoder结构是一种基于神经网络完成seq2seq任务的常用方案
释义： 下面是一个简单的LSTM网络的Encoder-Decoder结构

Encoder：即直接将文本转化为向量，并且对其中的语义进行一定的理解，输出为向量
Decoder：接收经过一定处理的Encoder信息，将其按照需要解码为对应的字符输出，这一步也会涉及对向量的信息进行一些理解。

3.1Attention机制出现

在这里插入图片描述
引子：

截图中可以看出，Decoder部分的解码内容，每个解码信息和前面的Encoder传递的内容关联度不一样，有的甚至没有关系。
Encoder的内容和Decoder的每个实际解码内容重要性不一样，LSTM网络构成结构中，将Encoder的信息全部拿去参与Decoder就不太好。只需要拿关键的重要信息即可
找到Encoder输入的信息与Decoder的信息的重要性关联关系，这样的机制就叫注意力机制，即Attention。

举例
在这里插入图片描述
文本中每个词对于结果的影响是不同的，可以认为他们应当被赋予不同的权重，这种权重也可以称为attention；比如好换为难，意思即完全相反。

3.2Attention思想

改进版本：
在这里插入图片描述
释义： 改进版本后，每次计算在Decoder解码时的attention矩阵。

实现思路：

Query是Decoder解码的内容，上一个解码的词，会加入到下一个词的解码中，这是LSTM的网络设计
key是Encoder编码后输入到Decoder的内容，因为输入的内容在具体解码的步骤的重要性不一样，中间加入了注意力矩阵。
注意力矩阵是找出Encoder输入中，对下一个预测的重要性，该矩阵需要从Decoder上一个输入、和Encoder输入计算的来。
4.即在Decoder预测第二步的结果时，先通过Decoder第一步输出，结合Encoder输入，计算出当前权重矩阵。再将Encoder输入与权重矩阵计算，得到注意力结果，结合Decoder第一步输出，解码出第二步结果。
5.第一步没有解码结果时，会有一个预设的编码代替。

3.3soft - Attention

在这里插入图片描述
注意： 这里的Value就是输入的key，即Encoder结果；其他逻辑没变。

3.4hard - Attention

在这里插入图片描述
注意：相对于soft-attention，这里将计算的注意力结果更加极端，之前是a1,a2,a3，a4概率加和为1；其中比较重要的概率较大；通过one-hot即，概率大的为1；其他的为0；结果就只和某些关键信息有关。

释义： 使用部分隐向量计算attention
在这里插入图片描述

3.5Teacher Forcing

释义： 即每次训练数据都使用正确的内容进行训练。

详细讲解

现在有一个文本生成任务，需要通过输入x1,x2,x3;生成y1，y2，y3
训练过程如下:
第一步：s1: x1, x2, x3 … xn, - > y1
第二步：s2: x1, x2, x3 … xn, , y1 - > y2
第三步：s3: x1, x2, x3 … xn, , y1, y2 -> y3
关键点： 需要第一步的预测结果，y1参与到第二步训练中，那么y1，模型能够百分比预测准吗？
不能，模型前期训练时，准确率更低
怎么办？

每一步的训练，都使用正确的内容来训练，即第一步y1预测的值，不作为第二部训练数据，第二步训练时，直接使用正确预测值参与训练。这样，第一步到第三步，都可以一起训练，效率提高；这就是Teacher Forcing；和模型预测时逻辑不一样，有信息泄露问题，但是训练材料较大时，就没有啥问题了。
训练时，第二步预测，采取第一步预测的结果，不管第一步预测结果对不对。即和模型预测时逻辑一样。

3.6详解Mask Attention

引子： 下面是一个经典的transformer的网络结构图，在右侧Decoder部分，与Encoder不同的地方在于Masked Multi-Head Attention
在这里插入图片描述
在实际预测中：

1.上述transformer的左侧输入信息，经过Encoder，成为K、V值，输入到右侧的Multi-Head Attention中。
2.右侧输入就是需要预测的值，第一轮输入时，即为< sos >，预测的头信息，经过Masked Multi-Head Attention计算后，成为Q值，参与到下一步的Multi-Head Attention计算，最后的到第一个预测结果
3.第一个预测结果出来后，加入到< sos > 后面，开始第二轮预测，即重复步骤2
4.从上面步骤可以得知，Masked Multi-Head Attention主要是计算预测值之间的注意力关系。

在实际训练中：

实际训练中，在右侧输入到Masked Multi-Head Attention的预测值，是完整的一句话。如果不做处理，就和预测时不一样了，预测时，前面预测的值，在预测时，是没有计算和后面值得注意力结果得。
需要将完整得预测值输入，进行批量得训练，怎么办呢？
3.将前面预测值和后面预测值得关联关系，遮住，也就是masked的由来

下面就是Masked过程

计算出预测值之间的注意力关系时，将实际预测中，前面没有办法关注到后面预测值的注意力分数，减去一个较大的值。得到下面右侧的图。
由于实际预测中，不存在的注意力分数，即右上角的-inf，减去较大值后，较小；经过Softmax后，就得到右侧的注意力分数了。当然：实际中，是不会有0值的，可以理解经过softmax后，值会很小，这部分注意力分数几乎不影响。

3.6.1通过Mask控制训练方式

在这里插入图片描述
释义：

Bidirection LM的训练方式，代表模型是BERT
Left-to-Right LM的训练方式，代表模型是GPT，相当于Decoder only
Seq-to-Seq LM的训练方式，可以类比为翻译任务，根据已知的输入句子，输出一个句子，可以类比理解为原来的模型T5，相当于使用Encoder-Decoder的含义
拓展，预训练模型GPT的微调，一般就可以理解为使用的Seq-to-Seq LM的训练方式

4.生成式任务评价指标

简介： 生成式任务的评价指标和其他的任务不太一样，并且在当前的发展情况下，没有太统一的方案。

原理：

本身这个评价方法是在翻译任务中的
采用的是N-gram的方式，将翻译的内容，和标准的翻译内容，进行字词的匹配，比如1-gram、2-gram、… n-gram;
这样就得到了，机器翻译的内容，在标准内容中，是否存在，存在多少，和其预测的词梳理比，得到一个概率
Wn是指采用不同的长度的词得到的概率，最后在相加时，设置的比重。
BP是惩罚函数；即在机器翻译的内容比标准翻译的长度短时，举例：机器预测：of the；标准译文：Red is one of the primary colors.这种情况，按照上面的计算方式仍然是100%；所以需要有一个惩罚函数。
6.机器预测比标准译文长，按照固有计算方式，就会降低其评价的指标。

拓展： ROUGE评价指标和上述方案类似，不做详细介绍。

5.生成式任务常见问题

1 .语言模型文本生成结果有时会出现段落不断重复的现象。

解决方案： 1.优化模型，增大模型参数，提供广泛的训练数据
2.采样策略相关参数调整

5.1采样策略

Beam Size：是指在序列标注任务中的解码路径保留条数。在生成式任务中也可以使用。

示意图：
在这里插入图片描述

Temperature Sampling： 输出每个字的概率分布时，通过参数T，对softmax部分做特殊处理，temperature越大，结果越随机；反之则约固定。
原理： 就是在原来的Softmax函数中，添加分母T，公式如下：由于函数的性质，往右其取值约来越陡；往左越平缓。那么就导致，T特别大时，不同的字的概率被压缩的比较小，最后导致概率接近。T特别小，则原理概率大的预测，更是被放大，不同的字之间预测的概率差距较大。
在这里插入图片描述
示意图：

Top-P： （动态）采样时，先按概率从高到。低排序，从累加概率不超过P的范围内选择。取值范围0-1。
详细释义： 在CRF中，当前预测值，有多个，每个预测值的概率不一样，还需要计算前面的预测值选择对当前预测值的影响，来综合选择。在这种情况下，当前预测值的词表大小是非常大的，上万，按照当前节点预测的概率，从高到低进行，进行前后文计算。前节点的预测值有高到达，选择概率和在Top-P之内的，进行前后文计算，其他的就不管了。