多樣性文本生成方法研究

徐楊

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

目前各種智能應(yīng)用出現(xiàn)在不同領(lǐng)域，例如：問答系統(tǒng)、對話系統(tǒng)等，這些應(yīng)用幾乎都涉及文本生成任務(wù)，該任務(wù)是自然語言處理領(lǐng)域的研究熱點(diǎn)之一。文本生成旨在通過機(jī)器自動(dòng)生成符合語法規(guī)范、滿足特定任務(wù)目標(biāo)的文本，例如：在問答系統(tǒng)中機(jī)器根據(jù)源文本及問題查詢，生成簡潔且相關(guān)的答案；在對話系統(tǒng)中機(jī)器利用對話歷史產(chǎn)生對當(dāng)前對話的回復(fù)。然而，隨著智能應(yīng)用的發(fā)展，人機(jī)交互體驗(yàn)更加受到重視，為了增加智能應(yīng)用的趣味性與可互動(dòng)性，生成的文本要求表現(xiàn)多樣性。例如：針對某些相似對話，聊天機(jī)器人如果只能產(chǎn)生特定的回答，將顯得枯燥無味，不利于聊天持續(xù)進(jìn)行。因此，多樣性文本生成是文本生成研究的重點(diǎn)問題之一。目前多樣性文本生成研究以神經(jīng)網(wǎng)絡(luò)的方法為主，利用Seq2Seq（Sequence-to-Sequence）模型對源文本編碼，然后再解碼產(chǎn)生目標(biāo)文本。本文第一部分對多樣性文本生成任務(wù)中面臨的問題及其主要原因進(jìn)行介紹與分析，第二部分重點(diǎn)介紹現(xiàn)階段各類解決多樣性文本生成問題的相關(guān)工作，尤其是變分自編碼方法。

1 問題描述及原因分析

1.1 問題描述

多樣性文本生成任務(wù)要求機(jī)器根據(jù)給定的文本信息自動(dòng)生成符合語法規(guī)范的、多樣的、相關(guān)的文本。Seq2Seq 模型在眾多文本生成任務(wù)[1-3]中均取得顯著效果，但該模型對輸入的相同源文本只能產(chǎn)生固定的輸出文本。例如：在聊天機(jī)器人中，向機(jī)器發(fā)送相同或相似的對話，機(jī)器只能產(chǎn)生固定的回復(fù)，這使機(jī)器顯得呆板、枯燥。此外，模型還傾向于產(chǎn)生數(shù)據(jù)集中較高頻的通用型文本，例如：總產(chǎn)生類似“I don’t know.”、“Me too.”的對話回復(fù)。以上兩方面問題顯示了Seq2Seq 模型并不直接適用于多樣性文本生成任務(wù)。

1.2 原因分析

普通的Seq2Seq 模型主要由兩部分構(gòu)成：編碼器與解碼器。首先編碼器接收輸入的源文本信息，將源文本信息編碼為特定的語義向量，然后解碼器利用該語義向量解碼出目標(biāo)文本。通常將一個(gè)單向Recurrent Neural Network（RNN）作為解碼器，每一解碼時(shí)刻生成一個(gè)詞，逐步產(chǎn)生詞序列作為輸出文本。從上述Seq2Seq 模型工作過程看出：在測試階段由于模型參數(shù)固定，向模型輸入相同源文本時(shí)，編碼器將源文本編碼為相同的語義向量，此時(shí)解碼器只能產(chǎn)生固定的輸出文本。因此，Seq2Seq 模型對于相同輸入只能得到相同輸出，不能直接產(chǎn)生多樣性文本。另外，在Seq2Seq 模型中廣泛使用最大似然作為優(yōu)化目標(biāo)，讓模型在訓(xùn)練過程中能盡可能地?cái)M合標(biāo)注的目標(biāo)文本。然而，個(gè)別標(biāo)注目標(biāo)文本大量重復(fù)出現(xiàn)在數(shù)據(jù)集中，出現(xiàn)頻率遠(yuǎn)高于其他文本，因此在最大似然優(yōu)化過程中模型自然會(huì)更加傾向于生成頻率高的文本。

綜合上述分析，導(dǎo)致Seq2Seq 模型生成文本多樣性較差的原因主要是：①模型結(jié)構(gòu)方面，模型只能將輸入源文本編碼為確定的語義向量，經(jīng)解碼后僅能生成相同文本；②優(yōu)化目標(biāo)方面，采用最大似然方法優(yōu)化模型參數(shù)，模型傾向于生成較高頻的通用型文本，缺乏多樣性。

2 多樣性文本生成方法

基于前文對Seq2Seq 模型生成多樣性文本面臨問題的分析，現(xiàn)有相關(guān)工作主要從以下兩方面展開：重新構(gòu)造模型優(yōu)化目標(biāo)函數(shù)、改變Seq2Seq 模型結(jié)構(gòu)。

2.1 重新構(gòu)造優(yōu)化目標(biāo)

Seq2Seq 模型損失函數(shù)通常定義為交叉熵，其損失的計(jì)算要求訓(xùn)練階段生成的文本必須與標(biāo)注文本一致，一旦不一致就懲罰，但實(shí)際上對于給定的源文本并非只有訓(xùn)練數(shù)據(jù)中的標(biāo)注目標(biāo)文本才能作為輸出，換句話說，交叉熵?fù)p失函數(shù)的懲罰側(cè)重于字面上的擬合，未進(jìn)一步度量生成文本語義與源文本語義相關(guān)性等，所以出現(xiàn)了一系列重新構(gòu)造優(yōu)化目標(biāo)的工作，其中最大互信息方法被廣泛使用。

Li 等人[4]利用最大互信息替代原最大似然優(yōu)化方法，兩者的主要區(qū)別在于最大化互信息除了考慮到對標(biāo)注目標(biāo)文本的最大似然優(yōu)化之外，還進(jìn)一步考慮了標(biāo)注目標(biāo)文本自身出現(xiàn)的概率大小，對于那些高頻的標(biāo)注文本施加更大的懲罰，以緩解模型傾向于生成高頻文本問題。然而計(jì)算互信息需要等文本生成結(jié)束，在生成過程中每個(gè)解碼時(shí)刻都涉及對詞表采樣，但離散詞表的采樣過程對模型參數(shù)是不可導(dǎo)的。為了解決此參數(shù)優(yōu)化問題，Li 等人[5]利用強(qiáng)化學(xué)習(xí)延遲回報(bào)特性，借助策略梯度方法將互信息作為回報(bào)的一部分反饋給模型進(jìn)行優(yōu)化。雖然不少工作證明了最大互信息的有效性，但其優(yōu)化過程也較為復(fù)雜，后續(xù)工作中提出了更為簡單、有效的啟發(fā)式方法。

Nakamura 等人[6]統(tǒng)計(jì)數(shù)據(jù)集語料后發(fā)現(xiàn)越高頻的詞越容易出現(xiàn)在通用型標(biāo)注文本中，他們在原始交叉熵?fù)p失函數(shù)中考慮利用詞自身頻率的倒數(shù)加權(quán)，降低了高頻詞占損失的比例，讓模型關(guān)注到更多較低頻的詞。該方法優(yōu)點(diǎn)在于簡單直觀，但其啟發(fā)式規(guī)則可能會(huì)受不同數(shù)據(jù)集的影響。

除了上述兩大類方法，不少工作考慮引入強(qiáng)化學(xué)習(xí)方法，基于各文本生成任務(wù)特點(diǎn)設(shè)計(jì)不同的回報(bào)函數(shù)對生成文本進(jìn)行評(píng)分，設(shè)計(jì)的回報(bào)函數(shù)避免了交叉熵?fù)p失函數(shù)嚴(yán)格懲罰生成文本字面擬合的問題。從原理上看，強(qiáng)化學(xué)習(xí)方法更適合于文本生成任務(wù)，但在實(shí)際應(yīng)用中強(qiáng)化學(xué)習(xí)面臨著較多優(yōu)化問題，例如：每次決策時(shí)面臨的候選動(dòng)作詞表空間較大，很難有效探索到高質(zhì)量樣本，此外，回報(bào)函數(shù)極大地影響了模型性能，合適的回報(bào)函數(shù)較難確定。

2.2 改進(jìn)Seq2Seq模型結(jié)構(gòu)

當(dāng)Seq2Seq 模型參數(shù)固定時(shí)，編碼器只能將輸入的相同源文本編碼為確定的向量表達(dá)，最終解碼器生成相同文本。從編碼角度看，編碼器的編碼方式限制了源文本語義表達(dá)的多樣性。為此，變分自編碼（VAE，Variational AutoEncoder）方法[7-9]被引入到文本生成任務(wù)中。與普通Seq2Seq 編碼方式不同，VAE 引入潛變量刻畫源文本語義分布，利用編碼器將輸入的源文本編碼為語義分布（通常假設(shè)為相互獨(dú)立的多元高斯分布），而不是特定的語義向量。解碼器在生成文本前需從語義分布中采樣出語義向量解碼。語義分布蘊(yùn)含了更具多樣性的語義表達(dá)，為解碼器提供了可變的源文本語義向量。因此，變分自編碼方法通過改進(jìn)Seq2Seq 模型結(jié)構(gòu)，注入了更多樣的源文本語義。

Bowman 等人[10]較早將VAE 引入文本生成任務(wù)，他們發(fā)現(xiàn)直接將VAE 用于文本生成任務(wù)會(huì)出現(xiàn)KL 損失降為0 問題（KL 消失），即：優(yōu)化目標(biāo)中KL 項(xiàng)損失降為0。當(dāng)VAE 優(yōu)化目標(biāo)中的KL 損失降為0 后，VAE模型逐漸退化為普通Seq2Seq 模型，此時(shí)生成文本的多樣性依舊有限。他們還指出原因在于RNN 解碼器在當(dāng)前時(shí)刻會(huì)依賴之前解碼時(shí)刻及上一時(shí)刻的標(biāo)注詞，這種較強(qiáng)的依賴關(guān)系使當(dāng)前解碼時(shí)刻更多關(guān)注到之前時(shí)刻的狀態(tài)信息與當(dāng)前時(shí)刻輸入的標(biāo)注詞信息，忽略了引入的潛變量，所以注入到潛變量中的多樣性語義不起作用。Bowman 等人提出了兩個(gè)啟發(fā)式方法改變模型的訓(xùn)練過程，首先在訓(xùn)練開始時(shí)將優(yōu)化目標(biāo)中的KL 損失項(xiàng)權(quán)重置為0，隨著訓(xùn)練進(jìn)行再逐漸增加KL 項(xiàng)權(quán)重至1，然后在解碼過程中隨機(jī)遮蔽一定比例的標(biāo)注詞，盡量削弱解碼器各解碼時(shí)刻間的依賴關(guān)系，迫使當(dāng)前解碼時(shí)刻能更多關(guān)注到來潛變量提供的語義信息。雖然以上兩種啟發(fā)式方法能在一定程度上提高生成文本的多樣性，但實(shí)際效果受超參數(shù)影響較大，例如：當(dāng)遮蔽比率過大時(shí)，模型擬合性能下降；反之則起不到遮蔽效果。此后，不少工作進(jìn)一步針對VAE 在文本生成中存在的KL 消失問題展開了進(jìn)一步研究與分析。

Bahuleyan 等人[11]研究發(fā)現(xiàn)當(dāng)直接傳遞源文本信息到RNN 解碼器會(huì)更容易出現(xiàn)KL 消失問題，因?yàn)楫?dāng)解碼器能夠直接訪問到源文本信息后，會(huì)逐漸繞開潛變量，使后續(xù)解碼過程忽視潛變量。普通的注意力機(jī)制本質(zhì)上是對源文本信息的一種加權(quán)，此時(shí)解碼器通過注意力機(jī)制得到的上下文向量同樣相當(dāng)于直接訪問源文本信息，所以容易出現(xiàn)KL 消失問題。Bahuleyan 等人提出了變分注意力機(jī)制緩解解碼器繞過潛變量的問題，將原來確定的上下文向量轉(zhuǎn)化為潛變量分布，讓解碼器訪問源文本信息時(shí)不能繞過潛變量。

原始VAE 是作為自編碼方法，后續(xù)研究進(jìn)一步提出了針對給定源文本情況下目標(biāo)文本生成概率的建模方法——條件變分自編碼方法（CVAE，Conditional Variational Autoencoder）[12]。CVAE 與VAE 的主要區(qū)別在于兩者建模過程中學(xué)習(xí)的分布不同以及模型輸入不同。VAE 模型的輸入只有源文本，而CVAE 需同時(shí)輸入源文本與標(biāo)注目標(biāo)文本，因CVAE 需建模一個(gè)后驗(yàn)分布，并從后驗(yàn)分布中采樣參與解碼器訓(xùn)練。此外，CVAE 還需學(xué)習(xí)一個(gè)條件先驗(yàn)分布，該分布未直接參與解碼器訓(xùn)練過程。由于CVAE 訓(xùn)練過程中直接將標(biāo)注目標(biāo)文本作為輸入，而測試階段沒有標(biāo)注文本，所以測試階段無法直接使用后驗(yàn)分布，而是從條件先驗(yàn)分布中采樣生成文本。因此，CVAE 模型在訓(xùn)練和測試階段分別從不一致的分布中采樣，使模型性能在測試階段明顯下降。

之后，不少基于CVAE 的方法被提出來解決多樣性文本生成問題，例如：Zhang 等人[13]為了增強(qiáng)解碼器與潛變量之間的關(guān)聯(lián)，引入了一個(gè)標(biāo)簽網(wǎng)絡(luò)，學(xué)習(xí)了標(biāo)注目標(biāo)文本的自編碼表達(dá)，然后利用均方誤差損失懲罰潛變量與標(biāo)注文本自編碼表達(dá)的距離。雖然該工作在一定程度上提升了生成文本的多樣性，但依然面臨CVAE 訓(xùn)練階段與測試階段間的非一致性采樣過程。

上述VAE/CVAE 方法主要改進(jìn)Seq2Seq 模型結(jié)構(gòu)，引入潛變量對源文本語義分布建模，為解碼器提供了更多樣的源語義表達(dá)，解決了原編碼器僅能將源文本編碼為確定語義向量的問題。變分編碼方法作為目前用于多樣性文本生成任務(wù)的流行方法，提高了生成文本的多樣性，但不可否認(rèn)此類方法在優(yōu)化過程中依舊面臨挑戰(zhàn)，現(xiàn)有緩解KL 消失問題的方法大多從是問題表面出發(fā)的或者啟發(fā)式的，仍缺乏理論上的分析與論證，因此，對于KL 消失的根本原因還值得深入研究。

3 結(jié)語

本文首先描述了多樣性文本生成任務(wù)的研究背景與意義，然后分析了多樣性文本生成任務(wù)中面臨的問題及主要原因（編碼器只能將源文本編碼為確定的語義向量、模型傾向于生成數(shù)據(jù)集中高頻的文本），接著分別以上述兩原因?yàn)榍腥朦c(diǎn)，重點(diǎn)介紹了從重新構(gòu)造模型優(yōu)化目標(biāo)、改變Seq2Seq 模型結(jié)構(gòu)兩角度解決多樣性文本生成問題的現(xiàn)有工作，其中重點(diǎn)分析了目前基于VAE/CVAE 的相關(guān)工作。VAE/CVAE 引入潛變量對源語義分布建模，Seq2Seq 方法注入不同的源語義表達(dá)，提高了生成文本的多樣性，然而此類方法仍面臨優(yōu)化挑戰(zhàn)（KL 消失問題）。雖然現(xiàn)有工作提出方法在一定程度上緩解了KL 消失問題，但仍缺乏理論上的分析與論證，如何從根本上解決KL 消失問題依然是待攻克的難題。