<mark id="oztn4"></mark>
0
| 本文作者： 栗峰 | 2019-09-09 10:23 |
雷鋒網(wǎng)AI科技評(píng)論編者按：今年年初，OpenAI發(fā)布了一個(gè)非常強(qiáng)大的語言模型，可以模擬生成類似人類創(chuàng)作出的文本。通常在公告發(fā)布之后就會(huì)面向公眾發(fā)布模型，但這這次的公告不同以往，它表示這樣一個(gè)強(qiáng)大的工具可能會(huì)構(gòu)成危險(xiǎn)，因此只發(fā)布了一個(gè)較小、功能較單一的模型。
很快，除了學(xué)術(shù)的熱議之外，這則新聞還被傳到了大眾媒體上，在那里，人們用相當(dāng)簡單和夸張的方式描述它。在普通民眾中引起了恐慌；其他NLP人士中也提出了批評(píng)意見；甚至連他們內(nèi)部也提出了質(zhì)疑。六個(gè)月后，OpenAI終于決定發(fā)布完整的模型。
那么這個(gè)模型是如何訓(xùn)練的？它們是如何使用的？它們真的那么好嗎？真的具有危險(xiǎn)嗎？
本文將對(duì)以上問題做具體分析。
最近大多數(shù)人在談?wù)撜Z言模型(language models，LMs)的原因并不是說他們都在進(jìn)行文本生成研究，而是因?yàn)榻?jīng)過預(yù)先訓(xùn)練的LMs(比如OpenAI GPT-2或Google的BERT)可以用于在各種NLP應(yīng)用程序中生成文本表征，大大提高了它們的性能。這種效果類似于2013年預(yù)先訓(xùn)練過的單詞嵌入對(duì)NLP產(chǎn)生的影響。我推薦閱讀SebastianRuder的文章《NLP的ImageNet時(shí)刻已經(jīng)到來》，對(duì)此有很好的總結(jié)。雷鋒網(wǎng)接下來將帶你領(lǐng)略文本生成。
在文本生成中有兩種完全不同的應(yīng)用：
1、開放式文本生成：其目的是可以生成任何文本。它可以是一個(gè)特定的主題，也可以續(xù)寫上一段，該模型被賦予了生成任何文本的最好效果。
2、限制性文本生成：這個(gè)模型預(yù)期將生成一個(gè)特定的文本。更正式地說，就是給定一些輸入，模型應(yīng)該嚴(yán)格依據(jù)輸入文本來生成。最好的例子是翻譯：例如給出一個(gè)法語句子，模型必須用英語生成一個(gè)與法語句子的意思相同的句子。其他例子包括摘要(給定長文檔，生成包含文檔中重要細(xì)節(jié)的簡短文本)、圖像描述(給定圖像，生成描述它的文本)、語音到文本(轉(zhuǎn)換)、以及將文本轉(zhuǎn)換為代碼或SQL查詢。
這篇文章的重點(diǎn)是開放式文本生成。
二、 語言模型
我之前曾經(jīng)討論過機(jī)器翻譯的語言模型。簡單來說，語言模型是在文本中給定一個(gè)單詞來預(yù)測(cè)后續(xù)出現(xiàn)單詞的概率分布。分布在詞匯表上的所有單詞在總量上通常非常龐大(可能是幾十萬或更多)。
例如，“I'mtired, I want to”這個(gè)句子中的下一個(gè)單詞會(huì)是什么？一個(gè)好的語言模型會(huì)把高分分配給p(sleep|I'mtired, I want to)。像“bed”這樣的詞出現(xiàn)的概率應(yīng)該很低，雖然它是一個(gè)相關(guān)的術(shù)語，但它并不構(gòu)成語法句子；再者是“party”，雖然語法上正確但與邏輯相矛盾。整個(gè)句子的概率是每個(gè)單詞條件概率的乘積，使用鏈?zhǔn)椒▌t，給定前面的單詞：
p(I'mtired, I want to sleep) = p(I'm|<s>) * p(tired|<s> I'm) *p(,|<s> I'm tired) * p(I|<s> I'm tired,) *p(want|<s> I'm tired, I) * p(to|<s> I'm tired, I want) *p(sleep|<s> I'm tired, I want to) * p(</s>|<s> I'mtired, I want to sleep)
其中<s>和</s>分別標(biāo)記句子的開頭和結(jié)尾。請(qǐng)注意，我在這篇文章中使用了基于單詞的LM進(jìn)行演示，但是，可以將基本標(biāo)記定義為token或“Word部件”/“子詞單元”。
雖然LMs可以用來對(duì)某一文本在通常語言邏輯中出現(xiàn)的可能性進(jìn)行評(píng)分，但在這篇文章中，我們將討論它們的另一個(gè)常見用法，即生成新文本。
假設(shè)我們已經(jīng)訓(xùn)練了一個(gè)語言模型，我們?nèi)绾紊晌谋灸兀?/p>
我們用一個(gè)非常簡單的玩具LM來演示，它的詞匯量很小，僅有少量可能的話語：
要使用語言模型生成文本，必須逐個(gè)地生成，后面的符號(hào)由前面符號(hào)定義的分布決定。最基本的方法是在每一步簡單地使用最可能的詞。代碼將如下所示：
我們的玩具LM只生成句子“This LM is cool”。一般來說，這種生成方法是非常受限的，因?yàn)樗谋憩F(xiàn)單一，尤其是它更傾向于出現(xiàn)概率大的單詞，其中一些是虛詞，如限定詞(the，a，.)，介詞(on，in，of，.)。諸如此類。此外，據(jù)一些研究表明，最大概率生成的文本與人工生成的文本有很大不同。人們說話并不會(huì)考慮哪些單詞出現(xiàn)的概率更大、哪些句子更常規(guī)，而是要告訴聽眾對(duì)他們最有幫助，或者是他們還不知道的信息(根據(jù)Grice's Cooperative原則)。
另一種方法是根據(jù)語言模型從分布中抽樣，即從詞匯表中隨機(jī)選取一個(gè)單詞，與先前給定的單詞概率成正比。代碼如下所示：
你可能會(huì)注意到，多次運(yùn)行這個(gè)代碼，有時(shí)生成的LM并不符合常理，而有時(shí)這個(gè)LM是可用的。雖然這種抽樣方法傾向于產(chǎn)生更多樣化的文本，但它也不完美，因?yàn)楝F(xiàn)在有機(jī)會(huì)在每一個(gè)時(shí)間步中對(duì)一個(gè)生詞或無關(guān)的單詞進(jìn)行采樣，一旦模型完成，下一個(gè)單詞的生成就取決于這個(gè)生詞，這就是它可能會(huì)走下坡路的原因。
一個(gè)簡單的解決方案是將這兩種方法結(jié)合在一起，僅從分布中概率最大的top k 個(gè)單詞中抽取樣本。如下所示：
注意，在分布中只保留k個(gè)單詞之后，我們需要再次確保它們形成有效的概率分布，即每個(gè)數(shù)據(jù)在0到1之間，并且總和是1。
從分布頂端取樣的另一種方法是top p：將符號(hào)根據(jù)從大到小的概率排序，然后抽取符號(hào)，直到概率之和(也就是生成這些符號(hào)的概率)達(dá)到0到1之間的某個(gè)預(yù)定義值p為止。如果p值接近 0，那么模型將始終采用概率最大的token，而如果p值接近1，那么將從完整的分布中進(jìn)行采樣。
顯然這種方法相對(duì)于topk更加靈活，因?yàn)楹蜻xtoken的數(shù)量會(huì)根據(jù)所生成的前綴而改變。例如，對(duì)于像“I want to”這樣的文本就會(huì)有更多的候選者，而像“The bride andthe groom got”可選的token就不多（“married”應(yīng)該占很大一部分的概率）。
四、訓(xùn)練語言模型
我之前討論過N-gram語言模型，但是4年前它們就已經(jīng)過時(shí)了，取而代之的是神經(jīng)語言模型。神經(jīng)LM的基本訓(xùn)練算法如下：
不同的神經(jīng)LMs在基本token(即字、字符、字塊)和編碼器的選擇上有所不同。編碼器采用一系列單詞嵌入并返回表示相應(yīng)單詞序列的單個(gè)向量(例如: tired, I want to)。我以后可能會(huì)再寫一篇文章專門討論將文本編碼為向量的方法。本文我們僅將其視為黑匣子。下圖說明了訓(xùn)練方法（尤其是基于RNN的編碼器）：
神經(jīng)LMs相比于N-gram LMs，有兩個(gè)重要的優(yōu)勢(shì)：
1）N-gram LM通常根據(jù)前一個(gè)單詞預(yù)測(cè)下一個(gè)單詞，例如， I'mtired, I want to，3-gram LM只會(huì)根據(jù)最后3個(gè)單詞“I want to”來預(yù)測(cè)下一個(gè)可能出現(xiàn)的單詞，完全忽略了“tired”這個(gè)關(guān)鍵詞。N-gram LMs通常以小N(2 - 4個(gè))為基礎(chǔ)。(請(qǐng)參閱關(guān)于N-gram 語言模型的文章獲得詳細(xì)的解釋)。
2）N-gram LM是基于文本數(shù)據(jù)中每個(gè)文本出現(xiàn)次數(shù)的統(tǒng)計(jì)，它必須是逐字逐句的，“I'mtired”的出現(xiàn)次數(shù)與“I'm exhausted”的出現(xiàn)次數(shù)是完全不相關(guān)的，而神經(jīng)LMs卻學(xué)習(xí)將文本片段表示為向量，并在此基礎(chǔ)上預(yù)測(cè)下一個(gè)單詞。它可以通過分配相似的向量表征來概括語義相似的文本(結(jié)果是相同的預(yù)測(cè))。
一個(gè)重要的提示：當(dāng)前的LM訓(xùn)練有不同的訓(xùn)練目標(biāo)，即不再執(zhí)著于猜測(cè)句子中可能出現(xiàn)的下一個(gè)單詞。具體而言，BERT具有“掩蔽LM的目的”，即隱藏句子中的隨機(jī)單詞，并通過聯(lián)系上下文對(duì)后面出現(xiàn)的單詞進(jìn)行預(yù)測(cè)，在這些隱藏單詞的前后都用符號(hào)標(biāo)記。文本GAN（生成對(duì)抗網(wǎng)絡(luò)）由兩個(gè)組件組成：生成類似人類文本的生成器和經(jīng)過訓(xùn)練以區(qū)分人類生成文本和生成器生成文本的鑒別器。實(shí)際上，當(dāng)前基于GAN的文本生成的表現(xiàn)不如語言模型的生成。
五、評(píng)估文本生成
比較兩個(gè)用于解決相同任務(wù)的分類器的性能很容易。有一個(gè)測(cè)試集，每個(gè)數(shù)據(jù)點(diǎn)帶有真實(shí)標(biāo)注;使用模型預(yù)測(cè)測(cè)試數(shù)據(jù)的標(biāo)注，并計(jì)算每個(gè)模型與真實(shí)標(biāo)注相比的準(zhǔn)確度。我們會(huì)得到兩個(gè)數(shù)值，精度越高模型就越好。
但這對(duì)于文本生成來說卻并不奏效。
由于我們討論的是開放式文本生成，并不存在黃金標(biāo)準(zhǔn)文本（gold standard text）來評(píng)判模型的準(zhǔn)確度。
那么，我們?cè)撊绾闻袛嗄Ｐ偷馁|(zhì)量呢？
目前最好的方法就是，我們手動(dòng)去查看模型生成的部分文本的質(zhì)量來評(píng)判一個(gè)模型是否足夠優(yōu)秀。
為了更系統(tǒng)地做到這一點(diǎn)，我們可以通過向人們展示由我們的模型生成的文本和由某個(gè)基礎(chǔ)模型(或人類)生成的文本，讓他們對(duì)比評(píng)分，并對(duì)這些評(píng)價(jià)匯總，總結(jié)出對(duì)這些文本最準(zhǔn)確的評(píng)價(jià)。
但這種方法成本卻極高，而且耗時(shí)很長。因此，在模型開發(fā)的最后階段，它通常應(yīng)用于相對(duì)較少的文本，而不是在中間步驟去驗(yàn)證文本(這可能有助于改進(jìn)模型)。
另一種常用的方法是困惑度：根據(jù)定義，它是測(cè)試集的逆概率，由字?jǐn)?shù)來量化。我們希望得到一個(gè)盡可能低的困惑評(píng)分，這意味著測(cè)試集的概率是最大化的。也就是說，LM學(xué)習(xí)了一個(gè)類似于“truth”的概率分布。測(cè)試集是LM從未見過的文本，它的概率是通過逐字逐句的檢查并計(jì)算LM預(yù)測(cè)的每個(gè)單詞的概率來計(jì)算的。好的LM會(huì)將大概率分配給“正確的”(實(shí)際的)下一個(gè)單詞，而將小概率分配給其他單詞。
困惑度雖然是最常見的文本生成評(píng)價(jià)指標(biāo)，但由于種種原因也備受質(zhì)疑。主要是因?yàn)槔Щ蠖鹊母纳撇⒉坏韧谡Z言模型的改進(jìn)(它基本上不是象征質(zhì)量好的指標(biāo))。另外，也是因?yàn)槔Щ蠖炔荒苡脕碓u(píng)估文本生成模型，這些模型不會(huì)像GAN一樣產(chǎn)生單詞分布。如果你認(rèn)為限制性文本生成的評(píng)估指標(biāo)更好，那就要仔細(xì)考慮清楚了！
我之前討論過機(jī)器學(xué)習(xí)模型濫用的風(fēng)險(xiǎn)，結(jié)論是：如果有人惡意使用LMs，那么可能會(huì)造成危險(xiǎn)。
更具體地說，OpenAI的聲明表達(dá)了這樣一種擔(dān)憂，就是如果發(fā)布這種模型，可能會(huì)被用于大規(guī)模地生成虛假新聞。
雖然這有可能會(huì)發(fā)生，但目前文本生成的兩個(gè)限制可能會(huì)減少對(duì)LMs濫用風(fēng)險(xiǎn)的恐慌——至少暫時(shí)會(huì)。
人類發(fā)布假新聞通常有一定的目的，為了宣傳或者為了點(diǎn)擊量（擴(kuò)大廣告收益）。與人類不同，語言模型生成文本是沒有目的性的。這里提到的語言模型是為了生成看起來更加真實(shí)、連貫、與主題相關(guān)的文本。因此想要用它們來產(chǎn)生大規(guī)模的假新聞事實(shí)上并沒有那么簡單。
Grover是一個(gè)例外，它的目的是生成可控文本。也可以說，它就是因?yàn)榧傩侣劦漠a(chǎn)生而存在的，由幾個(gè)參數(shù)控制：域(如“紐約時(shí)報(bào)”)、日期、作者和標(biāo)題。然而，最重要的是，這個(gè)模型可以非常準(zhǔn)確地區(qū)分假新聞和真實(shí)新聞。它能識(shí)別出機(jī)器生成的文本和人類生成的文本之間的細(xì)微差別，即使文本是由另一種語言模型生成的，它也能準(zhǔn)確地區(qū)分它們。這其實(shí)說明了一點(diǎn)：機(jī)器生成的文本還不夠好（如果是以人類生成的文本為標(biāo)準(zhǔn)的話）。
當(dāng)然，今天生成文本已經(jīng)令人印象深刻。它具有語法性，在大多數(shù)情況下不會(huì)偏離主題。但這并不是說它就具有事實(shí)意識(shí)(看看它是如何延續(xù)以下句子的：GPT-2 is a language model ___)，它也沒有什么常識(shí)(舉個(gè)例子：she fell and broke her leg becausesomeone left a banana peel ____)。盡管有時(shí)人類無法判斷出一段文字是否是由機(jī)器產(chǎn)生，但有一些模型卻能很好地做到這一點(diǎn)。
一個(gè)機(jī)器人讓我們失望，而另一個(gè)卻沒有。
雷鋒網(wǎng)認(rèn)為害怕虛假信息可以理解，但至少在目前更擔(dān)心的是這些信息背后的人——那些使用模型制造虛假新聞的人，惡意傳播它的人，以及那些完全不知情的人。
也許，與其抗拒虛假信息技術(shù)，不如去訓(xùn)練人類辯證思維！
via: https://veredshwartz.blogspot.com/2019/08/text-generation.html
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
