AIGC的浪潮下，文本生成发展得怎么样了？_aigc文本开源项目

1 月 12 日，在机器之心 AI 科技年会 AIGC 技术应用论坛上，澜舟科技创始人兼 CEO、中国计算机学会 CCF 副理事长、创新工场首席科学家周明发表了主题演讲《文本生成研究进展》。

以下为演讲的详细内容，机器之心进行了不改变原意的编辑、整理：

我今天主要介绍一下文本生成，尤其是可控文本生成目前的几个重要研究进展，包括文本生成基本方法与应用、文本生成中的可控方法研究、文本生成中如何融入知识和常识，长文本生成方法以及文本生成中的解码方法。在此之后，我会介绍一下澜舟科技在文本生成方面的最新项目。

首先我来介绍一下文本生成的任务和主流的框架。文本生成的任务定义是输入结构化的数据、图片或者文本来生成一段新的文本。例如输入结构化的数据、输入一张图片，或者输入若干关键词来生成文本。目前的主流生成模型都是基于 Transformer 架构的编码器 - 解码器框架，如下图所示。

Transformer 是谷歌在 2017 年提出的一个架构体系，可以利用多头注意力模型来扩展不同的信息抽取能力，并且利用多层的神经网络架构来实现更加精准的编码和解码过程。

可控文本生成是指我们希望生成文本不是随意生成的，而是能够把一些要素添加进去，比如情感的要素，关键词的要素，主题的要素和事实的要素，如下图所示。

面向文本生成的预训练模型，有像 GPT 这样的自回归解码器模型，例如最新的 ChatGPT，它主要的模型架构是 GPT-3.5 的 InstructGPT。当然也有一些其他类型的模型，例如 BART 是自编码解码器模型，还有 T5 是多任务编码器 - 解码器模型。

文本生成面临的问题很多，我这里总结了 4 点：

• 常识错误；
• 内容逻辑错误；
• 内容发散；
• 语句重复。

解决当下文本生成问题的关键技术有如下几点：第一是如何来改进文本生成的可控性；第二是如何改进事实的正确性；第三是如何改进文本生成的前后一致性和连贯性。第四是如何克服重复生成，如何增加多样性等等。下面我就逐一快速介绍一下。

首先我介绍一下文本生成中的可控方法。可控方法目前有几种：

• 第一种是调整解码策略，使得生成的结果尽可能地包含目标的内容，也就是我们所指定的主题关键词；
• 第二种是调整训练的目标函数，构建面向特定任务的可控训练目标函数；
• 第三种是调整模型输入，通过输入控制元素来影响生成的结果。

下面我对这几种方法逐一展开介绍。第一个是基于加权解码的可控文本生成。当我们想生成一句 positive 的话，就会希望下一个生成的词接近 positive，所以这就需要添加一个控制器。原始模型是基于前面的词预测下一个词的 GPT 模型。加一个控制器就意味着如果下面的词是 positive 的，我们就更加倾向于选择它，因此加了一个这样的控制器来控制解码的过程。其中，控制器中的参数 λ 是固定的。

我们有时需要根据上下文信息，增加或减少某些词的输出概率，做一个动态的调整，所以我们可以加入一个动态的解码权重。

可控文本生成也可以用 prompt 的方式。我们已经有一个预训练模型，可以用一些提示词的方式来生成可控结果，比如我们要生成正面情感的一句话，可以输入「这首歌充满感情」这句话，输出的结果可能就倾向于正面。但是这种方法需要人工地针对不同场景找到相应的提示词。这是很花工夫的一种方法。

另一种方法，我们针对可控要素生成一个连续向量（prefix）来代替具体的 prompt，与传统的经典预训练模型（例如 GPT）组合在一起来体现某些可控要素。

有一种特别简单的方法是我每生成一种情感或者要素，就构建一个网络，每次都从头开始训练网络。还有一种改进的方法是基础的网络不变，只是每次针对具体的生成目标来调整 prompt。这方面已经出现了一些具体的进展，比如基于对比学习的可控文本生成方法：要生成一个 positive 的要素，在做 positive 要素的模型时，就试图让生成结果尽可能逼近 positive，远离 negative。这就是将对比学习的机制引入到模型训练中。

还要特别关注一个叫可持续学习的方法。通常在训练一个文本生成模型时，每添加一个要素，都可能重新训练或者调整网络。我们考虑在增加一个新要素时，能否复用（reuse）已有的网络。这里有一种研究方法是在层间加入一个自适应的组合模块，来进行轻量化的微调，提高训练效率。

当我们加入一些自适应的组合模块，只需调整需要调整的模块。并且在加入新任务时，最大限度地 reuse 已有的一些模块，来提高训练效率。这种具体的学习方法是当面对一个有新要素的文本生成任务，我们通过计算的方法来选择网络之间已有的自适应模块，选择跟训练目标最接近的模块，这样就从每一层到最后一层形成一个选择路径。如果没有一个特别合适的已有自适应模块，那么就添加一个新的自适应模块。然后再利用大规模的微调（fine-tune） 数据调整整个网络，就可以得到一个针对新要素的文本生成网络。

下面我解释一下文本生成中如何融入常识和知识。在真实世界中，无论是不同的场景，不同的领域，都有自己的一些特定知识体系，包括常识知识和事实知识。我们希望在文本生成中融合这些常识和知识。一种通用的方法是根据文本生成的输入和关键词或要素，来触发相应的知识库条目，并融入到生成模块中，以产生一个更好地体现知识和常识的输出。

另一种方法是隐含地融合常识和知识，就是我们把常识 - 结构化的三元组转换成常识的自然语言描述形式，并把这些自然语言的描述形式加入到训练数据中继续训练，GPT 就是这种文本生成模型。

我们也可以显式地融合常识和知识，具体流程如下：首先根据上文来预测未来的关键词，从常识和知识库中检索相应的常识和知识条目，把检索结果加入到原有的上文中，并依此得到一个新的输出结果。

还有一种方法是根据输入得到一个结果，动态地生成一些参考知识条目，把这些知识条目再融入原输入来得到一个输出。这个任务就变成根据一个输入的句子，如何来触发（trigger）或者生成相应的知识条目。假设我们有大规模的对话 Q&A 和一个知识库，首先我们根据 Q&A 寻找出匹配的知识条目，得到训练文本，根据训练文本，输入一个句子，就可以触发或者生成一些新的知识条目，我们选择概率最大者加入到生成过程中。

下面我再介绍一下长文本生成的方法。由于建模能力的问题，非常长的文本就没办法生成很好的结果了。一种简单的方法就是两阶段生成方法。

首先我们做一个 planning 的阶段，生成一些关键词来代表 storyline。把输入和 storyline 都加入到文本生成模块中，作为输入来产生一个更长的句子。这样的过程可以迭代分层，每次产生更多的 storyline，直到产生足够的 storyline，然后再去得到一个文本生成的结果。

还有一种方法是基于隐变量的长文本生成方法。这种方法的思路是：一篇自然的文本可以分割为多个连续的语义片段，每个片段围绕一个主话题展开；提出片段级词袋重构目标，使离散隐变量建模每个语义片段中的话题信息；利用话题感知的隐变量序列指导文本生成，使生成的内容与输入更相关且语义片段之间具有语义关联。

我们也可以基于动态规划来做长文本生成。现在的两阶段长文本生成，规划和生成二者是分离的，存在错误累积问题。基于动态规划的方法就是将规划和生成联合在一个模型中，并给定一个文本生成的输入来动态产生一个隐变量（SN），再生成组成下一个句子的单词序列，同时生成代表下一个句子的隐变量，然后持续生成。

上图右是具体的流程示意图，给定输入，编码器的输出结果作为解码器的输入，解码器先输出代表一个句子的隐变量 SN_1，然后隐变量生成 Bag-of-words，用于词序列信息的学习，然后基于生成的前文和 SN_1 再生成下一个句子的隐变量，持续地进行输出。

这样就相当于先生成了一个句子的架构，再根据句子架构生成具体的词序列。这样就对整体句子结构有很好的控制能力。也可以利用记忆网络的长文本生成方式来做，每一层都加入一个记忆网络。在输出的时候，记忆网络跟当前 encoder 的结果一起决定输出的结果。我这里就不一一介绍记忆网络的训练公式了。

下面我介绍一下文本生成中解码方法的研究。文本生成一般是依靠一个编码器和一个解码器，解码器是逐词进行解码。

神经文本生成模型常用的解码策略是 Greedy search 和 Beam search。它们都存在一个问题，就是输出的时候可能出现重复的词或者片段，这个不容易控制。

当前针对这个问题的两种已有方法，一个叫 Top-K k sampling，一个叫 Top-p sampling，都是从概率最高的 n 个词中采样，或在概率最高的空间内选择，随机选择输出的结果，再持续往下输出，这样就改进了多样性。

为了解决重复生成的问题，这类方法还引入了一种叫对比训练的方法。如果输出的结果跟前面已经生成的结果有很大的重复性，则对它进行一定程度的惩罚，以减少重复生成的情况，生成多样化的文本。

这里我简单总结一下，刚才我介绍了可控文本生成的关键技术、可控生成融入常识和知识、文本生成解码方法等等。

未来还有很多需要探索的方向，例如现在的可控主要集中在情感关键词方面，而篇章的可控，多样性的可控，细粒度的可控目前都做得不够。在融入常识和知识方面，当前的方法都是利用知识图谱中的三元组，这种方法知识获取难度比较高，还需要进行有效改进。

长文本生成则需要对主题一致性、事实一致性、文章层次结构和前后逻辑进行学习。还有记忆网络的能力如何进一步提升？这些都需要我们进行更多的探索。

最后，在多样化解码能力方面，从词汇到短语到单句到跨句，都有一些改进空间。