【一起入门NLP】中科院自然语言处理第17课-详细介绍：红到发紫的Prompt是什么？【下】

在简明扼要：红到发紫的prompt是什么？中笔者从四大范式的发展入手简单介绍了Prompt的思想，并在OpenPrompt工具包如何使用？–【踩坑记录】中记录了使用OpenPrompt的细节，这篇文章笔者想要介绍一些Prompt的细节~

Prompt预测步骤与数学描述

🍄step1: Prompt Addition

这个步骤要完成两件事情：

1. 选择一个模板，这个模板中要有两个空，一个空[x]用来填入输入的句子，另一个空[Z]为将来的预测结果。
2. 在[x]中填入输入的字符串。
   
   下图中最下面一行就是X’
   

🍄step2: Answer Search

将X’输入语言模型，得到“最高分”输出

🍄step3: Answer Mapping

LM得到的输出，可能与下游任务需要的输出标签不一致，比如在下面这个例子中说LM的最高分输出为【很】，应该对应下游任务的输出标签【正向】。将LM输出映射为输出标签的过程就是answer mapping

函数形式表达为：

这里的map函数也别称为Verbalizer

Prompt 难题

对应prompt的三个步骤，需要解决以下三个问题：

1. 输入端：怎么样选取合适的Prompt，适配不同任务，同时把模型潜能激发出来（怎么 把Prompt结合输入的句子构成模型的输入）
2. 训练：怎样利用Prompt机制精调模型
3. 输出端：模型的输出（ Answer）可能与标签不同，拿到answer后如何往标准化的Y（标签空间）映射

Prompt 研究重点

1. Pre-trained Models ：如何选择语言模型？

如何选择语言模型在第三范式时就已经是一个重要的问题了。语言模型可以分为从左至右的语言模型和双向的语言模型。

1. Left-to-Right LM：从左至右的语言模型，是一种自回归模型，具有从左到右的顺序性，比如：“This is a good movie” good出现的概率与前面出现的单词有关。
2. Bidirectional LM：双向的语言模型，用上下文来预测mask的值。比如 “This is a [mask] movie” ,mask的预测与整个句子都有关。
   
   如果下游任务是翻译， 比如说 “ 好好学习，翻译成英文是：____” 需要预测的位置总在最右边，这就比较适合于 Left-to-Right的语言模型。如果下游任务是完形填空，比如说 “ 我去了北京？__ 我去了上海” 需要预测的位置在中间，与上下文都有关系，就应该选择一个双向的语言模型。

2. Prompt Enginering ：如何构造模板？

在这一步中，首先需要考虑prompt的形式，然后决定采用手动还是自动的方式来创建Prompt。

prompt形式

有两种：

1. 完形填空 cloze prompt : 用在如BERT-MLM式预训练模型上。如：「这个饼不错 ]，太 [Z] 了。Z一般在句中
2. 前缀提示 prefix prompt :用在如GPT2-3单向LM预训练模型上。如：「好好学习」，翻译成英文：[Z]一般在句末

选择哪种prompt 取决于任务和用于解决任务的模型。

• 对于有关生成的任务或使用标准自回归 LM 解决的任务，前缀 prompt 往往更有帮助，因为它们与模型从左到右的性质刚好吻合
• 对于使用掩码 (Mask) LM 解决的任务则完形填空 prompt合适，因为它们与预训练任务的形式非常匹配
• 全文本重建模型则可以与完形填空 prompt 或前缀 prompt 一起使用。

prompt创建方式

• 手工模板创建
  • 手工制作模板的策略很直观，且可以在一定程度上准确地解决各种任务，但方法也存在一些问题：创建和对这些 prompt 进行实验需要大量的时间和经验，特别是对于一些复杂的任务，例如语义解析等即使是经验丰富的 prompt 设计者可能也无法手工发现最佳的prompt
• 自动化模板创建
  • 自动化搜索的 prompt 可以进一步被分为离散 prompt（其中prompt 是一个实际的文本字符串）和连续 prompt（其中 prompt 直接在底层LM 的嵌入空间中进行描述。

3. Answer Engineering ：答案如何映射到标签？

Answer 工程的目的是搜索一个 answer 空间 Z 和一个到原始输出 Y 的映射，从而得到一个有效的预测模型。需考虑的两个维度：确定 answer 形式和选择 answer 设计方法。

answer 形式

answer 的形式决定了它的粒度，一些常见的选择包括：

• Token：预训练 LM 词汇表中的一个 token，或者词汇子集；
• Span：短的 multi-token span，这些通常与 cloze prompt 一起使用；
• 句子或文档：这些通常与前缀 prompt 一起使用。

补充：token是分词后的基本单元，“我很开心”分词为“我，很，开心”，这里就是三个token。span是一个范围，可以是一个或多个token组成。下图中的开心就是由span表示的。

比较好理解的是，对于机器翻译这样的任务，比较适合用句子来描述答案，对于分类任务，比较适合和用span或者token来描述答案。

answer 设计方法

下一个需要回答的问题是，如果答案不用作最终输出，如何设计适当的答案空间Z，以及如何映射到输出空间Y。也就是将下图中的“很”映射为“正向”，不映射为“负向”。有两种创建方式：手动创建 answer 和自动搜索answer

4. Multi-Prompt Engineering ：如何设计多个 prompt 获得更好的效果？

前面探讨的 prompt 工程方法主要集中于为输入构建单个 prompt。大量的研究表明，多重 prompt 可以进一步提升 prompting 方法的效果。常见的方法：

1. prompt ensembling：集成学习，把多个prompt通过某种加权方法组合到一起。如图（a）
2. prompt augmentation：启发式学习。对 prompt 进行数据增强。如图（b）
3. prompt composition：将复合的prompt句子，拆解成多个小段prompt，最后再组合在一起训练。如图（C）
4. prompt decomposition：由于一些任务的mask工作使用句子数量有限（如词性标注任务）固只能通过decomposition将一个句子拆分成多个部分后，再对每个部分做prompt单独训练。如图（D）
   

5. Prompt-based Training Strategies ：模型参数如何训练？

  在上一篇博客解释“为什么Prompt最大的优点是适用于零样本学习”时，已经提到了模型训练参数的问题，在这一部分我们再详细展开来看一下每一种策略的优缺点。
  在基于Prompt的下游任务学习中，通常存在两种类型的参数，即来自预训练模型的参数和Prompt的参数。根据(i) 底层LM的参数（LM params）是否被调优，(ii)是否有额外的与Prompt相关的参数（Additional），(iii)如果有额外的与提示相关的参数，这些参数是否被调优，总结了5种调优策略(如下图所示)。

• Prompt less Fine-tuning：直接使用下游任务进行训练，不用prompt，更新预训练参数；优点：简单，不需要设计prompt；缺点：小数据集上容易过拟合或者不稳定
• Tuning-free Prompting：基于prompt直接生成答案，无需调参。优点：简单高效；缺点：需要较重的prompt设计
• Fixed-LM Prompt Tuning：固定预训练参数，调整prompt参数，使下游任务更好作
  用于prompt的产生；优点：适合小样本学习；缺点：不适合零样本学习，prompt模版通常不再是人工设计的
• Fixed-Prompt LM Tunin：固定prompt参数，调整预训练参数
• Prompt+LM Fine-tuning：调整prompt参数，调整预训练参数。适合大数据集，小数据集易过拟合

总结

简要介绍Prompt
OpenPrompt工具demo实现

加上本篇文章，笔者分别用三篇博客完成了下面这些内容的介绍，希望有所帮助。

参考：
国科大胡玥老师自然语言处理课件
https://mp.weixin.qq.com/s/vyKCCjAEbuOxpKOd6zhz3w