基于seq2seq文本生成的采样策略、解码策略

基于seq2seq文本生成的解码、采样策略？

基于Seq2Seq模型的文本生成有各种不同的decoding strategy。文本生成中的decoding strategy主要可以分为两大类：

• Argmax Decoding: 主要包括beam search, class-factored softmax等
• Stochastic Decoding: 主要包括temperature sampling, top-k sampling等。

在Seq2Seq模型中，RNN Encoder对输入句子进行编码，生成一个大小固定的hidden state $h_c$ ；基于输入句子的hidden state $h_c$ 和先前生成的第1到t-1个词$x_{1:t-1}$，RNN Decoder会生成当前第t个词的hidden state $h_t$ ，最后通过softmax函数得到第t个词 $x_t$ 的vocabulary probability distribution $P(x|x_{1:t-1})$。

两类decoding strategy的主要区别就在于，如何从vocabulary probability distribution $P(x|x_{1:t-1})$中选取一个词 $x_t$ ：

• Argmax Decoding的做法是选择词表中probability最大的词，即$x_t=argmaxP(x|x_{1:t-1})$ ;
• Stochastic Decoding则是基于概率分布$P(x|x_{1:t-1})$ 随机sample一个词 $x_t$，即 $x_t\sim P(x|x_{1:t-1})$ 。

在做seq predcition时，需要根据假设模型每个时刻softmax的输出概率来sample单词，合适的sample方法可能会获得更有效的结果。

1. 贪婪采样

1.1 Greedy Search

核心思想：每一步取当前最大可能性的结果，作为最终结果。

具体方法：获得新生成的词是vocab中各个词的概率，取argmax作为需要生成的词向量索引，继而生成后一个词。

1.2 Beam Search

核心思想：beam search尝试在广度优先基础上进行进行搜索空间的优化（类似于剪枝）达到减少内存消耗的目的。

具体方法：在decoding的每个步骤，我们都保留着 top K 个可能的候选单词，然后到了下一个步骤的时候，我们对这 K 个单词都做下一步 decoding，分别选出 top K，然后对这 K^2 个候选句子再挑选出 top K 个句子。以此类推一直到 decoding 结束为止。当然 Beam Search 本质上也是一个 greedy decoding 的方法，所以我们无法保证自己一定可以得到最好的 decoding 结果。

Greedy Search和Beam Search存在的问题：

1. 容易出现重复的、可预测的词；
2. 句子/语言的连贯性差。

2. 随机采样

核心思想： 根据单词的概率分布随机采样。

2.1 Temperature Sampling：

具体方法：在softmax中引入一个temperature来改变vocabulary probability distribution，使其更偏向high probability words：
$$P(x|x_{1:t-1})=\frac{exp(u_t/temperature)}{{\sum }_{t^{\prime }}exp(u_{t^{\prime }}/temperature)},temperature\in [0,1)$$
另一种表示：假设$p(x)$为模型输出的原始分布，给定一个 temperature 值，将按照下列方法对原始概率分布（即模型的 softmax 输出） 进行重新加权，计算得到一个新的概率分布。
$$\pi (x_k)=\frac{e^{log(p(x_k))/temperature}}{{\sum }_{i=1}^n{e}^{log(p(x_i))/temperature}},temperature\in [0,1)$$
当$temperature\to 0$，就变成greedy search；当$temperature\to \infty$，就变成均匀采样（uniform sampling）。详见论文：The Curious Case of Neural Text Degeneration

2.2 Top-k Sampling：

可以缓解生成罕见单词的问题。比如说，我们可以每次只在概率最高的50个单词中按照概率分布做采样。我只保留top-k个probability的单词，然后在这些单词中根据概率做sampling。

核心思想：对概率进行降序排序，然后对第k个位置之后的概率转换为0。

具体方法：在decoding过程中，从 $P(x|x_{1:t-1})$ 中选取probability最高的前k个tokens，把它们的probability加总得到 $p^{\prime }=\sum P(x|x_{1:t-1})$ ，然后将 $P(x|x_{1:t-1})$ 调整为 $P^{\prime }(x|x_{1:t-1})=P(x|x_{1:t-1})/p^{\prime }$ ，其中 $x\in V^{(k)}$! ，最后从 $P^{\prime }(x|x_{1:t-1})$ 中sample一个token作为output token。详见论文：Hierarchical Neural Story Generation

但Top-k Sampling存在的问题是，常数k是提前给定的值，对于长短大小不一，语境不同的句子，我们可能有时需要比k更多的tokens。

2.3 Top-p Sampling (Nucleus Sampling ):

核心思想：通过对概率分布进行累加，然后当累加的值超过设定的阈值p，则对之后的概率进行置0。

具体方法：提出了Top-p Sampling来解决Top-k Sampling的问题，基于Top-k Sampling，它将 $p^{\prime }=\sum P(x|x_{1:t-1})$ 设为一个提前定义好的常数$p^{\prime }\in (0,1)$ ，而selected tokens根据句子history distribution的变化而有所不同。详见论文：The Curious Case of Neural Text Degeneration

本质上Top-p Sampling和Top-k Sampling都是从truncated vocabulary distribution中sample token，区别在于置信区间的选择。

随机采样存在的问题：

1. 生成的句子容易不连贯，上下文比较矛盾。
2. 容易生成奇怪的句子，出现罕见词。

3. Reference

[0]: LSTM文本生成：《Python深度学习》第8章第1节：8.1 使用LSTM生成文本P228-P234。
[1]: https://www.jiqizhixin.com/articles/2017-05-22 “文本生成概述”
[2]: https://blog.csdn.net/weixin_40255337/article/details/83303702 “softmax采样”
[3]: https://blog.csdn.net/linchuhai/article/details/90140555 “文本生成任务常见评价指标”
[4]: https://www.zhihu.com/question/58482430/answer/373495424 “NLP里的perplexity是什么？”
[5]: https://www.cnblogs.com/massquantity/p/9511694.html “运用深度学习进行文本生成”
[6]: https://github.com/massquantity/text-generation-using-keras “文本生成”
[7]: https://zhuanlan.zhihu.com/p/68383015 “文本生成中的decoding strategy”
[8]: https://zhuanlan.zhihu.com/p/267471193?utm_source=wechat_session “语言模型采样策略”

欢迎各位关注我的个人公众号：HsuDan，我将分享更多自己的学习心得、避坑总结、面试经验、AI最新技术资讯。