非自回归也能预训练：基于插入的硬约束生成模型预训练方法

论文标题：

POINTER: Constrained Text Generation via Insertion-based Generative Pre-training

论文作者：

Yizhe Zhang (MSR), Guoyin Wang (Duke), Chunyuan Li (MSR), Zhe Gan (MSR), Chris Brockett (MSR), Bill Dolan (MSR)

论文链接：

arxiv.org/pdf/2005.00558

---

非自回归生成有着更高的效率，但是，当前鲜有研究针对非自回归生成模型的预训练方法。

本文提出一种新的基于插入的非自回归预训练方法，用动态规划构造训练数据，并使用新的beam search方法，实现log级别的非自回归生成。在两个硬约束数据集上的实验表明，该方法比起基线模型有大幅提高。

硬约束文本生成与非自回归预训练

约束性文本生成（Constrained Text Generation）是文本生成中非常重要的部分，可以分为两类：软约束生成（Soft-Constrained）和硬约束生成（Hard-Constrained）。

软约束生成就是给定一些关键词（或关键信息），生成的文本要包含给定的关键内容，但不一定要完全包括。

硬约束生成就是要完全包含给定的词汇，不允许删除。

结合这两年得到广泛研究的基于插入的非自回归生成，我们可以很容易把这种方法应用到硬约束文本生成上，因为基于插入的非自回归方法有两个优点：

• 它不删除给定的词汇，而是不断增加新词，符合硬约束的要求；

• 它可以有log级别的生成效率。

下图是硬约束插入式非自回归生成的一个例子。给定的关键信息是，经过4次迭代，每次迭代新插入的词为蓝色，模型最终生成了期望的句子。

此外，由于这种插入的方法非常类似BERT的掩码预训练方法，所以，我们完全有可能像BERT那样，为插入式非自回归模型进行类似的预训练，从而利用大规模无监督语料，提高硬约束生成的效果。这就是本文的主要创新点。

总的来说，本文有以下贡献：

• 提出POINTER——一种插入式非自回归预训练模型，并能用BERT初始化；

• 基于POINTER使用一种简单但有效的Beam Search方法，进一步提高效果；

• 在两个硬约束生成数据集上，POINTER实现了显著的效果，并且有着最高的生成效率。

非自回归预训练

本节介绍POINTER的模型、训练及推理方法。首先介绍符号。记原始输入的硬约束为，第轮模型生成的句子是，最后生成的句子是。由于模型是以插入的方法生成的，从而前一轮的句子是下一轮生成句子的子序列。

模型建模最终句子的概率可以表示为：

所以，在每一轮，模型就是要根据前一轮生成的句子去选择要在哪里插入哪些词。在介绍生成步骤之前，首先来介绍一下如何构造训练数据。

训练数据构造

对于一个完整的句子，我们想要构造一个生成序列，相邻每一对就是一个训练实例。

由于我们想要让动词、名词等实词首先生成，而形容词、副词、助词等词最后生成，我们首先就要构造出符合这个模式的训练实例。

为此，我们对句子的每个词给一个重要性得分（importance score），它通过如下方式计算：

其中，是词的TF-IDF得分，是词的Part-of-Speech得分，是词的YAKE得分。YAKE是一种无监督关键词抽取方法。

在这个得分公式中，越高，表示词就越重要，它就要首先生成。注意到每个得分都归一化到[0,1]之间。

在得到句子中每个词的重要性得分之后，我们就可以逆序构造训练实例了。

具体来说，首先对源句子，从中抹去得分较低的一部分词，得到。

然后再对中剩下的词，再抹去一部分得分较低的词，得到，以此类推，得到初始句子。这里停止的标准是只剩不到个词。

那么，现在的问题是，怎么决定每次要抹去哪些词。换句话说，要选择保留哪些词，它们要满足某些条件，要达到怎样的优化目标。本文使用下面的公式计算：

这里是当前句子的长度，表示第个词被抹去，表示这个词被保留，并且约束是，不能有连续两个词被抹去。

为了求解上述公式，本文使用了一种动态规划算法。

注意到，原文上述公式中的max是min，笔者认为是笔误，否则上述公式就有一组平凡解。这个公式既鼓励重要的词首先生成，又鼓励尽可能多地生成词（越多越好）。

然而，根据文本描述，笔者在此处有一个疑问：对于约束“不能有连续两个词被抹去”。

原文给出的解释是“The reason for this constraint is that the insertion-based generation only allows maximally one new token to be generated between two existing tokens”。

也就是说，由于插入式模型一次只能在相邻词之间插入一个字符，所以在这里我们也不能一次抹去相邻两个字符。

但是实际上，即使抹去连续的词，这些词仍然可以在对数时间内以插入的方式生成。

训练

在得到训练实例后，就作为模型的输入，让模型去生成。回忆插入式生成，首先选择一个槽（slot，即相邻词之间的那个空位），然后生成该槽的词。

重新组织一下，就可以统一为：对当前输入的每个词，去预测“紧跟在”它后面是否要插入一个词，要插入哪个词。

这又可以进一步统一为：去预测词典中的一个词，这里是一个特殊词，表示实际上不插入。

为了表示就是最后的句子，额外构造一个训练实例，其中的长度和相同，而且每个词都是[NOI]。

也就是说，当作为输入的时候，模型需要为每个词输出[NOI]，也就表示在每个词后面我们不再插入新词了，也就表示生成结束。

下图是模型生成的一个例子。

由于这个插入的过程和BERT预训练的方式一样，我们可以首先用BERT去初始化POINTER，然后再使用其他语料去预训练POINTER。

训练目标就是对每个训练实例，优化它的对数似然。

推理

在推理的时候，如果一个词后面生成了[NOI]且生成过程没有结束，那么在下一轮，这个[NOI]就不必再插入进去，因为它实际上表示的是没有插入。

在解码的时候，对每个位置，可以选择用Greedy Decoding或者Beam Decoding。本文提出Inner-Layer Beam Search (ILBS)，进一步提高生成的效果。

具体来说，从左到右，对每个词，首先得到它预测的top-B个词，然后rank当前B个候选句子的得分，取其中最大的一大作为当前插入的词，然后继续往右走到下一个位置，直到最后一个位置，保留B个候选句子。

实验

本文在数据集EMNLP2017 WMT News和Yelp English Review上实验，预训练数据集为12.6G的Wikipedia，实验细节详见原文。

实验过程大致是首先按照预训练数据集的构造方法构造训练、验证和测试集，以此评估模型的硬约束生成能力。

下面两个表分别是在News和Yelp上的实验结果，可以看到，在NIST、BLEU、METEOR、PPL得分上，POINTER相比基线模型取得了显著的提升，而Dist评估的是模型生成的多样性，且基线模型CGMH和NMSTG是基于采样的方法，自然在Dist得分上也就比POINTER高。

另外一个值得关注的点是，POINTER生成的生成的句子长度更加接近人类。最后，使用POINTER预训练可以显著提高生成文本的流畅度。

下表是人工测评的结果。在语义度、流畅度和信息度上，POINTER都显著好于基线模型，但仍然和人工写作的文本有所差异。

下图是数据集Yelp上的两个具体例子。和基线模型相比，POINTER生成的句子不但考虑了所有的硬约束，并且句子更加通顺流畅，也更加符合硬约束的原义。

在推理时间方面，在1000个句子上，CGMH需要33小时，NMSTG需要487秒，而POINTER只需要67秒，具体显著的速度优势。

小结

本文提出POINTER——一种用于硬约束生成的插入式非自回归生成的预训练方法。使用BERT初始化、POINTER预训练和Inner-Layer Beam Search，POINTER在两个数据集上取得了显著的效果提升，而且具有效率优势。

未来关于非自回归模型预训练的研究可以有以下方向：

• 更加通用的预训练：不仅仅是插入式的预训练，而且是适用于各种任务的预训练方法，还可以探索适用在NMT上的预训练方法；

• 更加高效的预训练：POINTER是对数级别的预训练，未来可以像BERT那样将其降低到常数级；

• 更加简单的预训练：POINTER的预训练需要人工构造训练数据，本质也是用规则指定了训练的方向，如何设计像BERT一样简单有效的自动预训练方法，是今后非自回归预训练研究的一大重点。

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。