【NLP】14. NLP推理方法详解 --- beam search 束搜索 以及 graph search 图搜索
Beam Search
在自然语言处理（NLP）任务中，Beam Search（束搜索是一种比贪心搜索（Greedy Search）更强大的解码方法。它能够同时保留多个候选结果，并在搜索过程中选择最优的路径，从而提高生成文本的质量。
1. Beam Search 的核心思想
Beam Search 的核心思想是在每一步都保留 K 个最优候选序列（K 称为 Beam Width，即“束宽”）。在每一步：
- 扩展：对于每个当前候选序列，计算下一个单词的所有可能选项。
- 筛选：从所有扩展的序列中，选择 K 个概率最高的序列，丢弃剩下的。
相比贪心搜索（只保留一个最佳选项），Beam Search 可以探索多个可能的路径，从而提高输出质量。
2. 详细案例：机器翻译（Machine Translation）
假设我们要翻译句子 “I love NLP”，我们的目标是生成最可能的法语翻译。
假设模型的输出概率如下：
| 单词 | 可能翻译 | 概率 |
|---|---|---|
| I | [“Je” (0.8), “Moi” (0.2)] | |
| love | [“aime” (0.7), “adore” (0.3)] | |
| NLP | [“NLP” (0.5), “traitement du langage” (0.5)] |
(1) 贪心搜索
- Step 1: “I” -> 选择 “Je”（概率最高 0.8）
- Step 2: “love” -> 选择 “aime”（概率最高 0.7）
- Step 3: “NLP” -> 选择 “NLP”（概率最高 0.5）
最终翻译结果：“Je aime NLP”（得分 = 0.8 × 0.7 × 0.5 = 0.28）
(2) Beam Search (K=2)
Beam Width K=2，意味着我们每一步保留两个最有可能的序列。
-
Step 1: 选择 “I” 的翻译
- 候选项：
- “Je” (0.8)
- “Moi” (0.2)
- 候选项：
-
Step 2: 选择 “love” 的翻译
- 对 “Je”：
- “Je aime” (0.8 × 0.7 = 0.56)
- “Je adore” (0.8 × 0.3 = 0.24)
- 对 “Moi”：
- “Moi aime” (0.2 × 0.7 = 0.14)
- “Moi adore” (0.2 × 0.3 = 0.06)
筛选出最优 K=2 选项：
- “Je aime” (0.56)
- “Je adore” (0.24)
- 对 “Je”：
-
Step 3: 选择 “NLP” 的翻译
- 对 “Je aime”：
- “Je aime NLP” (0.56 × 0.5 = 0.28)
- “Je aime traitement du langage” (0.56 × 0.5 = 0.28)
- 对 “Je adore”：
- “Je adore NLP” (0.24 × 0.5 = 0.12)
- “Je adore traitement du langage” (0.24 × 0.5 = 0.12)
- 对 “Je aime”：
最终选出最高概率的 K=2：
- “Je aime NLP” (0.28)
- “Je aime traitement du langage” (0.28)
最终 Beam Search 生成的翻译结果：
- “Je aime NLP”
- “Je aime traitement du langage”
相比于贪心搜索，Beam Search 发现了更流畅的翻译 “Je aime traitement du langage”，而不是 “Je aime NLP”。
3. 何时可以提前终止？
在 Beam Search 过程中，如果当前最优解的得分已经远高于剩下的所有候选项，则可以提前终止搜索。 例如：
- 若 K=5，但第 1 个候选项的概率远高于第 2-5 个，我们可以减少计算量，提前停止。
4. Beam Search 的变体
Beam Search 有几个重要的优化版本，以解决一些潜在问题。
(1) 长度惩罚（Length Penalty）
-
问题：Beam Search 可能偏向于短句，因为概率是累乘的，句子越长，概率越小。
-
解决方案：给较长的句子增加分数：
adjusted score = P ( sequence ) length α \text{adjusted score} = \frac{P(\text{sequence})}{\text{length}^\alpha} adjusted score=lengthαP(sequence)
其中，α 是一个超参数，控制对短句的惩罚力度。
(2) 覆盖惩罚（Coverage Penalty）
- 问题：翻译时，Beam Search 可能会遗漏某些关键信息（如主语、宾语）。
- 解决方案：引入覆盖率惩罚，鼓励模型更全面地翻译每个输入词。
5. 如何高效选择 Top-K 候选项？
在 Beam Search 中，每一步都会生成多个候选项，并需要筛选出 K 个最优选项。不同的方法会影响效率。
方法 1：简单排序法 O(nK)
- 方法：遍历所有候选项，将新项插入列表中并排序。
- 优点：实现简单。
- 缺点：排序耗时，效率较低。
方法 2：堆（Heap）方法 O(n log K)
- 方法：使用最小堆（min-heap）存储 K 个最优候选项，每次插入新候选项后维护堆结构。
- 优点：更高效，适合 K 较小的情况。
- 缺点：需要使用数据结构，代码复杂度增加。
方法 3：快速选择（Quickselect） O(n)
- 方法：记录所有候选项，使用快速选择（Quickselect）找到 K 个最佳选项，遍历一次数据，找到其他 K-1 个最优项。
- 优点：时间复杂度最低。
- 缺点：实现复杂度较高，通常 K 较小时不值得使用。
一般来说，K 很小（如 5、10），不同方法的性能差距不大，因此排序或堆方法通常就足够了。
6. Beam Search 的局限性
虽然 Beam Search 比贪心搜索更强大，但仍然有一些缺点：
- 仍然是局部最优：Beam Search 只考虑 K 个选项，可能仍然会错过真正的最佳解。
- 缺乏多样性：如果 K 过小，所有输出可能会非常相似。
- 计算量大：K 过大时，计算复杂度会快速增加。
解决方案：结合 Top-K 采样、Top-P 采样 或 对比采样（Contrastive Sampling），可以进一步提升文本生成质量。
7. 总结
| 方法 | 计算量 | 质量 | 适用场景 |
|---|---|---|---|
| 贪心搜索 | 低 | 容易错过最优解 | 翻译、摘要 |
| Beam Search | 中等 | 能找到更优解，但仍可能局部最优 | 机器翻译、文本生成 |
| Beam Search + 长度惩罚 | 高 | 改善长句生成 | 文章生成 |
图搜索在文本生成中的应用（基于评分估计）
图搜索（Graph Search）技术在自然语言处理（NLP）任务中可以有效应用于文本生成任务，如机器翻译、文本摘要或对话生成。图搜索方法通过在搜索过程中估计最终得分，并用该得分来引导生成，帮助生成最有可能的输出。
这一思想与 A* 搜索算法 类似，后者通常用于路径规划问题，寻找最短路径。但在文本生成任务中，我们并不是寻找最短路径，而是希望最大化得分，得分可以代表多个因素，如语言流畅性、上下文一致性、语法正确性等。
1. 图搜索的核心概念
在图搜索中，我们的目标是从一个起始点（例如句子的开头）到达一个目标点（例如句子的结尾）。而在文本生成任务中，“图” 的每个节点代表一个词，边代表词与词之间的生成关系。通过搜索图，我们尝试生成一条得分最高的路径。
估算最终得分：
每个生成的文本序列都会有一个局部的得分，这个得分可以基于模型的输出概率或者一些自定义的评分函数。为了引导生成过程，图搜索不仅考虑当前节点的得分，还会结合对未来节点的预估得分（即最终得分）来指导搜索过程。
2. 与 A* 搜索算法的比较
图搜索与 A* 搜索算法的工作原理非常相似，不同之处在于目标和评分方式：
- A* 搜索：通常用于路径规划问题，目标是寻找一条从起点到终点的最短路径。A* 搜索通过启发式函数估算从当前节点到终点的最短路径长度。
- 图搜索（在文本生成中的应用）：目标是生成一个得分最高的文本序列，而不是寻找最短路径。这里的得分通常基于当前文本的概率、语法正确性、流畅性等因素。
3. 图搜索在文本生成中的应用
在文本生成任务中，图搜索可以帮助我们从所有可能的生成路径中选择最优的输出序列。具体步骤如下：
步骤 1：初始化
- 初始节点是起始符号
- 每个节点代表一个词或子词，节点之间的边代表词语生成的关系。
步骤 2：扩展节点
- 对于当前的每个节点（即当前生成的部分文本），模型会计算出可能的下一个词，并估算这个词的生成概率。
步骤 3：估算未来得分
-
为了引导生成过程，我们需要估算每条路径的未来得分。通常可以通过启发式方法估算这个得分，例如使用某种模型来预测剩余序列的得分，或者使用历史信息（例如已生成的部分序列的得分）。
估算方法：
- 基于概率的估算：例如使用语言模型的概率输出（如条件概率）来估算每个词序列的未来得分。
- 基于模型的估算：有些复杂的方法会使用神经网络模型（例如基于强化学习的模型）来预测一个给定节点后续的得分。
步骤 4：选择最优路径
-
在图搜索过程中，我们保留得分最高的候选路径，逐步推进生成。这个过程通常通过 Beam Search 结合启发式得分估算来完成。
在 Beam Search 中，我们保留多个候选路径，每一步扩展时，计算并保留得分最优的 K 条路径。通过这种方式，我们可以有效地避免陷入局部最优解。
步骤 5：终止条件
- 当生成的序列满足某些终止条件（如出现
- 在某些情况下，如果当前路径的得分已经远高于其他候选路径时，可以提前停止，减少计算量。
4. 如何高效实现图搜索？
为了高效地实现图搜索，尤其是在较大的生成空间中，我们通常会使用一些优化策略：
- 启发式得分估算：通过启发式方法预估未来得分，避免完全依赖当前路径的概率。
- 剪枝（Pruning）：在搜索过程中，剪去那些得分远低于其他候选路径的分支，减少计算量。
- Beam Search + A*：结合 Beam Search 和 A* 搜索，通过保留 K 条路径并估算它们的未来得分，从而更加高效地搜索最优路径。
5. 示例：基于图搜索的机器翻译
假设我们正在进行机器翻译，目标是将英语句子 “I love NLP” 翻译成法语。
- 起始状态：
- 扩展状态：我们生成所有可能的词汇，如 “Je”（0.8）、“Moi”（0.2）等，并计算其概率。
- 估算未来得分：我们为每个候选路径预测未来生成的概率。
- 选择最优路径：我们根据当前得分和未来得分的估算，选择得分最高的路径。
最终，图搜索将帮助我们选择出最佳的法语翻译。