文本生成任务中引入编辑方法的文本生成

4. FELIX

FELIX是Google Research在“FELIX: Flexible Text Editing Through Tagging and Insertion”一文中提出的文本生成模型，该论文发表于EMNLP 2020 Findings。
受限于有限的编辑操作标签，LaserTagger、Seq2Edits主要进行单词或短语的保留、删除、替换操作，更多的是对文本的局部编辑，无法直接改变文本的结构特征（例如主动句改被动句：“They ate steak for dinner.” “Steak was eaten for dinner.”）。

同时，受限于词典规模，LaserTagger与Seq2Edits也不支持大量插入新文本。而如果使用自回归的方法来支持大量插入新文本，势必大大降低模型的推理速度。所以，FELIX希望能够兼顾文本生成的推理速度和灵活性。

本篇工作的主要改进有：
（1）在保留、删除等基本编辑操作上引入重排序（reorder）操作。通过重排序操作，在复用重复文本的同时实现文本结构特征的改变，提高文本生成的灵活性。
（2）受BERT自监督预训练任务启发，通过引入Masked Language Model（MLM）来预测待插入的新词。

4.1 主要方法

FELIX将文本生成分为两步：通过标注模型（tagging model）对源文本标注编辑标签后进行重排序，然后输入插入模型（insertion model）对要插入的新文本进行预测。

标注

以图10为例，源文本为 “The big very loud cat.” ；目标文本为 “The noisy large cat.” 。其中为tagger模块预测的标签序列；为经过Pointer重排序后加入特殊标签（, ）得到的序列，将输入插入模型预测得到最终结果。

图 10 FELIX对插入文本的两种预测方式

FELIX对编码后的源文本进行标注，保留操作和删除操作标签仍为和。结合MLM，FELIX设计了两种方式预测要插入的新文本：Masking 和 Infilling 。Masking 方式不仅需要模型预测插入内容，还需要模型预测插入文本的长度（如，对应中加入两个标签）。

Infilling 方式直接让模型预测待插入的新文本的内容，不需要模型预测插入文本的长度。即，在中插入固定个数的标签（实验中插入8个即可覆盖99%的样本），预测插入内容时多余的标签使用标签覆盖。

需要注意的是，在将输入到MLM进行预测时，FELIX保留了待删除的span（用一对特殊的token 和 将span括起来，而非直接将待删除部分替换为标签）。即使这样做会导致fine-tuning和pre-training的不一致，但能够保留更多的语义信息，提高模型预测的准确性。

重排序

为了保证推理效率，FELIX的重排序也是非自回归（non-autoregressive）的，类似于non-projective dependency parsing。具体实现时使用constrained beam search来保证除了待删除的token外，每一个token都会被指向，且避免有token被指向两次而产生循环。

4.2 模型概述

FELIX tagging model:

Encoding: 使用12层的BERT-base模型对源文本进行编码。

Tagging: 使用一层feed-forward layer预测标签。

Pointing: 基于注意力机制的pointer network进行重排序。

FELIX insertion model:

12层的BERT-base模型。并使用预训练权重进行初始化。

5. 实验评价

三篇工作分别在句子融合、句子分割复述、语法纠错等多种文本生成任务上进行了实验，主要验证了模型在三方面的性能：生成文本的质量、模型推理效率以及模型在小样本上的表现。

句子融合（Sentence Fusion）	✓	✓	✓
句子分割复述（Split & Rephrase）	✓	✓
文本摘要（Summarization）	✓		✓
语法纠错（Grammatical Error Correction）	✓	✓
文本规范化（Text Normalization）		✓
文本简化（Text Simplification）		✓	✓
自动后编辑（Automatic Post-Editing）			✓
	LaserTagger	Seq2Edits	FELIX

5.1 生成质量

句子融合 & 分割复述

三篇工作均在句子融合任务上进行了实验，使用数据集为DiscoFuse，评价指标为SARI、Exact。其中SARI将预测输出与输入文本以及reference比较，评价模型对源文本进行各种编辑操作后生成文本的“好坏”；Exact主要评价模型生成的文本和标准答案之间“有多接近”。

	SARI	Exact
full sequence model	BERT2BERT	89.52	63.90
Seq2SeqBERT	85.30	53.60
edit-based model	LaserTagger	85.45	53.80
Seq2Edits	88.73	61.71
FELIX	88.78	61.31

从上表中可以看出，基于编辑方法的生成模型较之传统full sequence model在生成文本的质量上有下降，但改进后的Seq2Edits和FELIX在两项指标上已经和full sequence model十分接近。

LaserTagger和Seq2Edits均在句子分割复述任务上进行了实验。该任务为句子融合任务的逆任务，使用数据集为WikiSplit 。Seq2Edits在该项任务上表现较优。

	SARI	Exact
full sequence model	Seq2SeqBERT	62.3	15.1
edit-based model	LaserTagger	61.7	15.2
Seq2Edits	63.6	17.0

文本简化

Seq2Edits和FELIX均在文本简化任务上进行了测试，并与LaserTagger进行了对比。该任务需要在保持源文本基本语义的情况下，通过改写降低源文本的复杂度，以方便儿童等特殊群体阅读。实验使用数据集为WikiLarge，评价指标为SARI。在该项任务上FELIX有着较好的表现。

	SARI
edit-based model	LaserTagger	32.31
Seq2Edits	37.16
FELIX	38.13

5.2 推理效率

在推理效率方面三篇工作均与传统full sequence model进行了对比实验，结果证明相较于传统seq2seq方法，基于编辑方法确实能够大大提高模型的推理速度。在推理速度上对三种模型进行横向对比，FELIX最优，而Seq2Edits由于模型本身的复杂性，在三者中速度最慢（FELIX > LaserTagger > Seq2Edits）。

5.3 小样本表现

LaserTagger和FELIX两篇工作均在小样本训练数据上测试了模型性能。相比full sequence model而言，LaserTagger和FELIX两者对训练数据规模变化并不敏感（训练数据规模从45k缩小到4.5k时full sequence model性能出现了较大下降），且在小样本数据上FELIX表现要好于LaserTagger。

6. 总结

LaserTagger	token-level； 保留、删除、插入	根据训练数据构造短语词典，从词典中直接选择。	一轮序列标注； 非自回归；	加速10x-100x （相比SEQ2SEQBERT）
Seq2Edits	span-level； 三元组 不同任务有不同tag vocabulary	open-vocab	预测N个三元标签组； 自回归；	加速5.2x（相比 full sequence model）
FELIX	token-level； 保留、删除、MASK、重排序	open-vocab 用MLM预测MASK对应的token	标注+重排序+MLM； 非自回归；	加速100x（相比 full sequence model）
模型	编辑操作	插入新文本	推理方式	推理效率

基于编辑方法的文本生成优势与不足主要如下：

与full sequence models相比，推理速度大大加快。 模型输出可解释性强。 对训练数据规模较不敏感；在小样本上表现较好。	遵循较弱的语言模型。 生成的灵活性不足。
Pros	Cons

未来工作的关键在于生成质量和推理效率的对立统一。目前基于编辑方法使用非自回归预测输出时，虽然能够提高推理效率，但势必会损失生成文本的质量。因此，质量和效率尽量做到“鱼与熊掌二者兼得”将成为未来研究工作的希冀。

References

［1] Malmi, Eric, et al. "Encode, tag, realize: High-precision text editing." arXiv preprint arXiv:1909.01187 (2019).

［2］ Stahlberg， Felix， and Shankar Kumar. “Seq2Edits： Sequence Transduction Using Span-level Edit Operations.” arXiv preprint arXiv:2009.11136 （2020）。

［3］ Mallinson， Jonathan， et al. “Felix： Flexible text editing through tagging and insertion.” arXiv preprint arXiv:2003.10687 （2020）。

［4］ https://ai.googleblog.com/2020/01/encode-tag-and-realize-controllable-and.html

［5］ https://ai.googleblog.com/2021/05/introducing-felix-flexible-text-editing.html

［6］ https://thinkwee.top/2021/05/11/text-edit-generation/

编辑：jq