利用算法开发了一种新的自然语言生成解码方式

相信大多数学习过人工智能课程的读者，当听到算法的时候，都会有一种既熟悉又陌生的感觉。说算法熟悉，是因为一听到这个算法，就想起那本厚厚的《人工智能——一种现代的方法》，想起这个算法似乎是人工智能课程考试的重点；说算法陌生，是因为大家现在在从事人工智能相关的研究和开发工作时，似乎又很少用到这个算法，大部分时间都花在了研究数据处理和处理实验设置上面。而在NAACL2022上，一群来自AI2的自然语言处理研究者们利用算法开发了一种新的自然语言生成解码方式，还被授予了NAACL2022 Best New Method paper。看起来已经过时的A*算法，居然能在深度学习时代有如此的妙用，看完这篇论文，笔者情不自禁地打开了《人工智能——一种现代的方法》，想看看还有什么经典算法可以深挖一下！

论文标题:
NEUROLOGIC A*esque Decoding: Constrained Text Generation with Lookahead Heuristics

论文链接:
https://arxiv.org/pdf/2112.08726.pdf

问题背景

自然语言生成任务一般指给定一个输入序列，生成一个输出序列。目的是解出使得目标函数最大化的序列，其中, , 而衡量对约束条件的满足。传统的Beam Search不考虑全局的最优，而是最优化当前步骤添加的Token.

为了达到全局最优的效果，需要满足如下的优化目标

主要方法

前向启发算法

直接优化全局最优目标面临着搜索空间过大的问题。而A算法可以被用来解决这个搜索问题。A算法是一个最优优先的搜索算法，可以解决这样形式的搜索问题：

其中是迄今为止的分数，是对于未来分数的启发式估计。因此我们将优化目标修改为如下形式

同时，需要限制前向搜索的长度为，避免模型无限制地向前搜索

在前向生成的过程中有几种不同的方法。方法只生成一个序列，从开始，每次选择概率最大的Token。方法采用插值的思想，混合方法和随机选择一个Token的概率分布。方法从开始进行步的Beam Search，选择前个概率最大的序列, 而方法则是直接从按照概率进行采样。

无限制生成

在无限制生成的场景下，使用的优化函数为

其中控制的是对未来估计的重视程度，类似于加权算法

受限制生成

在受限制生成任务上，作者们基于之前的工作NeuroLogic进行改进。首先我们简要介绍一下NeuroLogic方法。首先，将对生成文本的限制表示为合取范式。其中每一个表示一个限制条件，。NeuroLogic的优化目标可以写为

其中远大于0，用来惩罚不满足的约束。在每一步搜索时，NeuroLogic利用如下的打分函数进行计算

其中是约束条件的前缀，这个优化函数的目标是奖励那些满足约束条件的样本。接下来，作者们加入了前向启发函数

这样的前向启发函数有两个好处，如果是满足多Token约束的一个Token，前向启发函数包含了全部约束的分数，如果不是约束的一部分，如果被选中，这一前向策略能考虑到未来约束的分数。

实验结果

无限制生成

作者们在故事生成任务上开展了实验，可以发现提出的方法不论是在流畅性，丰富性还是人工评估上都有着很好的表现。

受限制生成

在受限制生成方面，作者们在常识生成，机器翻译，表格到文本生成，问题生成等任务上开展了实验。在这里展示常识生成方面的结果。这一任务的主要内容是给定一系列概念，利用全部概念生成一个合理的句子.

可以发现，作者们提出的方法在多个指标上都明显超越了基线模型，取得了很好的效果。

从文章中给出的例子来看，作者们提出的方法确实有着更好的生成效果。

结语

本文的方法实现并不复杂，所用到的原理和思想也是非常经典的人工智能算法，但却取得了非常不错的性能，一举摘得了NAACL2022的最佳方法论文。看来，好的研究并不是追逐热点，调参魔改结构的增量式创新，而是打好数学基础，深入地思考研究问题，广泛接触各个领域的算法，才能在发现领域的关键待解决问题时取得成果~

审核编辑 ：李倩