#yyds干货盘点# CoCon: A Self-Supervised Approach for Controlled Text Generation | ICLR 2021 论文

弱龄寄事外,委怀在琴书。这篇文章主要讲述#yyds干货盘点# CoCon: A Self-Supervised Approach for Controlled Text Generation | ICLR 2021 论文相关的知识,希望能为你提供帮助。
本篇文章为:[2006.03535] CoCon: A Self-Supervised Approach for Controlled Text Generation (arxiv.org)
摘要基于transformer的预训练语言模型显示出了卓越的自然语言生成能力。
虽然目前有尝试控制文本高级属性(情感、主题等)的文本生成任务,但是在单词和短语级别仍然缺乏对内容的精确控制。
文章提出CoCon,对于输入内容,在细粒度级别上控制预训练语言模型的输出。
本文的自监督方法中,CoCon通过约束内容输入帮助语言模型完成文本序列。通过实验,我们发现CoCon可以自然地将目标内容合并到生成的文本中,并以zero-shot的方式控制高级文本属性。
introduction基于transformer的预训练语言模型作引领了自然语言处理任务的新潮流,其可以作为一种提取语境化word embedding的方法或者作为文本生成器。
因为大型预训练模型在大量文本语料库上训练过,可以非常流畅地进行文本生成,因此开始有文章开始探究如何对其输出的文本进行控制。

  • arXiv:1909.05858, 2019.
  • arXiv:1912.02164, 2019.
从头重新训练预训练模型的代价太大。(arXiv:1909.05858, 2019)
针对某一特定属性进行微调又会影响其泛化性。(arXiv:1909.08593, 2019)
在不改变预训练语言模型的情况下,可以尝试通过属性模块来控制生成的文本。(针对某一特定属性进行微调又会影响其泛化性。(arXiv:1909.08593, 2019)
虽然在控制高级文本属性(情感、主题)方面已经略有成效,但相同的目标属性会在单词级和短语级生成内容大不相同的文本。预训练语言模型文本生成的细粒度控制方面依旧存在空白。
提出CoCon:
  • 预训练语言模型
  • CoCon层
【#yyds干货盘点# CoCon: A Self-Supervised Approach for Controlled Text Generation | ICLR 2021 论文】CoCon层将输入内容的表征合并到编码文本中。再将其传递到预训练语言模型中。
使用自监督学习。训练数据是预训练模型本身生成的文本样本。
CoCon优势:
  • 保持细粒度控制输出的一致性的同时还可以影响到高级文本属性,比如情感、主题
  • 可以综合处理多个影响因素并控制不同因素的影响大小
  • 模块化,可以与不同的基于transformer的预训练语言模型进行随意组合
本文使用的预训练语言模型是GPT2。
相关工作通过神经网络生成所需属性的文本的工作有很多。
使用条件生成模型。使用标记目标属性的文本数据对神经网络进行训练。网络可以借助强化学习或者对抗生成网络进行训练。
  • Controlling output length in neural encoder-decoders.
  • Controlling linguistic style aspects in neural language generation.
  • Fine-tuning language models from human preferences.
  • Sequence generative adversarial nets with policy gradient.
这些方法中对预定属性的要求限制了生成文本的可能类型。
通过使用控制代码生成受控文本。因为结构类似于GPT-2,因此能生成高质量的文本,但它的控制代码在训练期间就确定了。
  • A conditional transformer language model for controllable generation.
与本文工作最接近的是即插即用语言模型(PPLM),通过相对较小的“可插入”属性模型,在已经预训练的语言模型上控制文本,而无需进行微调。但是其仅关注高级文本的属性,并且训练过程需要标记数据。
  • Plug and play language models: a simple approach to controlled text generation.
对加权,在decoder中增加目标词的权重来控制输出文本,但是会产生不连贯的文本。
用于问题生产的 条件语言生产方法,是关注上下文本,如主谓宾类型。
用于翻译的小型适配器要依赖于不同语言的标注句子资源。
将一种文本风格转换为另一种。
使用自动编码器分离文本风格特征和非风格潜在表征,通过分离可以使文本风格发生变化的同时还保留大部分原文内容。
确定文本语料库中特定风格的相关属性标记,通过替换来修改文本风格。这种更偏向于文本转换,并且需要对风格进行预定义。

    推荐阅读