基于seq2seq文本生成的解码/采样策略
基于seq2seq文本生成的解码/采样策略
基于Seq2Seq模型的文本生成有各种不同的decoding strategy。文本生成中的decoding strategy主要可以分为两大类：
- Argmax Decoding: 主要包括beam search, class-factored softmax等
- Stochastic Decoding: 主要包括temperature sampling, top-k sampling等。
在Seq2Seq模型中，RNN Encoder对输入句子进行编码，生成一个大小固定的hidden state \(h_c\)；基于输入句子的hidden state \(h_c\) 和先前生成的第1到t-1个词\(x_{1:t-1}\)，RNN Decoder会生成当前第t个词的hidden state \(h_t\) ，最后通过softmax函数得到第t个词 \(x_t\) 的vocabulary probability distribution \(P(x|x_{1:t-1})\)。
两类decoding strategy的主要区别就在于，如何从vocabulary probability distribution \(P(x|x_{1:t-1})\)中选取一个词 \(x_t\) ：
- Argmax Decoding的做法是选择词表中probability最大的词，即\(x_t=argmax\quad P(x|x_{1:t-1})\) ;
- Stochastic Decoding则是基于概率分布\(P(x|x_{1:t-1})\) 随机sample一个词 \(x_t\)，即 \(x_t \sim P(x|x_{1:t-1})\) 。
在做seq predcition时，需要根据假设模型每个时刻softmax的输出概率来sample单词，合适的sample方法可能会获得更有效的结果。
1. 贪婪采样
-
Greedy Search
核心思想：每一步取当前最大可能性的结果，作为最终结果。
具体方法：获得新生成的词是vocab中各个词的概率，取argmax作为需要生成的词向量索引，继而生成后一个词。
-
Beam Search
核心思想： beam search尝试在广度优先基础上进行进行搜索空间的优化（类似于剪枝）达到减少内存消耗的目的。
具体方法：在decoding的每个步骤，我们都保留着 top K 个可能的候选单词，然后到了下一个步骤的时候，我们对这 K 个单词都做下一步 decoding，分别选出 top K，然后对这 K^2 个候选句子再挑选出 top K 个句子。以此类推一直到 decoding 结束为止。当然 Beam Search 本质上也是一个 greedy decoding 的方法，所以我们无法保证自己一定可以得到最好的 decoding 结果。
Greedy Search和Beam Search存在的问题：
- 容易出现重复的、可预测的词；
- 句子/语言的连贯性差。
2. 随机采样
核心思想： 根据单词的概率分布随机采样。
-
Temperature Sampling：
具体方法：在softmax中引入一个temperature来改变vocabulary probability distribution，使其更偏向high probability words：
\[P(x|x_{1:t-1})=\frac{exp(u_t/temperature)}{\sum_{t'}exp(u_{t'}/temperature)},temperature\in[0,1) \]另一种表示：假设\(p(x)\)为模型输出的原始分布，给定一个 temperature 值，将按照下列方法对原始概率分布（即模型的 softmax 输出） 进行重新加权，计算得到一个新的概率分布。
\[\pi(x_{k})=\frac{e^{log(p(x_k))/temperature}} {\sum_{i=1}^{n}e^{log(p(x_i))/temperature}},temperature\in[0,1) \]当\(temperature \to 0\)，就变成greedy search；当\(temperature \to \infty\)，就变成均匀采样（uniform sampling）。详见论文：The Curious Case of Neural Text Degeneration
-
Top-k Sampling：
可以缓解生成罕见单词的问题。比如说，我们可以每次只在概率最高的50个单词中按照概率分布做采样。我只保留top-k个probability的单词，然后在这些单词中根据概率做sampling。
核心思想：对概率进行降序排序，然后对第k个位置之后的概率转换为0。
具体方法：在decoding过程中，从 \(P(x|x_{1:t-1})\) 中选取probability最高的前k个tokens，把它们的probability加总得到 \(p'=\sum P(x|x_{1:t-1})\) ，然后将 \(P(x|x_{1:t-1})\) 调整为 \(P'(x|x_{1:t-1})=P(x|x_{1:t-1})/p'\) ，其中 \(x\in V^{(k)}\)! ，最后从 \(P'(x|x_{1:t-1})\) 中sample一个token作为output token。详见论文：Hierarchical Neural Story Generation
但Top-k Sampling存在的问题是，常数k是提前给定的值，对于长短大小不一，语境不同的句子，我们可能有时需要比k更多的tokens。
-
Top-p Sampling (Nucleus Sampling ):
核心思想：通过对概率分布进行累加，然后当累加的值超过设定的阈值p，则对之后的概率进行置0。
具体方法：提出了Top-p Sampling来解决Top-k Sampling的问题，基于Top-k Sampling，它将 \(p'=\sum P(x|x_{1:t-1})\) 设为一个提前定义好的常数\(p'\in(0,1)\) ，而selected tokens根据句子history distribution的变化而有所不同。详见论文：The Curious Case of Neural Text Degeneration
本质上Top-p Sampling和Top-k Sampling都是从truncated vocabulary distribution中sample token，区别在于置信区间的选择。
随机采样存在的问题：
- 生成的句子容易不连贯，上下文比较矛盾。
- 容易生成奇怪的句子，出现罕见词。
3. 参考
LSTM文本生成：《Python深度学习》第8章第1节：8.1 使用LSTM生成文本P228-P234。
