文 | 小喂老师
编 | 小轶

作为NLP领域的“三高”用户（高产、高能、高钞），FaceBook最近（2020年11月）又发表了一篇高水准文章，目前已被COLING-2020接收，号称解决了自然语言生成（NLG）落地的问题：Best Practices for Data-Efficient Modeling in NLG:How to Train Production-Ready  Neural Models with Less Data

看到这个有点标题党的文章，我不禁要发出关于NLG落地的素质三连：

众所周知，对于自然语言处理中的NLG问题，一直都没有很好的落地场景，即便是目前最合适的“文本自动摘要-Auto Text Summarization”，也没有特别合适的产品和落地领域。所以虽说你是大佬，但我也不觉得你可以做第一个吃螃蟹的人！

抱着这些疑惑，我一口气读完了整个paper，然后不禁发出感慨：“就这？”——啊不，打错了——然后不禁发出感慨：“四高一”！！！

本篇文章的亮点比较多，属于一篇偏实验性论文，总结为一句话就是：流程化NLG在对话系统落地过程中开发步骤和评估策略。

文中研究的NLG主要指对话系统中的NLG。为解决NLG应用落地的难题，论文设计了一套Tree-Based数据集，并据此推出Bucketing训练策略 + TreeAccuracy评价策略。此外，还讨论了NLG中的数据增强，知识蒸馏，生成模型选择和Data-fficiency问题。为对话系统中的NLG落地给出了一套完备&Less-Data&Low-Latency&生成结果High-Acceptable的方案。

哈哈，这么高的评价，那我们看一下这篇文章到底做了啥！

论文题目：

Best Practices for Data-Efficient Modeling in NLG:How to Train Production-Ready Neural Models with Less Data

论文链接:

https://arxiv.org/abs/2011.03877

Arxiv访问慢的小伙伴也可以在 【夕小瑶的卖萌屋】订阅号后台回复关键词 【1221】 下载论文PDF~

NLG先验知识

在谈论这篇论文之前，我先和大家的沟通一下NLG这个任务，保证大家有一个共通的认知观点。

自然语言生成（Natural Language Generation）是一个很难或者说高复杂度的自然语言处理任务。广义的NLG是给定一个输入（可以是文本、表格、图片或是结构化的数据），输出符合该输入的一段文本描述（可以是文章写作、摘要，也可是图片内容描述）。NLG通常被认为是真正意义上的人工智能，一个完备的NLG任务意味着图灵机的实现。本论文的NLG是特指对话系统（Chatbot System）中的自然语言生成，对于一个对话系统，它通常有如下几个部分：

• 自动语音识别-ASR

• 自然语言理解-NLU

• 对话策略-DM

• 自然语言生成-NLG

对于此处的NLG任务，它的输入是<Query, DM产生的Actions>，输出的是一段文本回复。

因为是一篇偏实验性的论文，所以论文的要点理解和模型框架并不算特别的难，但是需要大量的先验知识储备。接下来的四个小节中，我将依次列举一些必要的先验知识，包括：

• Chabot System中的NLG

• Structured NLG Data

• Bucketing策略

• BART模型

Chabot System中的NLG

在对话系统中，经过NLU，DM之后会获得一系列的Dialogue Actions，这类Dialogue Actions就是NLG的重要输入。在Chabot System中做NLG，常用的方法是基于模板生成结果。但是太过于死板且不可迁移。后来就提出了基于Encoder-Decoder的模型生成，和模板生成进行比较，也是有各自的优劣点（具体讨论可见论文细节）。

这里为了能让读者有一个对NLG任务比较直观的理解，给出了一个简单的例子（其中Query和Actions通常作为NLG的输入，ExpectResponse则指代模型NLG的输出）：

Query: "我要买一张明天去北京的火车票。"
Actions: {
"intent":"买火车票",
"slots":["destination":北京,"departure":UNK,"time":DayTime[“明天”]_DetailTime["UNK]]
"actions":["询问具体时间","询问出发地点"]"ExpectResponse":"请问您想买【明天】【几点】的火车票？【出发地点】又是哪里呢？"
}

Structured NLG Data

如果使用Encoder-Decoder的生成模型来做NLG，那么不可避免地就引入了模型输出结果不可控制的问题。在生成的模型中，可能缺少重要的要素，也可能要素值生成错误，这些都是生成模型中不可控制的。

作者所在的团队在2019年的一篇论文中（Constrained decoding for neural NLG from compositional representations in task-oriented dialogue ），给出了一种解决方法：它将输入的action使用tree-structured的方式进行存储。这样的结构引入了更多的信息，也便于后面对生成结果进行判定。本文实际上也算是Facebook在以前工作上的一种再创新。

为了便于读者理解，这里给出了论文中一个关于tree-structured input的数据。这是Facebook发布的Dialogue System中的一个case。他将Actions结构化。Reference指期望给出的NLG输出。

Query: "Do I have any reminder to buy milk?"
Structured Actions: INFORM 1[amount[ 3 ]]INFORM 2[todo[ buy milk ] date time[time[ 7 pm ]]]INFORM 3[todo[ buy milk ] date time[colloquial[ tomorrow ]]]INFORM 4[amount remaining[1]]
Reference: Yes, there are 3 reminders. The first two are, buy milk at 7 PM and tomorrow. There’s 1 other reminder.

Bucketing策略

这种策略方式使用比较少，在机器学习中有使用过（我也是咨询了一位同事之后，才了解和理解的）。

在深度学习中，我们通常随机选取一批数据进行模型的训练。如batch_size = 64，选取64个随机数据进行训练。Bucketing则是一种按照某种【策略】将数据分成一个个的bucket（桶），然后将一个个的Bucket的数据丢入到模型中进行训练。这样的训练方法可以减少在模型训练过程中由imbanlanced distribution带来的bias，也能提高数据的利用率，是常用的一种利用“少量数据”训练模型的方法。

在Bucketing的过程中，这种【策略】就非常的重要。好的策略能大大提高数据利用率，坏的策略通常不比随机好，甚至会误导模型的学习。设置Bucket策略的出发点是：各个bucket中的数据中，不一样的信息是希望模型能够学习的信息，一样的（共有的）信息是模型可以忽略的信息。

在本论文的任务上，因为数据是tree-structured的数据，作者这里数据的tree-structured degree和argument values，尝试了多种方法进行Bucketing，都取得了比random好的效果。

BART模型

BERT模型我听过，BART模型又是啥？？是不是写错了？BART是FaceBook AI团队在2019年发布的一款适用于生成的预训练语言模型。

如果说BERT适合做NLU，GPT框架适合做NLG。那如果我二者取其长，是不是就能更好的做NLP任务了？这个想法很简单也很正常，但你发不了paper，因为你没钱去训练这样的模型，但人家FaceBook有，所以人家FaceBook发了Paper（手动狗头）。模型框架很简单，但是非常有效，出来即刷新榜单，目前在NLP任务中，同量级的模型上仍有多处属于SOTA。

BART模型在HuggingFace的Transformers上开源了自己的预训练模型。笔者在今年8月份使用过BART模型进行过文本摘要生成。对于英文的生成来说，效果确实非常好，基本不用fine-tune也能比较好的生成通顺的有意义的文本；但是对于中文，因为没有Bart-zh，所以无法直接测试。不过FaceBook开放了25种语言的mBART，可用来做中文的文本生成，但直接生成的效果不好，语句通顺都成问题，还未尝试过fine-tune。不过从当前他人的使用评价和论文的结果来看，BART是一个很适合文本生成的预训练模型。

Paper Body

在介绍文章主体之前，我们再梳理一下文章说到的几个要点知识。确保这几个知识点你都能接受和掌握，我们再来看文章细节。

• NLG任务是给定输入的（dialog act，user query），生成语句通顺，信息正确的回答。

• 传统NLG系统大多使用基于模板的文本生成（template-based text generation)，有优有劣。

• 新的基于神经网络的NLG（neural-network-based language generation），其框架中主要步骤包括：

1. 对于输入进行meaning representation（MR）；

2. 使用sequence-to-sequence（S2S）框架，产生对应的response。

• 因为本论文要探讨的是NLG产品化落地，所以我们期望探索不同数据量下模型精度结果的情况。即，在Data-Reduction的情况下，如何提高Data-Efficiency。

• 因为是要探讨NLG的产品化落地，所以也期望做一下模型压缩在NLG方面的探索。

• 在上面的几点理解后，我们从以下4个方面来看这篇论文：

  • 训练数据

  • Bucketing策略

  • 评估方法

  • 模型

  四种训练数据

  数据这里使用的是Facebook团队2019年给出的四个对话系统相关的数据，数据的存储格式都是tree-structured的，数据的领域分别是：Weather, Reminder, Time, Alarm。数据的样例格式如上面给出。

  四种数据处于不同难度级别，其中Weather最难，Alarm最简单。论文作者认为，这四个领域的数据能基本代表Task-oriented Dialogue System上NLG的难度水平，也基本满足NLG任务的任务需求（虽然笔者我不这么认为，读者也不一定这么认为????）。

  三种Bucketing策略

  这里作者根据数据tree-structured的结构特色，使用了三种Bucketing策略，分别是：

  • Coarse grained（CB）: 使用data中argument names进行Bucket group

  • Medium grained（MB）: 精细到使用data中sub-arguments进行Bucket group，对于词语的形态进行归一化

  • Fine grained buckets（FB&FBQ）: 更精细化的操作，包括对argument-value去语义化，甚至对query进行去语义化 (FBQ)

  

  一个完整的训练集使用不同的Bucketing策略，将会被分割成不同数量的buckets。越精细的Bucketing策略，被划分的buckets数量就越多。比如Weather的训练数据集使用CB:MB:FB划分得到的buckets数量分别是2240：6406：15456. 如上图是一个case以及其各种bucket策略的例子表述。

  实验结果证明，无论哪种Bucketing策略，效果都优于random。其实可以预料得到，因为一个正确的bucket策略相当于引入了先验知识，让模型更能按照正确的方向进行优化学习。所以同等训练量和模型容纳能力的情况下，模型效果会更优。

  三种评估方法

  说到NLG问题，就一定绕不开NLG产生结果的评估。因为是自然语言生成的结果，和标准结果之间不能简单的用“==”来判断结果是否正确，因为会存在语义相同，表述不同的结果；也不能使用简单的Rouge-L来评判，因为如果在关键词（如数字，是否）上表述错误，是不可原谅的。所以NLG的结果评判也一直是一个问题。当然，可以引入人为评测，但是如果每一个NLG都使用认为评测，那么成本将非常的高昂。这里作者所使用的3种评测方法是：

  • Tree Accuracy: 因为数据本身是tree-structured数据，所以非常方便的检测生成文本的重要token是否是MR中的token，如果是记为1，否或者缺失记为0；

  • BLEU: 2002年提出，是NLG中通用的一种结果检测方法。此处不做细述。

  • 人工评测：有钱土豪用人工，土豪FaceBook没道理不用。这里论文从Correctness和Grammaticality两个方面对生成文本进行测评。

  三种模型方法和结果

  在原论文中最后给了7种模型策略，但我只列举了三种，因为其它都是在该三种方法上的排列组合。

  • S2S：使用Sequence-to-Sequence框架，用LSTM做encoder和decoder，输入的embedding使用的是glove的embedding。优点是轻量级，小。

  • BART：基于BART的模型框架进行Encoder-Decoder的模型训练，在BART的基础上进行fine-tune。

  • KD（Knowledge Distillation，知识蒸馏）：使用BART的模型太大了，不利于模型的线上使用，需要使用知识蒸馏的做法。这里KD指的是将BART蒸馏到S2S模型中。

  此外，作者还提到了JT和DDA。这不算模型，算是两种通用的增强模型效果的方法：

  • Joint-Training(JT): 将多个相近领域的数据一起训练。

  • Dynamic Data Augmentation (DDA)：对于不同的Epoch，随机替换每个argument value。这样即便使用一批数据进行训练，每个Epoch的数据都不一样，增大数据可用性。个人认为：由于此任务数据的固有特点，才得以使用该方法进行数据增强，算是合理利用数据特色进行数据增强的一种方法。

  最终输出的7种模型分别的输出结果如下：

  图中横坐标是训练数据量，纵坐标是精度。最后作者认为：S2S+KD 和 S2S+KD+DDA取得了最好的效果。

  当然，全文的重点是NLG的Data Efficiency，所以会实验各种数据量之下的模型结果，DDA策略无疑Data Efficiency最佳。而KD效果最差，但KD主要是为了工程应用而生，毕竟KD之后的S2S模型只有2M。

  能达到这样的结果，确实振奋人心。用几句话总结论文的结论，那就是：我们的Bucketing策略很好，我们的DDA很好，我们的TreeAccuracy很好，我们的KD很好。

  此外，论文还分别给出了在四个Domian上的3种测评结果以及人工测评结果，最后给出结论：我们提出的Tree Accuracy还是很有代表性的；我们使用的S2S+KD+DDA是很有效果的，在四个Domain上通用。

  论文结论

  文章的结论我打算整体翻译一下，因为确实是提纲挈领，很有概括性（英文好的建议读原文，原文截图我保留在下面）：

  在训练task-oriented对话系统时，不仅要考虑模型的精度，还需要考虑模型的数据利用率以及可接受性（acceptability），响应延迟和所需的开发维护成本。为此，我们提出一个NLG开发流程：

  • 根据数据中的结构（此处为基于树）对meaning representation进行Bucketing采样，以避免不必要和不平衡的数据采集，每个bucket收集1-3个case。训练模型并进行评估。

  • 如果有任务和语义相似的多个domain数据，可以先进行联合训练，然后进行domain内微调。训练模型并进行评估。

  • 实施动态数据增强（DDA），以减少响应对“可互换参数值”的依赖。与增强数据一起训练，并评估模型性能。

  • 首先，使用预训练的模型（例如BART）为未标记数据生成响应，得到增强数据。然后，用增强数据和人工标记的数据，训练一个小模型（KD）。最后，用人工标记数据，进一步微调该模型。评估模型性能。

  • 如有必要，请为每个MR存储桶收集更多示例，并从头开始部署模型。

  

  我的理解

  关于论文

  论文本身是一个偏实验性的论文，所以阅读时需要注重理解论文设计的原因。因为是做对话系统中的NLG，而且是基于该组2019年发表的数据集进行训练，其格式化的数据格式，引入了本文中两个非常大的亮点：Bucketing策略 和 DDA方法。注意，这两种方法都是需要在Tree-based数据上进行实现的。此外，模型使用的BART模型和KD方法，都属于比较通用的方法，创新性属于锦上添花。

  当然，论文期望知道 NLG落地对数据的需求（Data Reduction）、可能的数据增强方法（DDA）、模型压缩（S2S+KD）能达到的精度和应用领域的差异影响 的结果是什么，并为此设计了一系列实验，也给出了相应的结论。

  关于NLG

  如开头所说的，一个完备的NLG意味着真正图灵机的实现，也意味着真正人工智能时代的到来。目前各大顶级公司都在走这样的路，包括目前很多论文都是将大量的NLP任务转化为语义理解的任务，如：机器阅读理解代替NER，QA方式代替信息抽取，模型生成代替文本分类。例如T5模型将各类NLP任务转化为一个通用任务模型，例如GPT-3的finetune用普通的自然语言描述代替。NLG目前不属于一个很好的可以工业落地和应用的领域，但是自然语言学者们却一直在探索NLG的任务。

  一直说NLG的回答有很多的不可控性，本论文给出了一种Tree Accuracy的方法来评测模型生成的结果，确实从一定程度上衡量了模型输出结果的准确性，算是为NLG的落地提供了一些方向（在格式化文本输出的落地上提供可能）。但是这种情况其实是假设我们已经获取到了输出所需的槽位值，而非真正意义上的从文本中去理解，然后获取相关关系，再产出合理化的回复。所以本文对于通用意义上的NLG有参考意义，但对于问题的解决还是有很长的路要走！路漫漫其修远兮！

  最后的最后，请记得，素质三连！！！

  后台回复关键词【入群】

  加入卖萌屋NLP/IR/Rec与求职讨论群

  后台回复关键词【顶会】

  获取ACL、CIKM等各大顶会论文集！