0%

Prompt - Task Reformulation in NLP


  • 记录近年基于模板来完成任务重构的方法,这是一个比较有意思的方向,尤其是GPT3出现之后。 这类方法一般针对任务设计prompt,将样本和任务一起转换为自然语言形式的template,直接输入预训练语言模型预测出文本,间接的完成任务。prompt的构建一方面统一了下游任务和预训练任务的形式(语言模型)在few shot learning上能取得较好结果。主要阅读以下9篇论文:
    • 早期的将问题转为自然语言并使用预训练语言模型解答的:
      • (Harvard)Commonsense Knowledge Mining from Pretrained Models
      • (Heidelberg)Argumentative Relation Classification as Plausibility Ranking
      • (NVIDIA)Zero-shot Text Classification With Generative Language Models
    • PET方向,Pattern Exploiting Training
      • (LMU)Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference
      • (LMU)It’s Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners
      • (UNC)Improving and Simplifying Pattern Exploiting Training
    • 自动构建prompt,Automatically Searching Prompts
      • (UCI,UCB)AUTOPROMPT: Eliciting Knowledge from Language Models with Automatically Generated Prompts
      • (Princeton, MIT)Making Pre-trained Language Models Better Few-shot Learners
      • (THU)GPT Understands, Too

Commonsense Knowledge Mining from Pretrained Models

  • 作者想要做到挖掘未知分布数据中的常识,而传统的监督学习方法容易受到训练集中的数据分布影响,导致结果有偏差
  • 将关系三元组转换为masked sentence送给BERT,通过BERT的预测结果计算互信息来对三元组的可信度排序
  • 任务,给定一个三元组为其打分,确定这个三元组代表了真实世界知识的可能性,作者将其分为两步:
    • 将三元组转化为mask过后的句子:对每个关系手工设计了多个模板,同时还设计了一系列规则来确保语法正确性(单复数、插入冠词、改动名词等等),这样所有模板和规则的组合得到了一系列候选句子,然后通过预训练单向语言模型来计算每个句子是正常句子的得分log-likelihood
    • 将生成的句子输入BERT打分:这里作者用条件点互信息计算,即在关系r的条件下,头尾实体之间的互信息大小作为分数: \[ PMI(tail,head|relation) = \log p(tail|head, relation) - \log p(tail|realtion) \\ \] 放在语言模型中,实际上就是将tail mask掉然后预测,只不过上式右边第一项是只mask tail,第二项则还mask掉了head(只mask,不预测)。另外可能出现实体由多个词组成的情况,这里作者采用了一种贪心近似的方法,先把词全部mask掉然后预测,拿到概率最高的词unmask,再反复迭代预测剩下的词,每次还原概率最高的词,之后累乘这一系列概率就可以得到整个词的条件概率。上式并不是对称的,因此作者还反过来计算了基于关系和尾实体的头实体概率,最后平均两个PMI值作为结果。
  • 最终结果虽然比不上监督学习,但是在无监督学习中取得了最佳效果
  • 这是较早尝试利用预训练模型的Mask Predict,将任务设计为完形填空来完成,可以看到这里的Pattern还是手工设计(针对每个关系设计一系列规则)。

Argumentative Relation Classification as Plausibility Ranking

  • 这篇论文做的任务为Argumentative relation classification,即文本对分类,给定(或者不显式给出)结论,区分一对文本是支持还是反对。正例文本对里,两个文本都支持结论;负例文本对里,一个支持结论而另一个不支持,互相反驳。
  • 对于这个很有意思的任务,作者采用了一个同样很有意思的做法:使用孪生网络做ranking,rank的是一个构造文本的plausibility,即可信度。而这个构造文本是什么?很简单,将要判别的两个句子用一个连接词连接起来,得到构造文本的正负例:
    • 正例:文本A,而且,文本B
    • 负例:文本A,然而,文本B
  • 假如文本A和文本B是反对的关系,那么显然负例这么一段文本的可信度高;为文本A和文本B互相支持,那么正例构造文本的可信度高。
  • 接下来就用预训练语言模型作为孪生网络的编码器,然后做ranking。
  • 本质思想是构造了文本和任务,将任务用正常的自然语言表示,这样就可以利用学习到正常文本知识的语言模型来做学习和预测。
  • 和上一篇论文一样,核心都是将任务转为自然语言(模板),巧用预训练语言模型间接的完成任务(完成构造任务)

Zero-shot Text Classification With Generative Language Models

  • 作者使用GPT,将文本分类问题转化为给定包含原文本和类别的自然语言,通过文本生成间接判断类别
  • 这样做的一个好处即标题提到的zero-shot,可以泛化到训练集中不存在的类别
  • 具体而言,将文本分类问题转为一个选择QA任务,即所有的选项拼成了问题:该文本属于下面哪一类?A;B;C;D.....,之后再拼接上待分类文本,目标是训练语言模型,直接生成正确的类别的文本。
  • 另外为了减少预训练和finetune之间的gap,作者还加入了一个前置的预训练任务,叫title prediction pretraining,即将所有候选标题和正文拼接起来,然后生成正确的标题。
  • 这是一篇非常直观、间接且大胆的利用语言模型分类任务的工作,直接让语言模型生成类别文字。 gW98oV.png
  • 最终的zero-shot结果,虽然依然比不上finetune和sota,但是相比random和majority两个baseline可以比较出模型还是学到了相当强的泛化能力。最主要的还是把语言模型玩出了花,提供了这么一种直接设计多项选择疑问句来完成分类任务的思路。

Exploiting Cloze Questions for Few Shot Text Classification and NaturalLanguage Inference

  • 该论文正式引入了PET的概念:Pattern-Exploiting Training。
  • 在上面三篇论文中我们可以看到,很多NLP任务可以通过提供自然语言任务描述的方式,通过语言模型来无监督的或者间接的完成。但是这类方法终究还是比不过监督学习方法。
  • PET提供了一种半监督学习方式,在低资源场景下成功超过了监督学习模型的结果。
  • 一张图就能说明PET的原理: gWivmd.png
    • 作者引入了两个名词,pattern负责把输入文本根据任务改造成一个带mask的完形填空文本,verbalizer负责把语言模型预测的mask词映射到label上。这样一个pattern对应一个verbalizer,称为PvP。。。(pattern verbalizer pair)
    • 整个PET过程分三步:
      • 第一步用PvP,在小训练集上微调预训练语言模型
      • 第二步,每一个任务可以设计多个PvP,这样得到多个第一步训练出的语言模型,集成,在大量未标注数据上打标软标签
      • 第三步,用一个分类器在打标后的数据上完成监督学习
  • 第二步中有两个小细节:多分类器集成,即多个预测标签分布相加,这里可以等权重相加,也可以根据PvP直接在训练集上zero-shot的表现作为先验权重(实验结果这样做好些);打标时打的是软标签即概率分布,softmax时取T=2做了温度处理。这两个处理都是为了能够更好的学习到语言模型的知识,一个在于集成更加鲁棒,另一个则相当于知识蒸馏。
  • 另外作者还提出了iPET,其实就是传统的半监督学习,训练打标之间迭代,用越来越多的数据训练出不同代模型然后集成。
  • 这样的半监督框架好处在于,最终实际操作依然是监督学习,准确率较高,而语言模型带来的不确定性在知识蒸馏(软化标签)的时候降低了。

It's Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners

  • 还是PET原版人马,又水了一篇,换了个动机,说用PET的话,小模型也能在few-shot上取得与GPT-3这样的大模型接近的结果,环保
  • 将PvP中要预测的词从单个mask扩展为多个mask,训练的时候插入固定最大数量的mask,预测时再做后处理
  • 给了更丰富的实验结果(不过好像还是arxiv挂着,没中会议。。。)(更新:惊了,拿到了NAACL 2021 杰出论文)

Improving and Simplifying Pattern Exploiting Training

  • gIih5j.png
  • PET依然需要大量领域未标注数据来做半监督学习,本文提出了ADAPET,不用未标注数据也能取得更好效果
  • 作者通过修改任务目标来达成这一目的。当我们使用PET时,浪费了两类信息:
    • mask位置上预测的词,仅仅在与类别label有映射关系的target word vocab上做softmax计算交叉熵,其余词没有计算损失
    • 仅仅预测了mask位置,其他所有位置的embedding没有计算损失
  • 因此作者就想充分利用这两个信息,修改任务目标
    • 将损失从交叉熵改为两个二元交叉熵,一个依然是在label相关target词上算损失,另一部分损失则负责优化降低其他所有不相关词的概率
    • 将mask替换为正确或者错误的target word,然后对输入剩下部分做MLM,要是target word对的话MLM就应该预测对,反之就应该预测错
    • 分别对应图中左右两类损失
  • ADAPET增加了目标函数,对参数做了更充分的训练,对比PET结果也确实不错,不使用未标注数据还在很多任务上超过了PET

AUTOPROMPT: Eliciting Knowledge from Language Models with Automatically Generated Prompts

  • 由上面介绍的工作可以发现,构建有效的文本来触发语言模型得到结果至关重要,即构建prompt。目前看到的都是手工构建的,后来也出现了一批工作尝试自动构建prompts
  • 这个工作其实不能算是prompts,更准确的说法是trigger words sequence,因为它其实是把文本对抗样本生成的一套方法拿到了prompt构建当中。
  • 具体而言,其借鉴了HotFlip: White-box adversarial examples for text classification 和 Universal Adversarial Triggers for Attacking and Analyzing NLP两篇论文,即在样本中拼接一系列触发词,即可使得模型的预测结果错误,而模型的触发词搜索主要使用的是hotflip方法:
    • 初始化触发词 \[\mathbf{e}_{a d v}\](比如the,a,an等),前向过一遍模型得到损失关于触发词embedding的梯度 \[\nabla_{\mathbf{e}_{a d v}} \mathcal{L}\] ,注意这里用于计算损失所用的label应该是想要攻击得到的错误label,即fool model之后的label
    • 我们希望替换第i个触发词为词 \[\mathbf{e}_{i}\],使得替换之后损失下降的最多,模型最容易预测出错误的标签,所以我们要找的词是 \[ \underset{\mathbf{e}_{i}^{\prime} \in \mathcal{V}}{\arg \min } \mathcal{L}(\mathbf{e}_{i}^{\prime}) \]。这里通过泰勒一阶展开来近似,需要求到损失关于token的导数,由于token embedding lookup不可导,所以才需要求到某个token的embedding的导数
    \[ \mathcal{L}(\mathbf{e}_{i}^{\prime}) = \mathcal{L}(\mathbf{e}_{a d v_{i}}) + \left[\mathbf{e}_{i}^{\prime}-\mathbf{e}_{a d v_{i}}\right]^{\top} \nabla_{\mathbf{e}_{a d v_{i}}} \mathcal{L} \] \[ \propto \left[\mathbf{e}_{i}^{\prime}-\mathbf{e}_{a d v_{i}}\right]^{\top} \nabla_{\mathbf{e}_{a d v_{i}}} \mathcal{L} \]
    • 这样就得到了第一轮迭代中的第一个触发词,之后通过beam search得到剩下的触发词,并迭代多次,最终得到可以用于攻击模型的触发词序列。
  • 以上是文本对抗攻击中的hotflip方法,其本质就是生成一些触发词,拼接到样本上,使得模型预测出错的label。autoprompt的思想就是生成触发词,使得模型预测出指定label。 ghFDuF.md.png
  • 接下来就简单了。作者首先在训练集上用hotflip方法为每个任务生成了触发词,然后用模板将样本变为一个句子,如图所示,句子拼接上触发词序列([T])和PLM要预测的mask位置([P]),让模型预测出词之后再后处理得到label。具体的后处理操作是,将每个label对应的预测词集合得到的概率累加,最后归一化,作为标签的概率。
  • 上面只说了PvP中的prompt自动构建方法,而verbalizer,即预测词到标签的映射作者也给出了一个自动搜索的方法:
    • 将PLM编码之后包含上下文信息的mask token的embedding作为特征输入,标签作为输出来训练一个logistic分类器,之后将所有词的PLM编码之后的embedding依次输入这个分类器,得到每个词在每个标签上的评分,根据评分top k来为每个标签类别选择词作为映射集合。这么做实际上是将预测标签所需的mask token编码embedding和每个词的编码embedding比较,取最相近的top k,只不过利用logistic分类器做了一个类别相关的特征加权,不仅仅是取PLM编码之后的语义相似度,非常巧妙。

Making Pre-trained Language Models Better Few-shot Learners

  • 这篇论文标题就是GPT3的标题加了个better,强调如何更好的利用prompt做few shot learning。
  • 提出了一个训练体系:基于prompt的微调+prompt自动生成+动态选择性融入任务说明到prompt中,且这一切都是strong task-agnostic。接下来分别说这三点改进。
  • g58yOe.png
  • 上图清晰的展示了第一点改进:基于prompt的微调。可以看到,和以往prompt方法相比,除了输入、prompt之外,输入还拼接上了每个label的说明
  • 至于prompt自动生成,分为两部分:
    • 如何在给定模板的情况下,自动生成目标词到标签的映射。这里作者也是用PLM的结果不断迭代。首先对每个类,找出这个类的所有训练样本,通过PLM推断得到mask词的概率分布,累加所有样本的概率分布取topk就得到了词到该类别标签的映射。由于接下来训练微调时模型参数变化,结果可能有改变,所以需要每轮训练后重新rerank调整一下映射关系。
    • 给定类别和这个类别的目标词,如何生成模板。作者采用了T5模型,因为其mask span seq2seq预训练的目标和模板生成任务很符合。一张图就可以解释清楚: g5YjfI.png 这样生成的prompt考虑了训练样本上下文和标签词的语境。作者使用wide beam width来beam search出一堆prompt候选(100+),然后在一个小训练集上微调每个样本,取验证集最高的(或者topk集成)作为最终prompt
    • 动态选择性融入任务,这里做的比较麻烦,即得到prompt后如何构造输入样本,也是如第一张图所示,对每个类别,采样一个样本转化为prompt当做这个类别的说明,将所有类别说明和输入样本(待训练样本)拼接。采样时,使用sentence-BERT得到每个样本的语义embedding,然后只取和输入样本语义相似度前50%的样本进行采样。
  • 这种prompt的设计有点像是在做语义相似度任务,输入x,已知y为正例,z为负例,构造了输入为“x是mask例?y为正例;z为负例”,相当于比较x与yz的语义相似度,做一个标签的传播

GPT Understands, Too

  • g52dDH.png
  • 本文提出了P-tuning,即不是找离散的prompt(具体文本),而是找连续的(embedding)
  • 回顾一下整个prompt based methods,都是把数据和任务转化为语言模型任务的形式,使其更加贴近预训练目标,能够更好的利用预训练模型的知识。实际操作时,就是把输入添加一些prompt generated templates,输出变成与类别label相关的target words,作者反思,这些prompt generated templates 本质上就是一些词,一定要是人类能够理解的文本吗?这些文本输入到模型的实际上是embedding,那么搜索prompt的时候为什么不直接优化embedding呢?所以作者提出就用几个词表中没用的符号(例如BERT中的unused)来作为pseudo template token,固定这些token,不去搜索新的token,而是直接优化token对应的embedding。
  • 为了让这些pseudo token更像是自然语言,而不是独立的几个符号,作者还用了双向LSTM来做编码,即prompt encoder,这里感觉动机阐释的不是很清楚,为什么不能放在PLM里直接建模之间关系?
  • 这么看来整体就相当于输入拼接上几个embedding然后去优化,只不过输出和后处理采用了PET的形式,很像自己加了某个层去微调(所以叫Prompt finetuning?)。我感觉加层微调和P-tuning都是引入少量参数把PLM用到自己的下游任务上,只不过P-tuning转换了下游任务形式,使其跟贴近预训练目标,算是微调结构先验更合理吧,同时也算是从另一个高度总结了prompt一类的工作。