寫在前面

在一文詳解生成式文本摘要經(jīng)典論文Pointer-Generator中我們介紹了生成式摘要的經(jīng)典模型，今天我們來分享一篇帶風(fēng)格的標(biāo)題生成的經(jīng)典工作。

以往的標(biāo)題模型產(chǎn)生的都是平實(shí)性標(biāo)題，即簡(jiǎn)單語(yǔ)言描述的事實(shí)性標(biāo)題。但是，實(shí)際上我們可能更需要有記憶點(diǎn)的爆款標(biāo)題來增加點(diǎn)擊量/曝光率。因此，衍生出了一個(gè)新任務(wù)——帶有風(fēng)格的標(biāo)題生成，即Stylistic Headline Generation，簡(jiǎn)稱SHG。

本篇文章將介紹TitleStylist模型，該模型是針對(duì)SHG任務(wù)提出的，它可以生成相關(guān)、通順且具有風(fēng)格的標(biāo)題，其中風(fēng)格主要包括三種：幽默、浪漫、標(biāo)題黨。

論文名稱：《Hooks in the Headline: Learning to Generate Headlines with Controlled Styles》

論文鏈接：https://arxiv.org/abs/2004.01980v1

代碼地址：https://github.com/jind11/TitleStylist

1. 問題定義

首先假設(shè)我們有兩類數(shù)據(jù)和：是由文章-標(biāo)題對(duì)組成的數(shù)據(jù)；是由具有某種特定風(fēng)格的句子組成的數(shù)據(jù)。

我們用來表示數(shù)據(jù)，其中表示文章，表示標(biāo)題。此外，我們用來表示數(shù)據(jù)。需要注意的是，中的句子可以是書本中的句子，不一定是標(biāo)題。

假設(shè)我們有、、。那么，SHG任務(wù)目的是從中學(xué)習(xí)，也就是從分布、中學(xué)習(xí)出條件分布。

2. 核心思想

TitleStylist模型整體上是一個(gè)Transformer結(jié)構(gòu)，分為Encoder（編碼器）和Decoder（解碼器）。TitleStylist利用多任務(wù)學(xué)習(xí)，同時(shí)進(jìn)行兩個(gè)任務(wù)：

標(biāo)題生成：有監(jiān)督任務(wù)；在數(shù)據(jù)S上，根據(jù)文章原文生成相應(yīng)標(biāo)題。

帶有風(fēng)格的文本重構(gòu)：無監(jiān)督或自監(jiān)督；在數(shù)據(jù)上，輸入為擾亂后的句子，生成原句。

標(biāo)題生成與帶有風(fēng)格的文本重構(gòu)兩個(gè)任務(wù)的數(shù)據(jù)集和模型都是獨(dú)立的。為了生成帶有風(fēng)格的標(biāo)題，TitleStylist通過參數(shù)共享將二者融合。

3. 模型細(xì)節(jié)

3.1 序列到序列模型架構(gòu)(Seq2Seq Model Architecture)

如上圖，TitleStylist采用了Transformer架構(gòu)的seq2seq模型，它包含編碼器和解碼器。為了提高生成的標(biāo)題的質(zhì)量，TitleStylist使用MASS模型來初始化模型參數(shù)。

3.2 多任務(wù)學(xué)習(xí)

為了分離文本的風(fēng)格和內(nèi)容，模型引入多任務(wù)學(xué)習(xí)框架。在這里主要包含兩個(gè)任務(wù)：標(biāo)題生成及DAE（Denoising Autoencoder）。根據(jù)論文描述，我們?cè)谶@里將DAE稱為帶風(fēng)格的文本重構(gòu)。

有監(jiān)督的標(biāo)題生成

在標(biāo)題生成任務(wù)中，首先我們輸入文章原文，然后經(jīng)過編碼器獲得向量表征；接著，再利用解碼器生成標(biāo)題。

換句話說，在標(biāo)題生成任務(wù)中，我們是利用編碼器和解碼器學(xué)習(xí)條件分布。我們?cè)O(shè)是編碼器的待優(yōu)化參數(shù)，是解碼器的待優(yōu)化參數(shù)，那么標(biāo)題生成任務(wù)的損失函數(shù)如下：

其中是單向語(yǔ)言模型，即：

這里代表句子的長(zhǎng)度。

無監(jiān)督/自監(jiān)督的風(fēng)格文本重構(gòu)

在文本重構(gòu)任務(wù)中，對(duì)于句子，我們通過隨機(jī)刪除或者遮蓋某些詞，或者改變文本中詞的順序可以獲得破壞版本的句子。將作為模型輸入，經(jīng)過編碼器獲得中間表征，再經(jīng)過解碼器進(jìn)行還原獲得。這個(gè)任務(wù)的目的是在還原句子時(shí)使模型學(xué)到風(fēng)格化句子的能力。

同樣我們?cè)O(shè)是編碼器的待優(yōu)化參數(shù)，是解碼器的待優(yōu)化參數(shù)，那么文本重構(gòu)任務(wù)的損失函數(shù)如下：

聯(lián)合學(xué)習(xí)

最終，多任務(wù)學(xué)習(xí)會(huì)最小化將兩部分的損失函數(shù)之和：

3.3 如何生存帶有特定風(fēng)格的相關(guān)標(biāo)題

到目前為止，大家可能會(huì)有所疑問：兩個(gè)任務(wù)除了損失函數(shù)是一同優(yōu)化外再?zèng)]有看到其他任何關(guān)聯(lián)， 那么TitleStylist怎么可能學(xué)到問題部分定義的終極目標(biāo)，畢竟我們只有來自分布、的數(shù)據(jù)，并沒有來自分布的數(shù)據(jù)。

實(shí)際上，TitleStylist通過設(shè)計(jì)參數(shù)共享策略，讓兩個(gè)任務(wù)的編碼器及解碼器存在某種關(guān)聯(lián)，最終以此來建模。那么如何進(jìn)行參數(shù)共享呢？

最簡(jiǎn)單的，可以直接共享所有參數(shù)（與共享，與共享）。這樣模型等于同時(shí)學(xué)了標(biāo)題生成與帶風(fēng)格的文本重構(gòu)兩個(gè)任務(wù)。其中標(biāo)題生成的任務(wù)讓模型學(xué)到了如何生成與文章內(nèi)容相關(guān)的標(biāo)題；帶風(fēng)格的文本重構(gòu)則讓模型學(xué)到了如何在還原文本時(shí)保留文本具有的風(fēng)格。在兩個(gè)任務(wù)的相互加持下，模型就可以生成和文章相關(guān)的又具有特定風(fēng)格的標(biāo)題。

好了，我們就想到這里。接下來看看TitleStylist究竟是怎么做的。

3.4 參數(shù)共享

剛才我們所說的直接共享所有參數(shù)的方式存在一個(gè)問題，就是模型并沒有真正地顯式地區(qū)分開文本內(nèi)容與文本風(fēng)格，那么模型就是又學(xué)了中的事實(shí)性風(fēng)格，又學(xué)了中的特定風(fēng)格（比如幽默、浪漫或標(biāo)題黨）。

TitleStylist為了更好地區(qū)分開文本內(nèi)容與文本風(fēng)格，顯式地學(xué)習(xí)數(shù)據(jù)中所包含的風(fēng)格，選擇讓編碼器共享所有參數(shù)，解碼器共享部分參數(shù)。個(gè)人認(rèn)為編碼器端之所以完全共享參數(shù)，是想在編碼時(shí)盡可能保留原文信息。

如上圖所示，解碼器端的參數(shù)主要被分成兩部分：黃色部分表示不依賴風(fēng)格的參數(shù)，是共享的；剩余依賴風(fēng)格的參數(shù)，不共享。

具體地，存在于Layer Normalization及Decoder Attention，即層歸一化及解碼器注意力兩部分：

(1) 帶風(fēng)格的層歸一化（Style Layer Normalization)

帶風(fēng)格的層歸一化這個(gè)部分是借鑒圖像風(fēng)格遷移的思想。其中分別是的的均值和標(biāo)準(zhǔn)方差，是模型需要學(xué)習(xí)的與風(fēng)格相關(guān)的參數(shù)。

(2) 帶風(fēng)格的解碼器注意力（Style-Guided Encoder Attention）

TitleStylist認(rèn)為兩個(gè)任務(wù)的解碼器端在逐個(gè)生成下一個(gè)詞時(shí)的注意力機(jī)制應(yīng)該有所不同。在這里，TitleStylist主要是設(shè)置了不同的，以此生成不同的從而形成不同的注意力模式。

這里代表風(fēng)格，對(duì)標(biāo)題生成而言其實(shí)可以算作事實(shí)性風(fēng)格；對(duì)文本重構(gòu)而言，可能是幽默、浪漫或標(biāo)題黨風(fēng)格。

TitleStylist結(jié)合完全共享參數(shù)的編碼器與部分參數(shù)共享的解碼器來實(shí)現(xiàn)其目標(biāo)模型，最終可以生成帶有特定風(fēng)格的又與原文內(nèi)容相關(guān)的標(biāo)題。

總結(jié)

好了，帶風(fēng)格的標(biāo)題生成論文《Hooks in the Headline: Learning to Generate Headlines with Controlled Styles》的內(nèi)容就到這里了。在本篇文章中，我們就論文思想與論文所提出的模型的結(jié)構(gòu)設(shè)計(jì)進(jìn)行了介紹。論文實(shí)驗(yàn)部分小喵沒有細(xì)看，大家感興趣的話可以下載原文并結(jié)合源碼進(jìn)行學(xué)習(xí)。

審核編輯 ：李倩