ACL 2022 | DialogVED：用于对话回复生成的预训练隐变量编码-解码模型

会员服务 ·

ACL 2022 | DialogVED：用于对话回复生成的预训练隐变量编码-解码模型

2022 年 4 月 22 日 PaperWeekly

©作者 | Hanscal

研究方向 | 知识图谱、对话系统

论文标题：

DialogVED: A Pre-trained Latent Variable Encoder-Decoder Model for Dialog Response Generation

论文链接：

https://openreview.net/forum?id=WuVA5LBX5zf

这是复旦大学数据智能与社会计算实验室 (Fudan DISC) 在 ACL 2022 上提出的一篇对话预训练的工作。针对开放域中怎么产生相关性和多样化的回复这个重要的研究课题，论文中提出了一种新的 对话预训练框架 DialogVED ，它将连续隐变量引入增强的编码器-解码器框架中，以提高生成回复的相关性和多样性。

对话回复生成中有一个众所周知的一对多问题，即单个对话上下文可以跟随多个合理的回复。现有的工作引入了潜变量来模拟这个问题。最近，PLATO 在预训练对话模型中引入了离散隐变量，并在多个下游响应生成任务中展示了显著的性能提升。除了离散潜变量外，连续潜变量也通常用于建模对话系统中的一对多映射，但将连续隐变量与大规模语言预训练结合的潜力却很少有人探索。

优化内容

在本文中，作者就提出了一种将连续隐变量引入到编码器-解码器框架的模型 DialogVED，并同时优化以下 4 个训练目标来进行预训练：1）掩码语言模型损失，以增强编码器对上下文的理解，2）具有 n-gram 损失的响应生成损失，以提高解码器的规划能力， 3）Kullback-Leibler 散度损失，以最小化隐变量的后验分布和先验分布之间的差异，以及 4）词袋损失以减少后验分布崩溃。此外，还探讨了绝对和相对位置编码对模型性能的影响。

模型结构

DialogVED 由 编码器、解码器和隐变量 组成，其中编码器决定隐空间的分布，隐变量则从隐空间中抽样得到，编码器和隐变量共同引导解码器，整体框架如下图所示，黄色框中四个 task 就是所需要优化的内容：

▲ DialogVED的预训练和微调框架

编码器

使用多层 Transformer 编码器来编码对话上下文，为了提高编码器的理解能力和对噪声的鲁棒性，使用 span masking 的方式随机遮盖了部分上下文。过程中采用一种简单的方法来遮盖 span：1）在上下文中随机选择 n 个 token，表示为 S ；2）对于每个 token ，将其扩展到一个固定长度为 m 的文本 span；3）在排序、去重和检查边界之后遮盖所有选中的标记 token。和 BERT 类似，控制上下文中被掩码的 token 总数约占 15%，并使用被遮盖的 token 经过编码后的隐状态表示去预测自身。仅在预训练阶段，进行 span-making 屏蔽上下文操作，损失函数为：

▲ 屏蔽词预测的交叉熵损失函数

LSM 是 log softmax 函数。

隐变量

直观上，引入隐变量可以提供了分层的生成方式，即利用隐变量确定高级语义，然后进行解码以生成句子级别的句法和词汇细节。与变分自编码器类似，主要最小化以下两个损失项：重建损失（或负对数似然）和 K-L 正则化项：

▲ 重建损失函数

▲ KL正则化项

由于在训练过程中，KL 损失会迅速下降到 0（KL 消失或后验坍塌），隐变量空间失去表达能力，于是本文中引入了两种方法来改善 KL 散度消失这种情况，一种是 Free Bits，在 KL 损失中引入 Hinge loss 范式，即在损失函数中加入一个常量 λ，另一种是 Bag-of-words predicting，阻碍模型以自回归的范式来进行预测词而引入的损失函数。

在 Free Bits 中，为了能让更多的信息被编码到隐变量里，让 KL 项的每一维都 “保留一点空间”。具体来说，如果这一维的 KL 值太小，就不去优化它，等到它增大超过一个阈值再优化。

在 Bag-of-words Predicting 中，让隐变量以非自回归方式预测响应中的单词，即鼓励隐变量中可以尽可能包含回复的词汇信息。这个方法可以看做是增大了重建损失的权重，让模型更多去关注优化重建损失项。

▲ 第一种是Free Bits Loss，第二种是Bag-of-words Loss

作者在上下文的开头添加了一个特殊的分类标记 [CLS]，其对应的隐状态表示用于表示全局的对话上下文。假设隐向量的后验分布为正态分布，并使用 MLP 层将 [CLS] 对应的应状态映射为隐空间的均值和对数方差，通过对该正态分布进行抽样，即可得到对应的隐变量，之后将这个隐变量输入到解码器中。

到此可以看到，损失函数由 4 项构成：1）编码器端的遮盖语言损失；2）基于未来预测的 n-ngram 响应生成损失；3）隐变量先验分布和后验分布的 K-L 散度损失；4）词袋预测损失。

解码器

在解码器中使用了未来预测策略，和每个时间步只预测下一个 token 不同，未来预测同时预测 n 个未来 token。具体来说，原始的 Seq2Seq 模型旨在优化条件似然函数，而未来预测策略将预测的优化目标为，其中表示下一个连续的 n 个未来 token。未来的 n-gram 预测损失可以明确地鼓励模型规划未来的 token 预测，并防止对强局部相关性的过度拟合。

同时，在解码器中采用了 ProphetNet 中提出的 n-stream 自注意力机制。 n-stream 自注意力机制在 main stream（主流）之外加入了n个额外的自注意力 predicting stream（预测流），这些预测流分别用于预测 n 个连续的未来 token。 Main stream 和 predicting stream 的工作原理建议读者阅读 ProphetNet [2]。

最后，为了连接隐变量和解码器，采取了类似 OPTIMUS [3] 中提出的 Memory Scheme，即将隐变量映射为一个额外的 memory vector ，这是一个额外的键值对。 memory vector 相当于在解码时加入一个虚拟 token 参与 main stream 自注意力的计算，而 predicting stream 通过与 main stream 交互受到 memory vector 隐式的影响。这样隐变量就可以通过 memory vector 引导解码器每一步的生成。