1 簡(jiǎn)介

Prompt learning作為近期NLP的新寵，熱度不斷攀升，在接下來的一段日子，大概率還是會(huì)處于一個(gè)風(fēng)口的位置。什么是Prompt learing?就是通過引入模版來將原始輸入改造成類似于完形填空的格式，讓語言模型去回答，進(jìn)而推斷出下游任務(wù)的結(jié)果。prompt leanring是如何發(fā)展形成的?包括組成?類型?面臨哪些挑戰(zhàn)?帶著這些問題，我們對(duì)相關(guān)內(nèi)容做了一定的梳理，希望能讓大家對(duì)于Prompt learning整個(gè)框架有個(gè)清晰的認(rèn)識(shí)。

2 NLP發(fā)展的四個(gè)階段

要了解一個(gè)人的話需要去了解他/她的過去。prompt learning作為NLP發(fā)展的重大產(chǎn)物，又有怎樣的一段過去呢?縱觀整個(gè)NLP的發(fā)展，它可以分為以下幾個(gè)階段。

a) 第一個(gè)階段：feature engineering

對(duì)應(yīng)下圖中的Fully Supervised Learning (Non-Neural Network)，這是大家常提的特征工程階段，由于缺乏充分的有監(jiān)督訓(xùn)練數(shù)據(jù)，早期的NLP倚重于前期的特征工程，這需要相關(guān)研究人員或者專業(yè)人士利用自己扎實(shí)的領(lǐng)域知識(shí)從原始數(shù)據(jù)中定義并提取有用的特征供模型學(xué)習(xí)。這個(gè)階段構(gòu)建特征依賴于大量的人工，特征工程的效果也極大程度影響到模型的最終表現(xiàn)。

b) 第二個(gè)階段：architecture engineering

對(duì)應(yīng)下圖中的Fully Supervised Learning (Neural Network)，隨著神經(jīng)網(wǎng)絡(luò)的到來，NLP逐漸過渡到架構(gòu)工程這個(gè)階段，在這個(gè)時(shí)期，大家更注重于如何設(shè)計(jì)一個(gè)合理的網(wǎng)絡(luò)結(jié)果去學(xué)習(xí)有用的特征，從而減少對(duì)人工構(gòu)建特征的依賴。

c) 第三個(gè)階段：objective engineering

對(duì)應(yīng)下圖中的Pre-train, Fine-tune，這也是前幾年常掛在嘴邊的預(yù)訓(xùn)練時(shí)代。在這個(gè)時(shí)期，NLP流行的方法基本都是在大量語料上進(jìn)行預(yù)訓(xùn)練，然后再在少量的下游任務(wù)下完成微調(diào)。在這種范式下，更注重于目標(biāo)的設(shè)計(jì)，合理設(shè)計(jì)預(yù)訓(xùn)練跟微調(diào)階段的目標(biāo)函數(shù)，對(duì)最終的效果影響深遠(yuǎn)。前面兩個(gè)階段都依賴于有監(jiān)督學(xué)習(xí)，但是這個(gè)階段里的預(yù)訓(xùn)練可以不需要有監(jiān)督的數(shù)據(jù)，極大的降低了對(duì)監(jiān)督語料的依賴。

d) 第四個(gè)階段：prompt engineering

對(duì)應(yīng)下圖中的Pre-train, Prompt, Predict，也就是本章節(jié)想要介紹的prompt learning的時(shí)期。在這個(gè)時(shí)期，依舊會(huì)在大量語料上進(jìn)行預(yù)訓(xùn)練，但是在特定下游任務(wù)下可以通過引入合適的模版(prompt)去重構(gòu)下游任務(wù)，管控模型的行為，實(shí)現(xiàn)zero shot或者few shot。一個(gè)合適的模版甚至可以讓模型擺脫對(duì)下游特定任務(wù)數(shù)據(jù)的要求，所以如何構(gòu)建一個(gè)合理有效的prompt成為了重中之重。

圖2: NLP的發(fā)展歷上的四種范式

3 Prompt learning

傳統(tǒng)的監(jiān)督學(xué)習(xí)任務(wù)，是去訓(xùn)練一個(gè)模型P(y|x)，接收x作為輸入，去預(yù)測(cè)y。Prompt learning則不然，它依賴于預(yù)訓(xùn)練語言模型P(x)，通過引入合適的模版template將輸入x調(diào)整為完形填空格式的x’，調(diào)整后的輸入x’里含有某些空槽，利用語言模型P將空槽填充后就可以推斷出對(duì)應(yīng)的y。例如對(duì)于情感分析任務(wù)，傳統(tǒng)的做法就是訓(xùn)練一個(gè)判別模型，去預(yù)測(cè)輸入x對(duì)應(yīng)的標(biāo)簽是positive或者negative，但是如果是prompt learning，則是利用合適模版，將輸入x調(diào)整為 [x], it is [z]。然后作為語言模型的輸入去預(yù)測(cè)相應(yīng)z的取值，如果z是positive相關(guān)的詞，就表示原始輸入x是positive，反之就是negative的。

Prompt learning包括三個(gè)部分，分別是prompt addition，answer search， answer mapping。

a) Prompt addition

選擇合適的模版，定義函數(shù)fprompt(x)，可以將原始的輸入x轉(zhuǎn)化為x‘，即fprompt(x)=x’。經(jīng)過該函數(shù)轉(zhuǎn)化得到的輸入都是帶有空槽，槽位上的預(yù)測(cè)值會(huì)直接決定最后的結(jié)果。另外，這里的模版不僅僅可以是離散化的token，也可以連續(xù)的向量。在不同的下游任務(wù)，可以靈活調(diào)整，選擇合適的模版。

b) Answer search

通過prompt函數(shù)后，將x’輸入到語言模型，去預(yù)測(cè)使得語言模型得分最高的候選槽值。Answer search指的就是從所有可能的候選槽值進(jìn)行搜索，然后選擇合適的槽值填充到對(duì)應(yīng)的空槽里。這里槽值的所有可能結(jié)果的集合為Z，對(duì)于生成任務(wù)而言，Z包括所有的token，但是對(duì)于分類任務(wù)而言，Z只包含跟特定分類任務(wù)相關(guān)的一部分token。例如對(duì)于之前那個(gè)例子而言，Z={positive相關(guān)的詞語,negative相關(guān)的詞語}

c) Answer mapping

當(dāng)通過answer search得到合適的槽值時(shí)，需要根據(jù)槽值推斷最終的預(yù)測(cè)結(jié)果。這部分比較直接，假如是生成任務(wù)，那么填充的槽值就是最終的結(jié)果。但如果是分類任務(wù)，就需要根據(jù)相應(yīng)的槽值歸納到具體的類中。例如情感分類中，如果把跟positive相關(guān)的槽值都?xì)w類到positive一類，把跟negative相關(guān)的槽值歸類到negative一類中。

圖3: Prompt learning

在了解prompt learning的基本組成后，不容易發(fā)現(xiàn)，有以下幾個(gè)方面都會(huì)影響prompt learning的最終效果，后續(xù)我們?cè)賴@著這幾點(diǎn)分別展開。

a) Prompt engineering，如何選擇一個(gè)合適的模版，也就是設(shè)計(jì)合適的模版函數(shù)，是整個(gè)prompt learning的第一個(gè)步。

b) 預(yù)訓(xùn)練語言模型的選擇， 如何預(yù)測(cè)空槽位置上的答案依賴于預(yù)訓(xùn)練語言模型的得分，同時(shí)預(yù)訓(xùn)練語言模型又有4大類。(在文本生成系列的文章對(duì)這這部分的介紹已經(jīng)很詳細(xì)了，這里就不贅述了。)

c) Answer engineering，如何構(gòu)建一個(gè)合適的答案候選集以及一個(gè)從答案到最終結(jié)果的映射。

d) Expanding the paradigm，如何基于基礎(chǔ)的prompt learning去擴(kuò)展，包括multi prompt等。

e) Training strategy，如何選擇訓(xùn)練策略，去訓(xùn)練一個(gè)合適的模型。

4 Prompt engineering

Prompt engineering，如何構(gòu)建一個(gè)合適的模版函數(shù)，使得在下游任務(wù)能取得最高效的表現(xiàn)。Prompt learning利用預(yù)訓(xùn)練語言模型去預(yù)測(cè)最終結(jié)果，那么如何將輸入x轉(zhuǎn)化為語言模型擅長(zhǎng)處理的樣式就是Prompt engineering的工作。一個(gè)不合適的prompt function會(huì)導(dǎo)致語言模型不能做出令人滿意的預(yù)測(cè)。為了最終任務(wù)的效果，我們需要根據(jù)語言模型和下游任務(wù)的特性，去構(gòu)建合理的prompt。

如果模版處于輸入x之中，那么稱為cloze prompt，這種情形多應(yīng)用于使用掩碼語言模型的場(chǎng)景，它能夠緊密的跟掩碼語言模型的預(yù)訓(xùn)練過程相配合。如果輸入x全部位于模版內(nèi)容之前，那么稱為prefix prompt，這種情形多應(yīng)用于生成任務(wù)或者使用使用自回歸的語言模型的場(chǎng)景，它能跟從左往右的回歸模型本質(zhì)更加匹配。

Prompt可以是通過人工構(gòu)建的，根據(jù)人的經(jīng)驗(yàn)知識(shí)構(gòu)建合理的prompt，這也是最直接的方式。但是通過人工構(gòu)建的模版需要耗費(fèi)時(shí)間跟精力， 而且即便是專業(yè)人員也不一定能構(gòu)建得到最優(yōu)的prompt，為此，衍生了不少自動(dòng)選擇prompt的方法，其中包括離散的prompt，也包括連續(xù)的prompt。

5 Answer engineering

Answer engineering旨在尋找一個(gè)合適的答案空間Z以及一個(gè)從答案到最終輸入y的一個(gè)映射。Prompt learning之所以能實(shí)現(xiàn)few shot甚至zero shot，是依仗于預(yù)訓(xùn)練語言模型強(qiáng)大的泛化能力。但是語言模型在預(yù)測(cè)時(shí)都是針對(duì)全詞表的，對(duì)于下游任務(wù)而言并不一定需要全詞表的，例如情感分析任務(wù)下如果預(yù)測(cè)到人稱代詞時(shí)要怎么推斷最終結(jié)果的情緒呢?為此，Answer engineering要去尋找一個(gè)跟下游任務(wù)匹配的答案空間，也就是構(gòu)建候選集，并定義好答案空間到最終輸出之間的映射，候選詞跟最終輸出的對(duì)應(yīng)關(guān)系。

Answer engineering里的答案空間可以是由token，或者片段，或者完整的句子組成。Token跟片段的情形多見于分類相關(guān)任務(wù)，完整的句子多見于生成相關(guān)任務(wù)。答案空間同樣也可以通過人工構(gòu)建，也可以通過模型去搜索查找。大部分的方法構(gòu)造的候選集都是離散化的，只有很少部分方法是連續(xù)化的。

6 Multi-prompt learning

跟打比賽時(shí)經(jīng)常會(huì)集成多個(gè)模型的思路如出一轍，相對(duì)于單個(gè)prompt，多個(gè)prompt往往能提高prompting methods的有效性。常見的多個(gè)prompt的方法有以下幾種類型。

圖4: multi-prompt的類型

a) Ensemble

多個(gè)prompt，每個(gè)prompt都按照單prompt的方法并行進(jìn)行，然后再把最終的結(jié)果匯總，可以通過加權(quán)或者投票的方式匯總多個(gè)單prompt的方法的結(jié)果。

b) Augmentation

增強(qiáng)的方式其實(shí)就是找一個(gè)跟當(dāng)前問題相似的case，然后將這個(gè)case跟當(dāng)前輸入x‘一起輸入，這種模型就可以根據(jù)那個(gè)case對(duì)x‘做出更精準(zhǔn)的預(yù)測(cè)了。

c) Composition

同時(shí)利用多個(gè)prompt構(gòu)建prompt函數(shù)，每個(gè)prompt負(fù)責(zé)一個(gè)子任務(wù)，把多個(gè)prompt的內(nèi)容融合到一起，同時(shí)進(jìn)行多個(gè)子任務(wù)的預(yù)測(cè)。例如關(guān)系抽取任務(wù)，有的prompt負(fù)責(zé)實(shí)體識(shí)別，有的prompt負(fù)責(zé)判斷實(shí)體間的關(guān)系。

d) Decomposition

對(duì)于有多個(gè)預(yù)測(cè)值的任務(wù)，將原始的任務(wù)拆分程多個(gè)子任務(wù)，引入多個(gè)prompt，分別處理子任務(wù)，彼此隔離。也就是把多個(gè)預(yù)測(cè)值的任務(wù)拆分程多個(gè)單prompt任務(wù)去分別處理。

7 Training strategy

根據(jù)是否需要在語言模型的基礎(chǔ)上引進(jìn)新的跟模版相關(guān)的參數(shù)，以及模型參數(shù)是否凍結(jié)可以分為以下4種。(圖中第一種不算是prompt learning)

圖5:訓(xùn)練策略

a) Prompt fine-tuning

NLP發(fā)展史上第三個(gè)階段的先預(yù)訓(xùn)練然后再微調(diào)的方法。

b) Tuning-free Prompting

不需要微調(diào)，直接利用一個(gè)prompt做zero-shot任務(wù)

c) Fixed_LM Prompt Tuning

引進(jìn)了額外的跟prompt相關(guān)的的參數(shù)，通過固定語言模型參數(shù)，去微調(diào)跟prompt相關(guān)的參數(shù)。

d) Fixed-prompt LM Tuning

引進(jìn)了額外的跟prompt相關(guān)的的參數(shù)，通過固定prompt相關(guān)參數(shù)，去微調(diào)語言模型參數(shù)。

f) Prompt+LM Tuning

同時(shí)微調(diào)語言模型跟prompt相關(guān)的參數(shù)。

8 總結(jié)

Propt learnimng，充分利用了預(yù)訓(xùn)練語言模型強(qiáng)大的泛化能力，極大的減少了對(duì)下游任務(wù)有監(jiān)督數(shù)據(jù)的依賴，能實(shí)現(xiàn)few shot甚至zero shot，對(duì)于當(dāng)下數(shù)量眾多的NLP下游任務(wù)，有很大的應(yīng)用前景。但是關(guān)于如何構(gòu)建prompt，如何選擇語言模型，構(gòu)建候選答案空間，構(gòu)建答案到最終輸出的映射，如何選擇訓(xùn)練策略，如何尋找一個(gè)最佳配置使得下游任務(wù)效果達(dá)到最優(yōu)，依舊是個(gè)需要持續(xù)探索的事情。

原文標(biāo)題：Prompt learning入門

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

審核編輯：湯梓紅