Google开源了可加速文本生成的AI模型LaserTagger

由序列到序列的AI模型由Google于2014年推出，旨在将输入（通常是文本）与输出进行映射，其中输入和输出的长度可能会有所不同。它们被用于文本生成任务，包括摘要，语法错误纠正和句子融合，并且最近的体系结构突破使它们比以前更能发挥作用。但是它们并不完善，因为它们需要大量的训练数据才能达到可接受的性能水平，而且它们通常逐字生成输出（这会使它们固有地变慢）。

这就是Google研究人员开发LaserTagger的原因，LaserTagger是一种开放源代码的文本编辑模型，该模型可以预测将源文本转换为目标文本的一系列编辑操作。他们表示LaserTagger以一种不易出错的方式处理文本生成，并且更易于训练和执行。

LaserTagger的发布是Google在自然语言处理和理解领域迈出的重要一步。本周，他们完成了Meena的总结，Meena是一个具有26亿个参数的神经网络，可以处理多圈对话。

LaserTagger的工作原理是：对于许多文本生成任务，输入和输出之间经常存在重叠。例如，在检测和纠正语法错误或融合多个句子时，大多数输入文本可以保持不变，只需修改一小部分单词。然后，LaserTagger会产生一系列的编辑操作，而不是实际的单词，例如keep（将单词复制到输出，delete 删除单词，以及keep-addx或delete-addx在标记前添加短语X，并可以选择删除已标记的字）。

添加的短语来自受限制的词汇表，该词汇表已经过优化，可以最大程度地减少词汇量，并增加训练示例的数量。添加到目标文本的唯一必要单词仅来自词汇表，从而避免了模型添加任意单词并减轻了模糊的问题（即，产生输入文本不支持的输出）。而且LaserTagger可以高精度地并行预测编辑操作，与顺序执行预测的模型相比，可以实现端到端的加速。

对多个文本生成任务进行了评估，LaserTagger在使用大量训练示例的基准模型上表现出“相当强大”的性能，并且速度比之前快了100倍。即使仅使用几百或几千个培训示例进行培训，它也会产生“合理”的结果，可以手动编辑或整理。

该团队写道：“ LaserTagger的优势在大规模应用时变得更加明显，例如，通过减少响应的长度并减少重复性，改进了某些服务中语音应答的格式。高推理速度使该模型可以插入现有技术堆栈中，而不会在用户端增加任何明显的延迟，而改进的数据效率可以收集多种语言的训练数据，从而使来自不同语言背景的用户受益。 ”

GitHub链接：https://github.com/google-research/lasertagger

（编辑：衡阳站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!