【问答对话】kbqa？开放域问答怎么有知识地生成

原创

百川AI

修改于 2022-09-06 20:11:25

1.2K0

修改于 2022-09-06 20:11:25

文章被收录于专栏：我还不懂对话

问答是对话的重要任务之一，封闭的垂直领域可以构建问题库，通过检索召回、排序的方式回答，然而到了开放域，怎么既利用外部知识，又能够应对多样的问题，前有kbqa，利用结构化的知识库和语义链接，然而这是最优的么？而最近流行的大模型，如GPT-3也在开放域问答上有一定的能力，那么如何在大的语言模型基础上融合知识呢，其实主要面临两个问题，1）检索什么知识，怎么检索。2）怎么讲检索知识加入。

首先是检索什么知识，怎么检索，传统的倒排，TF-ID，BM25肯定是有效的，最近也有一些文章提出了一些新的思路

DPR

2020 EMNLP, Dense Passage Retrieval for Open-Domain Question Answering

这篇文章是关于怎么检索出知识的，对比的是TF-IDF 和 BM25，文章证明通过少量的query和passage数据就能够训练一个双塔模型，效果上几乎就能取代之前的TF-IDF 和 BM25。top20准确率超过BM25有9%-19%。

双塔模型就众所周知，这里主要说怎么构建正负样本数据，以及损失函数，先说损失函数，主要和正样本相似度要比其他负样本拉开差距：

\begin{array}{c}L\left(q_{i}, p_{i}^{+}, p_{i, 1}^{-}, \cdots, p_{i, n}^{-}\right) =-\log \frac{e^{\operatorname{sim}\left(q_{i}, p_{i}^{+}\right)}}{e^{\operatorname{sim}\left(q_{i}, p_{i}^{+}\right)}+\sum_{j=1}^{n} e^{\operatorname{sim}\left(q_{i}, p\_{i, j}^{-}\right)}}\end{array}

构建数据：正样本是固定的(数据集答案、包含答案的段落)，负样本选择对于训练至关重要，这里使用了三种方式来构建负样本：

Random：随机选择一些负样本。
BM25:BM25召回的但是不包含答案的样本，但是和问题token很match。（这个要慎重，之前facebook向量召回中讲到这种样本甚至会损伤召回，所以后面实验最好的也是加很少这种样本）
Gold: 训练集中其他样本的positive passage。

如图，实验中表现最好是mini-batch内的gold passage和一条BM25样本。明显优于BM25。

RAG

NeurIPS 2020, Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

DPR主要优化检索阶段，那么在生成阶段的优化呢？在DPR基础上， RAG通过利用DPRetriever+BART来做问答，它能够用到预训练的语言模型（BART）和非参数memory（检索知识的dense vector）来生成。检索知识主要是Wiki百科索引。

DPR上面讲过了，那么怎么利用预训练seq2seq语言模型和pre-trained retriever呢，如图：

预训练的retriever更具query检索最小内积的topk document Zi，最后预测y时候，z作为隐变量输入，但是具体是怎么输入并且复用BART参数的呢？有两种方式：

RAG-Sequence Model：生成预测每一个token的时候，使用同一个文档，即每篇文档生成一个回答。

p_{\text {RAG-Sequence }}(y \mid x) \approx \sum_{z \in \text { top }-k(p(\cdot \mid x))} p_{\eta}(z \mid x) p_{\theta}(y \mid x, z)=\sum_{z \in \text { top }-k(p(\cdot \mid x))} p_{\eta}(z \mid x) \prod_{i}^{N} p_{\theta}\left(y_{i} \mid x, z, y_{1: i-1}\right)

RAG-Token Model：生成预测每个token的时候，使用所有文档，所以可以允许生成的时候结合多个文档的答案片段。

p_{\text {RAG-Token }}(y \mid x) \approx \prod_{i}^{N} \sum_{z \in \text { top- } k(p(\cdot \mid x))} p_{\eta}(z \mid x) p_{\theta}\left(y_{i} \mid x, z_{i}, y_{1: i-1}\right)

FID

2021 EACL, Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering

大模型能够在开发域的知识问答取得不错效果，但是参数量巨大，影响训练和推理，巨大的参数量中，又有哪些是存储着知识呢？本文通过检索方式引入文本知识（可能包含潜在的有用信息），取得了问答的SOTA。

如上图，某些回答信息可能存在于检索的某个片段之中，所以顺理成章就需要通过query和文本交互提取片段，整体框架包含两部分，检索和生成。

检索部分：参考了DPR的向量召回方式，通过faiss召回。

生成部分模型也是简单有效，主要是怎么融合检索的知识：

查看其源码，passage包含title和context，即标题和内容，输入时候会加入prompt，即：query：xxx title: xxx context: xxx

Encoder: 这阶段每个q和p交互，有利于提取其中的某些证据的信息。

Decoder: 输入是将每个qp片段的拼接，然后解码时候通过cross attention和这些片段交互，从而在生成阶段选择不同的信息生成不同的答案。

RETRO

如何以GPT-3的4%参数量实现与其相当的效果？RETRO的答案是加入检索知识，剥离模型中用于存储知识的参数。

检索：规模是万亿级别的token，因此并没有建立倒排，而是直接将句子块进行检索。

数据库是key-value格式，key是句子向量，而value包含两部分：1）句子chunk，用于计算key向量。2）chunk的后续，
使用BERT作为句子编码器，通过对token向量的average pooling获得句子向量。
检索是会避免检索出当前句子的下文，避免数据泄露。

模型：采用Transformer Encoder-Decoder，训练任务是自回归语言模型，将原始文本分成n块，生产第i块使用之前的文本以及第i-1块的检索出的k个neighbours作为增强的表达，因此第0块的检索信息是空。

L(X \mid \theta, \mathcal{D}) \triangleq \sum_{u=1}^{l} \sum_{i=1}^{m} \ell_{\theta}\left(x_{(u-1) m+i} \mid\left(x_{j}\right)_{j<(u-1) m+i},\left(\operatorname{RET} \mathcal{D}\left(C_{u^{\prime}}\right)\right)_{u^{\prime}<u}\right)

模型也相对于FID，会较少的重复计算，因为FID中q和p会两两拼接获得解码向量，而Retro是

编码阶段：先编码passage然后有一个cross attention计算q和a关联，从而将q的信息融合到 Retrieval Encoder 中。
解码阶段：query拼接在解码前作为prompt，在chunked cross attention阶段来学当前生成token和p的关联。q作为prompt个人感觉生成也更加合理。