2014年，Google提出了Sequence-to-Sequence模型，旨在将句子文本映射到fixed-length向量，其中输入和输出的长度可能会有所不同。Seq2Seq通常应用于NLP领域的文本生成任务，例如摘要生成、语法纠错、句子合并等。
尽管最新的研究突得端到端的方法在文本生成上比之前更有优势，但其本身存在的不可解释性，一方面使得该模型需要大量的训练数据才能达到可接受的性能水平，另一方面通常只能逐字生成文字，本质上是很慢的。
近日，Google研究团队开源了一款文本编辑模型LaserTagger，可推理出一系列编辑操作，以将源文本转换为目标文本。研究人员断言，LaserTagger处理文本生成一般不易出错，且更易于训练和执行。
在此之前，Google已经发布了Meena，一个具有26亿个参数的神经网络，可处理多轮对话。1月初，Google在论文中还提出了Reformer模型，可处理所有小说。
GitHub链接：https://github.com/google-research/lasertagger
LaserTagger设计和功能
对于许多文本生成任务，输入和输出之间存在高度重叠，LaserTagger正是利用了一点。例如，在检测和纠正语法错误或多个合并句子时，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会生成一系列编辑操作，而非实际单词。
目前支持的四种编辑操作：
Keep（将单词复制到输出中）
Delete（删除单词）
Keep-AddX（添加短语X到标记的单词前）
Delete-AddX（删除标记的单词）
下图对LaserTagger在句子合并中的应用进行了说明。
图注：LaserTagger预测的编辑操作中，删除“Turing”，添加“ and he ”。请注意，输入和输出文本存在的高度重叠。
所有添加的短语均来自受限制的词汇表。该词汇表是一个优化过程的结果，该优化过程具有两个目标：（1）最小化词汇表的大小和（2）最大化训练样本的数量，其中添加到目标文本的唯一必要单词仅来自词汇表。短语词汇量受限制会使输出决策的空间变小，并防止模型添加任意词，从而减轻了“幻觉”（注：hallucination，模型在所生成的文本中，输入信息中并不存在）的问题。
输入和输出文本的高重叠性的一个推论是，所需的修改往往是局部的并且彼此独立。这意味着编辑操作可以高精度地并行推理，与顺序执行推理的自回归seq2seq模型相比，可显著提高端到端的速度。
结果
研究人员评估了LaserTagger在四个任务中的表现，分别是：句子合并，拆分和改述，抽象总结和语法纠正。结果显示，使用大量训练样本情况下，LaserTagger与基于BERT的seq2seq基线成绩相当，并且在训练样本数量有限时明显优于基线。下面显示了WikiSplit数据集上的结果，其中的任务是将一个长句子改写为两个连贯的短句子。
图注：在100万个样本的完整数据集上训练模型时，LaserTagger和基于BERT的seq2seq基线成绩相当，但在10,000个或更少样本的子样本上进行训练时，LaserTagger明显优于基线模型（SARI得分越高越好）。
LaserTagger主要优点
与传统的seq2seq方法相比，LaserTagger具有以下优点：
控制：通过控制输出短语词汇（也可以手动编辑或整理），LaserTagger比seq2seq基线更不易产生“幻觉”问题。
推理速度：LaserTagger计算推理的速度比seq2seq基线快100倍，能够满足实际情况下的实时问题。
数据效率：即使仅使用几百或几千个训练样本进行训练，LaserTagger也会产生合理的输出。实验中，seq2seq基线需要成千上万个样本才能获得相同的性能。
Google团队最后写道：“ LaserTagger的优势在大规模应用时变得更加明显，例如，通过缩短响应时间并减少重复性，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。 ”
相关链接：https://ai.googleblog.com/2020/01/encode-tag-and-realize-controllable-and.html