最近又出了個(gè)比較吸引人眼球的Prompt Learning，甚至該方法還被稱之為NLP的“第四范式”，具體有哪幾項(xiàng)請(qǐng)參考以下鏈接：

綜述文章：https://arxiv.org/pdf/2107.13586.pdf

相關(guān)資源：http://pretrain.nlpedia.ai

Part1什么是Prompt Learning

從BERT誕生開始，使用下游任務(wù)數(shù)據(jù)微調(diào)預(yù)訓(xùn)練語(yǔ)言模型 （LM）已成為 NLP 領(lǐng)域的通用做法。直到GPT-3模型首先將自然語(yǔ)言的提示信息（prompt）和任務(wù)示例（demonstration）作為上下文輸入給GPT-3，使得GPT-3只需要少數(shù)的幾個(gè)樣本，不需要訓(xùn)練底層的參數(shù)便能夠處理任務(wù)。應(yīng)該是受到這一做法的啟發(fā)，目前很多研究聚焦在Prompt Learning上，只為了更好的激發(fā)語(yǔ)言模型的潛能。

在了解Prompt Learning之前，首先我們要知道什么是prompt。prompt是提示的意思，也就是說(shuō)需要提示模型我們想讓它干什么。通常在GPT-3中，我們輸入一段描述，再加上“翻譯”或者“問(wèn)答”的prompt，那么GPT-3會(huì)生成相應(yīng)的結(jié)果。

最近該玩法在NLU中也得到了應(yīng)用，比如情感分類任務(wù)，給定一句話“I missed the bus today.”，在其之后添加一個(gè)prompt：“I felt so __”，之后讓語(yǔ)言模型用一個(gè)情感類的詞進(jìn)行完型填空，再將填空的詞語(yǔ)映射到標(biāo)簽，這樣一來(lái)就能夠解決分類任務(wù)了。

大家發(fā)現(xiàn)沒有，這樣一來(lái)減少了訓(xùn)練和測(cè)試階段之間的gap，因?yàn)槲覀冊(cè)陬A(yù)訓(xùn)練的時(shí)候使用的MLM任務(wù)就是一個(gè)完型填空任務(wù)，通常使用分類任務(wù)fine-tuning模型的時(shí)候需要加一個(gè)hidden_size * label_size的FFN，還得專門去訓(xùn)練這個(gè)FFN的參數(shù)。但是如果使用Prompt Learning的方式，就省略了這一步了。這樣一來(lái)豈不是不用花大力氣訓(xùn)練模型了？哈哈是的，很多研究證明Prompt Learning在小樣本（few-shot）場(chǎng)景下很有效。

Part2Few-shot Learner

論文標(biāo)題：Making Pre-trained Language Models Better Few-shot Learners

論文來(lái)源：ACL2021

論文鏈接：https://arxiv.org/pdf/2012.15723.pdf

論文代碼：https://github.com/princeton-nlp/LM-BFF

本文主要有兩個(gè)貢獻(xiàn)點(diǎn)：

（1）基于提示（prompt）進(jìn)行微調(diào)，關(guān)鍵是如何自動(dòng)化生成提示模板；

（2）將樣本示例以上下文的形式添加到每個(gè)輸入中，關(guān)鍵是如何對(duì)示例進(jìn)行采樣；

1prompt-based fine-tuning

之前說(shuō)過(guò)GPT-3模型基于prompt生成文本。受到該啟發(fā)本文提出了一種可以應(yīng)用于任意預(yù)訓(xùn)練模型的prompt learning模型——LM-BFF（小樣本微調(diào)預(yù)訓(xùn)練模型）。

從上圖可以看出在預(yù)訓(xùn)練的時(shí)候使用的MLM任務(wù)就是一個(gè)完型填空任務(wù)，在分類任務(wù)中微調(diào)的時(shí)候需要加一個(gè)hidden_size * label_size的FFN，微調(diào)的過(guò)程需要訓(xùn)練這個(gè)FFN的參數(shù)。在使用Prompt Learning的方式的時(shí)候省略了這一步。這樣一來(lái)就不用花大力氣訓(xùn)練模型了，而且該方法減少了訓(xùn)練和測(cè)試階段之間的gap，在小樣本（few-shot）場(chǎng)景下很有效。

在具體的實(shí)驗(yàn)過(guò)程中，作者發(fā)現(xiàn)使用不同的模板或不同的標(biāo)簽詞進(jìn)行微調(diào)得到的效果是不同的，如下圖所示：

比如對(duì)于同一個(gè)標(biāo)簽詞，如果使用的prompt的模板不同（替換了某個(gè)單詞或者刪除某一個(gè)標(biāo)點(diǎn)符號(hào)），得到的結(jié)果會(huì)有較大的波動(dòng)；而且當(dāng)選擇不同的標(biāo)簽詞時(shí)，對(duì)預(yù)測(cè)的結(jié)果也會(huì)產(chǎn)生影響。這是由于人工設(shè)計(jì)模板和標(biāo)簽詞時(shí)候和模型本身具有的gap帶來(lái)的缺陷。因此作者提出一種自動(dòng)創(chuàng)建模板的方法。

2Automatic Prompt Generation

Prompt的自動(dòng)生成又分為了兩個(gè)部分（label的生成和模板的生成）：

Label Generation

這個(gè)部分主要分成3步：

（1）首先在訓(xùn)練集中，針對(duì)未經(jīng)過(guò)微調(diào)的語(yǔ)言模型，對(duì)于每個(gè)label都找到使其條件概率最大Topk個(gè)單詞；

（2）綜合每個(gè)類別下的候選標(biāo)簽詞，然后找出使得訓(xùn)練集正確率最大的top-n個(gè)分配方式；

（3）使用dev集對(duì)模型進(jìn)行微調(diào)，從n個(gè)分配方式中選擇最佳的一個(gè)標(biāo)簽詞，構(gòu)建標(biāo)簽映射關(guān)系M。

Prompt Generation

模板的生成則是使用的T5模型，固定標(biāo)簽詞，生成固定模板。

整體過(guò)程如下所示：

Fine-tuning with Demonstration

在GPT-3中，微調(diào)的時(shí)候從訓(xùn)練集中隨機(jī)抽取32個(gè)示例，以上下文的形式添加到每個(gè)輸入中；

這種方式的缺陷在于：樣本示例的數(shù)量會(huì)受到模型最大輸入長(zhǎng)度的限制；不同類型的大量隨機(jī)示例混雜在一起，會(huì)產(chǎn)生很長(zhǎng)的上下文，不利于模型學(xué)習(xí)。

LM-BFF采用2種簡(jiǎn)單的方式進(jìn)行了改進(jìn)：

對(duì)于每個(gè)輸入，從每個(gè)類別中隨機(jī)采樣一個(gè)樣本示例，最終將所有類別下的采樣示例進(jìn)行拼接輸入；

對(duì)于每個(gè)輸入，在每個(gè)類別中，通過(guò)與Sentence-BERT進(jìn)行相似度計(jì)算、并從排序得分的top50%中隨機(jī)選擇一個(gè)樣本示例。

Results

本文提出了一種簡(jiǎn)單而又有效的小樣本微調(diào)方法——LM-BFF。主要包括2部分：

采用提示自動(dòng)構(gòu)建方式來(lái)進(jìn)行「基于模板的微調(diào)方法」。

動(dòng)態(tài)選擇樣本示例，作為輸入的上下文。但LM-BFF也有以下缺陷：

LM-BFF仍落后基于全量標(biāo)注數(shù)據(jù)的標(biāo)準(zhǔn)微調(diào)方法（PS：廢話，數(shù)據(jù)目前還是越多好～）

LM-BFF自動(dòng)構(gòu)建提示的方法雖然有效，但擴(kuò)展搜索空間在現(xiàn)實(shí)應(yīng)用中仍是一個(gè)巨大挑戰(zhàn)；

LM-BFF僅支持幾種特定的任務(wù)：1）能自然轉(zhuǎn)化為「空白填空」問(wèn)題，如結(jié)構(gòu)化預(yù)測(cè)的NER任務(wù)可能就不適合；2）句子輸入不要太長(zhǎng)；3）不要包含過(guò)多的類別；其中2）和3）可以在長(zhǎng)距離語(yǔ)言模型中進(jìn)行改善。

編輯：jq