文 | 子龍
編 | 小軼

自多模態(tài)大火以來，井噴式地出現(xiàn)了許多工作，通過改造預(yù)訓(xùn)練語言模型，用圖像信息來增強語義信息，但主要集中在幾個 NLU 任務(wù)上，在 NLG 上的研究比較少。

今天要介紹的這篇 paper Multimodal Conditionality for Natural Language Generation 研究的任務(wù)場景則是以多模態(tài)信息作為條件做 conditional 的 NLG任務(wù)。這種任務(wù)設(shè)置有許多實際的應(yīng)用場景。比如，生成商品介紹文案時，僅僅基于該商品的文字標(biāo)題是不夠的。如果能結(jié)合商品的圖片，必然能夠得到更貼切的文案。

這篇工作的模型基于 GPT2，而多模態(tài)信息則是以一種類似 prompt 的方式來使用。雖然方法比較簡單直觀，但具備一定通用性，未來或許有進(jìn)一步挖掘的可能。

論文題目:
Multimodal Conditionality for Natural Language Generation

論文鏈接:
https://arxiv.org/pdf/2109.01229.pdf

原理

作者的想法其實十分簡單，一切語言模型都是為了衡量一段文字序列的概率，即：

而如果引入了多模態(tài)的輸入，就相當(dāng)于在生成時多了一個條件，即條件概率為：

其中為多模態(tài)輸入序列。

以文中生成商品文案的運用場景為例：

這里的Product Title和Product Images就是作為生成Product Description時的“條件”。

那么如何將多模態(tài)序列引入到自然語言生成模型呢？

本文使用了一個十分直觀的方法，稱作MANTIS，將作為條件的多模態(tài)序列作為前綴放置到decoder輸入序列的前面，進(jìn)而中解碼過程中分享多模態(tài)信息。其中圖片輸入借助ResNet-152，將最后一層輸出用線性層映射到語言模型同一個空間中。而作為條件的文本輸入，即這里的product title，和生成序列一同進(jìn)行編碼。

效果

數(shù)據(jù)集采用FACAD，提供了商品的標(biāo)題和圖片，目標(biāo)是生成產(chǎn)品描述，效果如下：

文中提出的模型在所有指標(biāo)中都取得了最優(yōu)結(jié)果，相比于baseline，將BLEU4提升了0.8，CIDEr提升了7.2，METEOR提升了0.8，ROUGE-L提升了1.0。同時，由于衡量生成文本質(zhì)量具有主觀性，作者也進(jìn)行了人工評分，結(jié)果表明MANTIS依然取得了最優(yōu)結(jié)果。

從生成效果來看，生成的描述成功地結(jié)合了圖片信息，使得描述更加準(zhǔn)確，而非籠統(tǒng)的介紹。

總結(jié)

這篇文章方法十分直觀，但是結(jié)合最近火熱的 Prompt，似乎又有了更多的啟發(fā)。同樣是生成，同樣是加前綴，似乎給定條件的生成就是加上編碼好的前綴？那么多模態(tài)未來能不能成為一種新的prompt呢？作者認(rèn)為他們的模型可以借助各種不同的多模態(tài)條件生成，然而不得不說本文的方法對模態(tài)融合的部分做的馬虎了些。本文只是單純借助解碼器進(jìn)行融合，并沒有在編碼階段就分享跨模態(tài)的信息。

萌屋作者：子龍(Ryan)

本科畢業(yè)于北大計算機系，曾混跡于商湯和MSRA，現(xiàn)在是宅在UCSD(Social Dead)的在讀PhD，主要關(guān)注多模態(tài)中的NLP和data mining，也在探索更多有意思的Topic，原本只是貴公眾號的吃瓜群眾，被各種有意思的推送吸引就上了賊船，希望借此沾沾小屋的靈氣，paper++，早日成為有貓的程序員！

作品推薦：

1.別再搞純文本了！多模文檔理解更被時代需要！

2.Transformer哪家強？Google爸爸辨優(yōu)良！

3.預(yù)訓(xùn)練語言真的是世界模型？

后臺回復(fù)關(guān)鍵詞【入群】

加入賣萌屋NLP/IR/Rec與求職討論群

后臺回復(fù)關(guān)鍵詞【頂會】

獲取ACL、CIKM等各大頂會論文集！

總結(jié)

以上是生活随笔為你收集整理的用多模态信息做 prompt，解锁 GPT 新玩法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。