从狗屁不通文章生成器，到机器写作之路

Posted 2021-03-03 txkjai

文章生成器

老板：3000字原创文章，明天上午10点要。

我：嗯？

老板：嗯？

我：嗯！

套话文章不会写？狗屁不通文章生成器分分钟写出一万字，保证原创、绝不重样！

（https://github.com/menzi11/BullshitGenerator）

这个生成器是人工智能吗？

虽然的确是用 Python 写的，遗憾的是它只是简单的循环随机内容选取脚本。

文章会从名人名言开始，接上没有实际意义的承接句，然后是点题句，再来个同样没有意义的转折句。然后再接名人名言、承接句、点题句……周而复始生生不息。

设置语句库，按顺序从中随机选取语句，再将它们组合起来。原理并不难，难得的是作者对套话文章的揣摩和创意。

如果引入人工智能，效果会更好吗？

目前让机器写作，即自动文本生成，通常采用统计方法。先用大量语料训练神经网络，再让机器根据关键词不断预测接下来的词语，最后组成句子和段落。

这样生成的文本难免有逻辑错误、无中生有等问题，效果甚至不如僵硬的模版文本生成方法。

 

 

由于NLP 领域中只有小部分标注过的数据，而有大量的数据是未标注，如果只用标注数据将会大大影响深度学习的性能，所以为了充分利用大量未标注的原始文本数据，需要利用无监督学习来从文本中提取特征。

有更好的解决办法吗？

为了解决以上问题，2019 年OpenAI发表了论文《Language Models are Unsupervised Multitask Learners》，作者提出了 GPT 框架。

用一种半监督学习的方法来完成语言理解任务，GPT 的训练过程分为两个阶段：

用无监督学习的 Pre-training， 充分利用大量未标注的文本数据；用监督学习的 Fine-tuning 来适配具体的具体的 NLP 任务（如机器翻译），并在 12 个 NLP 任务中刷新了 9 个记录。

GPT-2，其模型结构与 GPT 相比几乎没有什么变化，只是让模型变得更大更宽，并且取消了 Fine-tuning 的步骤。也就是说 GPT-2 采用了一阶段的模型（预训练）代替了二阶段的模型（预训练+微调），并且在语言模型（文本摘要等）相关领域取得了不错的效果。

GPT-2能生成质量相当不错的英文文本，原因是数据集——它的训练语料是 800 万 Reddit 网友的高质量回复。面对 Reddit 讨论很多的主题，它能给出相当不错的输出。

GPT-2与BERT的区别

GPT-2 采用的 Transformer 的 Decoder 模块堆叠而成，而 BERT 采用的是 Transformer 的 Encoder 模块构建的。两者一个很关键的区别在于，GPT-2 采用的是传统的语言模型，一次只输出一个单词（多个 token）。

下图是一个训练好的模型来 “背诵” 机器人第一法则：

这种效果之所以好是因为采用了自回归机制（Auto-Regression）：每生成一个新单词，该单词就被添加在生成的单词序列后面，这个序列会成为下一步的新输入。这个也是 RNN 的重要思想。

而 BERT 采用的是双向语言模型，虽然没有自回归，但也因为获得了结合上下文单词信息的能力，从而也取得了不错的效果。下图展示了 BERT 的 Self-Attention（左）和 GPT-2 的 Masked Self-Attention（右）的区别：

放一个 GPT-2 和 ELMo、Bert 的参数对比图：

NLP领域最新研究

自然语言处理无非是目前最大的风口，从Word2Vec、ElMo、GPT、Bert，ALBERT到XLNet, 我们见证了这个领域的高速发展以及未来的前景。互联网中大量的文本以及IOT时代赋予我们的全新交互带来了这个领域的爆发。

那怎么来学习上边提到的这些知识点呢？

美国南加州大学博士，人工智能、知识图谱领域专家。前凡普金科集团（爱钱进） 的首席数据科学家、美国亚马逊和高盛的高级工程师，负责过金融知识图谱、聊天机器人、量化交易、自适应教育系统等核心项目的李文哲先生设计了对标MIT人工智能博士学位的学习路线。

以上是部分需要学习的知识点，李文哲先生还亲自研发了对应的《高阶NLP课程》，并且写了配套的书籍教程。

如果你对这门课程感兴趣，可以加我了解：

高阶NLP

这门课有以下几个特点：

• 前沿 课程不断迭代更新，保证不错过任何2周之内出现的重要技术
• 细致 导师全程现场推导，让你学习有清晰的思路，深刻理解算法模型背后推导的每个细节。更重要的是可以清晰看到各种模型之间的关系！帮助你打通六脉！
• 论文 每周1次paper reading session，帮助你复现论文

你需要具备的基础

• 编程基础：用python写过工程项目，代码量在5000行以上
• 机器学习：系统学习过机器学习基础，比如学习过《西瓜书》

你所面临的挑战

• 写技术文章： 我们会要求学员在知乎、github、垂直公众号等平台，输出自己的技术文章，老师和助教会帮你优化
• Project项目：除了文章，算法工程师立命的根本--项目代码，导师更是不会放过的。每次在Gitlab上布置的作业，导师们都会带领助教团队会予以详细的批改和反馈。并逼着你不断的优化！

如果你对这门课程感兴趣，可以加我了解：

你将收获

• 工作能力可以对标阿里P8，你现在工作中遇到的问题，也可以请教老师和助教
• 如果你需要出国留学，美国的硕博学位我们可以帮你写推荐信
• 如果你需要发表论文，老师和助教团队可以给你一些帮助

如果这门课程能帮到你，你可以加我了解：