歌词生成相较于普通文本生成，需要配合特定的乐曲，并演唱。因而要求，每句歌词演唱的长度正好合拍，即不同曲子，每句歌词的字符个数是要受限制于乐曲。
本文暂不考虑曲配词问题，只是将问题抽象为，在已知歌词每句的字数时，如何生成一个文本，满足字数格式。歌词的押韵没有古诗那么严格，但押韵的歌词朗朗上口，更易演唱，对于歌词生成还是很重要的。总之，歌词生成应当满足两个条件：
(1) 每句的字数可控
(2) 押韵
针对上述两个问题，发表在ACL2020的《Rigid Formats Controlled Text Generation》【1】，可以很好地解决字数可控和押韵问题。该论文将其模型称为SongNet。既可以读作“宋（词）Net”（论文本身是为了生成宋词），又可以读作“Song Net”(歌词网络)，一语双关。
1. SongNet简述
SongNet是基于BERT【2】做的改进。相较于BERT，SongNet有如下不同：
将格式信息embedding，输入到模型
通过mask使得BERT具有生成能力
接下来首先介绍，SongNet所属的领域：条件文本生成。
2. 条件文本生成
文本生成领域分为三个部分，自由文本生成（Generic / Free-Text Generation ）、条件文本生成（Conditional Text Generation）以及受约束的文本生成（Constrained Text Generation），条件文本生成和受约束的文本生成两者并没有明确的界限，该文将文本生成领域看做两个部分自由文本生成和条件文本生成。【3】
自由文本生成是，没有显式地给出条件的文本生成任务，即只要不是条件文本生成，便是自由文本生成任务。其概率公式如下，
相较于条件文本生成，自由文本生成，只是去建模文本的一个前后依赖。
条件文本生成是，在已知条件情况下，生成满足条件的文本的任务。该任务的概率表示如下，
即，模型需要建模一个条件概率，p(x|c)，其中c是条件的向量表示，x是单个文本的向量表示，<i表示在第i个时间步之前的文本。
实际情况下，条件文本生成的应用更多，狭义的包括根据主题生成文本、根据情感生成文本，广义的角度来看，机器翻译也可以看做条件文本生成，对于中-英翻译任务，可以看做条件为中文，然后生成英文文本。
例如，生成一个情绪为积极乐观的文本。（文本情绪为积极乐观，即是条件）
条件文本生成的关键在于，如何将条件加入到模型中，常见方法有两种：
将条件进行embedding：无论训练还是生成截断，条件作为输入编码，进行embedding
重加权：在生成阶段，用条件信息重新调整每个时间步下，每个词生成的概率值。
SongNet采用的是第一种方式，将条件进行embedding。
3. Embedding
该章节主要介绍，Embedding的发展，即从Token Embedding（字符编码）到Position Embedding（位置编码），有了这些前置知识，能更好地理解条件Embedding。
最初的Embedding：Token Embedding
embedding是，将离散的符号组成的序列数据，转化为由词向量（word vector）表示的矩阵的过程。
token embedding是， 将自然语言文本转化为词向量（word vector）表示的矩阵的过程。只包含了文本的字符序列信息。
机器学习模型是在做数值的运算s，而自然语言文本是由离散的符号表示的，无法直接进行加法、乘法等运算，更无法进行反向传播，因而需要将文本数值化（连续化），这个过程即是embedding。通用的方案是，将文本切分成token，接着id化，然后再将每个token用一个向量来表示，该过程即完成了embedding工作。
embedding的过程可以分解为如下的过程：
1. token化：将文本切分成token，token指的是代表文本的组成元素的符号，常用的是字、子词或者词。
2. id化：每个token都对应着一个id号，用id号表示token。
3. embedding：将id转化为向量。通常id号对应着向量的embedding的权重表中的位置。对于每个id，查找权重表中其对应的向量，拼接成整个文本。
如下为对文本“无谓人海的拥挤”进行embedding。
文本：无畏人海的拥挤
第一步：token化（字为单位，空格分割各个token），token化的结果为无 畏 人 海 的 拥 挤 的
第二步：id化，假设，无的id为0，依此类推，重复的字用第一次出现的id号表示
则id化的结果为0 1 2 3 4 5 3
第三步：embedding，（只截取用到的）假设，V的大小为6，dim的大小为6
假设embedding的权重矩阵为 W =[[1,2,3,4,5,6],[7,8,9,10,11,12],[13,14,15,16,17,18],[19,20,21,22,23,24],[25,26,27,28,29,30],[31,32,33,34,35,36]]
则该文本的embeddding为E = [[1,2,3,4,5,6],[7,8,9,10,11,12],[13,14,15,16,17,18],[19,20,21,22,23,24],[25,26,27,28,29,30],[31,32,33,34,35,36],[19,20,21,22,23,24]]
3.1 Position Embedding
但只有字符信息，并不能很好的表示文本。如下，
文本一：我喜欢这个电影，因为它不包含人性的思考。
文本二：我不喜欢这个电影，因为它包含人性的思考。
文本一和文本二的意思完全相反，但对于自然语言模型而言，尤其是self-attention的模型，难以识别字符位置的不同导致的文本差异。
如下为self-attention的公式。dense为全连接层。
相应的示例为下图。
如图，self-attention相当于对所有的e进行了两两运算，这过程中并没有建模序列，因而说self-attention基本上没有序列建模能力。
因而，NLPer提出了Position Embedding【4】，即将每个token的位置，通过运算变成向量，然后与原本的token embedding进行add操作，作为文本的表示。从而加强模型对token的位置敏感性，该过程也是在建模句法特征。
该过程体现一个思路，将模型难以建模的特征通过embedding，融入模型中，从而增强其建模能力。
对于条件文本生成，可以将条件看做是文本中难以建模的信息，然后进行embedding。
回顾文章开始提到的两个要求，字数可控和押韵，两者均是目前文本生成模型所缺乏的，作者提出了Token Embeddings、Format and Rhyme Embeddings、Segment Embeddings、Intra-Position Embeddings四个额外的格式信息embedding来增强模型对字数可控和押韵的表现。
4. 格式信息embedding
格式信息的embedding也类似token embedding的步骤，第一w步也是进行token化，由于信息本身并不是离散的符号，因而第一步需要将其表示为离散的符号。
4.1 Format and Rhyme Embeddings
对于每句歌词，用标点符号用c1表示，最后一个字用符号c2表示，其他字符用c0表示。
例如：我听见远方下课钟声响起（11个字，1个标点）
其Format and Rhyme Embeddings = [c0,c0,c0,c0,c0,c0,c0,c0,c0,c0,c2,c1] 10个c0，1个c2，一个c1。
这样可以让押韵的那个字单独获得一种表示，从而让模型注意到该位置的字与其他字符的不同，从而做到押韵。
4.2 Intra-Position Embeddings
对于每句歌词，将字符位置从右到左，依次用p[位置索引]的方式表示。
例如：我听见远方下课钟声响起，（11个字，1个标点）
其Intra-Position Embeddings = [p11,p10,p9,p8,p7,p6,p5,p4,p3,p2,p1,p0]
Intra-Position Embeddings是为了让模型在生成第一个字的时候，就知道这句歌词有几个字；从右到左的顺序，使得p1正好指向韵脚，更好押韵。
4.3 Segment Embeddings
类似BERT的Segment Embedding，第一句每个字符的segment Embeddings为s0，第二句每个字符的segment Embeddings为s1。
对于歌词：
我听见雨滴落在青青草地
我听见远方下课钟声响起
可是我没有听见
你的声音认真呼唤我姓名
其Segment Embeddings为
s0,s0,s0,s0,s0,s0,s0,s0,s0,s0,s0,s0,
s1,s1,s1,s1,s1,s1,s1,s1,s1,s1,s1,s1,
s2,s,2,s2,s2,s2,s,2,s2,s2,s2,s,2,s2,s2,
s3,s3,s3,s3,s3,s3,s3,
s4,s4,s4,s4,s4,s4,s4,s4,
Segment Embeddings可以使模型确定每个字在所在的句子顺序。
4.4 如何将如上的格式信息融合到模型中
这三种embedding都兼顾到了字数可控和押韵。
SongNet将上述三种的embedding的符号（s0、s1、c0、c1、p0、p1等等）看做字（token），加入到vocab中，与文本字符（我、你等等）经过同一个embedding层，得到向量，再相加。
即，将Intra-Position Embeddings、Segment Embeddings、Format and Rhyme Embeddings相加得到format_embedding。
相应代码为：
x = self.tok_embed(ys_inp) + self.pos_embed(ys_inp) + self.tok_embed(ys_tpl) + self.tok_embed(ys_seg) + self.tok_embed(ys_pos)
ys_inp：Token Embeddings的id表示
ys_tpl：Format and Rhyme Embeddings的id表示
ys_seg：Segment Embeddings的id表示
ys_pos：Intra-Position Embeddings的id表示
self.tok_embed：字符embedding层
self.pos_embed：位置embedding层
相较于embedding章节的token embedding，格式信息的embedding是用符号而不是字来表示token。也要进行id化以及embedding。
以上即为SongNet的第一个亮点，接下来阐述，SongNet是如何让BERT拥有生成能力。
5. Mask策略
原版的BERT并不具有生成能力，究其原因要从自回归语言模型说起。
5.1 自回归语言模型
自回归生成模型是文本生成常用的一种模型。通过迭代生成token，来完成整个文本的生成。
如下图，浅绿色的矩形为同一个模型（可以看做单向单层RNN网络模型），蓝色矩形为文本的token（可以看做字）。
要生成“你是谁”需要，在第一个时间步，根据”你“生成“是”；第二个时间步，根据”是“和第一个时间步传来的“你”信息，生成”谁“·····
5.2 使BERT具有生成能力：Masking Multi-Head Self-Attention
BERT是双向的transformer模型，在每个时间步知道下文（即在“你”位置，知道“是”和“谁”的信息），从而无法作为生成模型使用。
BERT的各个时间步所知道的信息可以表示为：
第一个时间步：你是谁
第二个时间步：你是谁
第三个时间步：你是谁
自回归生成模型，在各个时间步所知道的信息：
第一个时间步：你
第二个时间步：你是
第三个时间步：你是谁
两者可以通过一个三角矩阵进行转换，即mask，如下图。
SongNet就是通过上图的mask，将BERT变成自回归语言模型，其核心实现为Masking Multi-Head Self-Attention。
Masking Multi-Head Self-Attention的算法步骤是：
(1) 将embedding信息mask，得到mask_embedding
(2) 将mask_embedding输入到transformer层中，得到context_vector
注：该方案并非SongNet首创，类似的思路在19年微软的Unilm【5】模型中，有所体现。
5.3 让模型有大局观：Global Multi-Head Attention
在每个时间步，模型不应当知道格式信息，但可以知道文本整体格式的信息，从而更好地输出符合格式的文本。因而，对于格式信息，不应当进行mask操作，即没有mask的attention即是Global Multi-Head Attention。
另外，Global Multi-Head Attention还将内容信息和格式信息进行了融合。
注：该过程涉及了self attention的实现，暂不做展开。
算法步骤：
将格式信息和内容信息通过没有mask的transformer层，进行融合。
这时候再看SongNet结构图。
可以总结出SongNet模型的算法步骤：
(1) 进行格式信息的embedding，得到format_embedding
(2) 将format_embedding经过add得到format_vector
(3) 对当前时间步以前的字符信息和格式信息进行embedding，得到content_embedding
(4) 将content_embedding经过Masking Multi-Head Self-Attention得到content_vector
(5) 将content_vector与content_embedding一同输入到Global Multi-Head Attention中，得到输出
6. 总结
SongNet的架构，没有什么数学推导，更多的是符合直觉的设定。通过增加embedding，从而控制文本生成，可能成为可控文本生成领域的一个主要思路。
即：特征->符号化->embedding->融入模型
该文旨在初步介绍SongNet模型用于歌词生成，行者AI将会持续跟进歌词生成的博文推送，希望大家多多关注。
参考文献
- Li, P., Zhang, H., Liu, X. and Shi, S., 2020. Rigid Formats Controlled Text Generation. arXiv preprint arXiv:2004.08022.
- Devlin J, Chang MW, Lee K, Toutanova K. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. 2018 Oct 11.
- Garbacea, C. and Mei, Q., 2020. Neural Language Generation: Formulation, Methods, and Evaluation. arXiv preprint arXiv:2007.15780.
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, Ł. and Polosukhin, I., 2017. Attention is all you need. In Advances in neural information processing systems (pp. 5998-6008).
- Dong, L., Yang, N., Wang, W., Wei, F., Liu, X., Wang, Y., Gao, J., Zhou, M. and Hon, H.W., 2019. Unified language model pre-training for natural language understanding and generation. In Advances in Neural Information Processing Systems (pp. 13063-13075).
PS：
我们是行者AI，我们在“AI＋游戏”中不断前行。
如果你也对游戏感兴趣，对AI充满好奇，那就快来加入我们（hr@xingzhe.ai）。
