NAACL最佳方法论文：课本上的A*搜索算法可以提升文本生成效果！

相信大多数学习过人工智能课程的读者，当听到A*算法的时候，都会有一种既熟悉又陌生的感觉。说A*算法熟悉，是因为一听到这个算法，就想起那本厚厚的《人工智能——一种现代的方法》，想起这个算法似乎是人工智能课程考试的重点；说A*算法陌生，是因为大家现在在从事人工智能相关的研究和开发工作时，似乎又很少用到这个算法，大部分时间都花在了研究数据处理和处理实验设置上面。而在NAACL2022上，一群来自AI2的自然语言处理研究者们利用A*算法开发了一种新的自然语言生成解码方式，还被授予了NAACL2022 Best New Method paper。看起来已经过时的A*算法，居然能在深度学习时代有如此的妙用，看完这篇论文，笔者情不自禁地打开了《人工智能——一种现代的方法》，想看看还有什么经典算法可以深挖一下！

论文标题:
NEUROLOGIC A*esque Decoding: Constrained Text Generation with Lookahead Heuristics

论文链接:
https://arxiv.org/pdf/2112.08726.pdf

问题背景

自然语言生成任务一般指给定一个输入序列x，生成一个输出序列y。目的是解出使得目标函数F(y)最大化的序列y*，而H(y)衡量y对约束条件的满足。传统的Beam Search不考虑全局的最优，而是最优化当前步骤添加的Token.

为了达到全局最优的效果，需要满足如下的优化目标

主要方法

前向启发算法

直接优化全局最优目标面临着搜索空间过大的问题。而A算法可以被用来解决这个搜索问题。A算法是一个最优优先的搜索算法，可以解决这样形式的搜索问题：

其中s(a)是迄今为止的分数，h(a)是对于未来分数的启发式估计。因此我们将优化目标修改为如下形式

同时，需要限制前向搜索的长度为l，避免模型无限制地向前搜索

在前向生成的过程中有几种不同的方法。Greedy方法只生成一个序列，y<=t从开始，每次选择概率最大的Token 。Soft方法采用插值的思想，混合Greedy方法和随机选择一个Token的概率分布。Bean方法从y<t开始进行步的Beam Search，选择前个概率最大的序列, 而Smpling方法则是直接从按照概率进行采样。