拿企業(yè)知識圖(KG)來訓(xùn)練模型
加入技術(shù)交流群
1 前言
在上一期里，親自動手訓(xùn)練了注意力(Attention) 機(jī)制。由于Attention機(jī)制是當(dāng)今大語言模型(LLM)的核心。于是，可以拿各種知識或數(shù)據(jù)來訓(xùn)練Attention機(jī)制。例如，在人人享用LLM的生成( 創(chuàng)作) 能力之余，如何化解其過多幻覺(Hallucination)的問題也很受關(guān)注。于是，本期就拿企業(yè)知識圖(Knowledge Graph，KG)的知識來讓Attention 機(jī)制學(xué)習(xí)。也作為LLM 與KG 完美結(jié)合的基礎(chǔ)。
2 LLM與KG的結(jié)合
在LLM帶動的大模型風(fēng)潮下，各企業(yè)的致勝策略有那些呢? 大模型可比喻為野獸( 如野貓)，于是致勝之道即是：蓄牧。也就是：馴服野獸。企業(yè)人士可以發(fā)咒語(Prompt)來力求能馴服、駕馭野獸?？墒?，僅僅透過語言(文句)溝通，經(jīng)常力道有限、效率不佳。例如，在AI繪圖大模型(如Stable Diffusion )，盡管您用了LoRA、ControlNet等，且努力發(fā)咒語，其生成作品，其不滿意的也常十之八九。于是有些人士，就建立企業(yè)自用的繪圖Decoder 模型( 如GAN 模型) 來幫忙。簡而言之，世界級大模型擅長于“畫龍”，但貧于“點睛”，因而常畫出龍身鳳眼或龍身蛇眼等創(chuàng)作。于是，企業(yè)人士就可以訓(xùn)練企業(yè)自己的Decoder 模型去做好關(guān)鍵性的“點睛”任務(wù)。
為什么需要自用的Decoder模型去點睛，而不是由人去點睛呢？理由是：人與大模型之前主要依賴語句( 咒語) 溝通，效果不佳。而Decoder與大模型可直接傳遞作品， 高效互動、協(xié)作。于是， 在繪圖、影音領(lǐng)域，GAN很適合做為Decoder， 來幫Diffusion大模型做<點睛>的協(xié)作任務(wù)。而在語言文辭( 如QA)領(lǐng)域，基于知識圖(Knowledge Graph，簡稱KG) 的模型很適合當(dāng)做Decoder，來幫忙LLM 大模型做<點睛> 的協(xié)作任務(wù)，如圖1 所示。
圖1
引自：https://arxiv.org/pdf/2306.08302
LLM與KG的結(jié)合，有助于降低LLM的幻覺風(fēng)險。LLM的幻覺現(xiàn)象源于：缺乏準(zhǔn)確性(accuracy)、缺乏可解釋性(explainability)和缺乏可控性(governance)。
此時，企業(yè)知識圖是實體(Entity)相互關(guān)聯(lián)的集合，其將企業(yè)專家的經(jīng)驗直覺、相關(guān)數(shù)據(jù)與其涵意(Semantics)和上下文(Context)連結(jié)起來，就更易于理解和共享，非常有助于彌補(bǔ)上述的LLM三項缺點。LLM與KG由很多種結(jié)合方式，如圖2所示。
圖2
引自：https://medium.com/@sradhakrishnan_37036/navigating-aisreality-the-role-of-kgs-and-llms-in-fact-checking-c93f1abfb214
LLM天生非常善解文句和人意，它使用語意搜尋從KG中檢索相關(guān)信息，讓人人能直接提問(Prompt) 來獲得符合企業(yè)實況的回復(fù)。因而讓LLM 產(chǎn)生更精確、準(zhǔn)確且與上下文相符合的輸出，也防止了偏見和幻覺。
3 復(fù)習(xí)知識圖(KG)
一個圖(Graph)是一組節(jié)點(Nodes)，它們表示系統(tǒng)中的實體(Entities)的集合。然后，透過邊(Edge)的連接來表示這些節(jié)點之間的關(guān)系( 即實體之間的關(guān)系。節(jié)點可以代表任何形式的個體，例如人、企業(yè)、城市、機(jī)場等等，如圖3所示。
圖3
引自：https://www.nvidia.com/en-us/glossary/networkx/
這是有關(guān)于飛機(jī)場的KG，其中的兩個節(jié)點分別表示洛杉磯機(jī)場(LAX)，以及圣荷西機(jī)場(SJC)。而其邊代表航班( 如Flight 123)。
4 “KG + Attention”訓(xùn)練范例
茲以KG 來建立海峽兩岸的機(jī)場及航班數(shù)據(jù)，其中有兩種節(jié)點：機(jī)場和城市，如圖4所示。
圖4
于是，就可以拿這KG 里真實知識，來訓(xùn)練一個Attention機(jī)制( 模型)，來掌握這項關(guān)系。就能與LLM協(xié)作，來掌握之真實的知識，例如：虹橋機(jī)場位于上海。也能獲知上海有兩個主要機(jī)場：虹橋機(jī)場和浦東機(jī)場。
茲撰寫下述程序碼：
# att_airport.py
import torch
import torch.nn as nn
nodes=[‘松山機(jī)場’,’虹橋機(jī)場’,’浦東機(jī)場’,’
小港機(jī)場’,’臺北’,’上?！?’高雄’]
nx={w : i for i, w in enumerate(nodes)}
xn={nx[w]: w for w in nx}
#定義模型
class SelfAttention(nn.Module):
def __init__(self, d):
super().__init__()
self.W_q = nn.Linear(d, 16)
self.W_k = nn.Linear(d, 16)
self.W_v = nn.Linear(d, d)
def forward(self, q, k, v):
Q, K, V = self.W_q(q), self.W_k(k), self.W_
v(v)
scores = torch.matmul(Q, K.transpose(-2, -1))
A = torch.softmax(scores, dim=-1)
return torch.matmul(A, V)
# 初始化模型、損失函數(shù)和優(yōu)化器
model = SelfAttention(len(nodes))
opt = torch.optim.Adam(model.parameters(),
lr=0.001)
loss_fn = nn.MSELoss()
dx = torch.tensor([nx[‘ 臺北’], nx[‘ 上海’],
nx[‘高雄’], nx[‘上?！痌])
dt = torch.tensor([nx[‘松山機(jī)場’], nx[‘虹橋機(jī)場’],
nx[‘小港機(jī)場’], nx[‘浦東機(jī)場’]])
X = nn.functional.one_hot(dx, len(nodes)).float()
T = nn.functional.one_hot(dt, len(nodes)).float()
# 訓(xùn)練模型
print(‘n 開始訓(xùn)練...’)
for ep in range(3001):
opt.zero_grad()
loss = loss_fn(model(X,X,X), T)
loss.backward()
opt.step()
if(ep%1000==0): print(f’ep={ep}, Loss: {loss.
item():.4f}’)
# 預(yù)測
tx = torch.tensor([nx[‘臺北’], nx[‘上海’]])
h = nn.functional.one_hot(tx, len(nodes)).float()
probs = model(h, h, h)
print(‘n----- 預(yù)測 -----’)
for i in range(2):
for j in range(7):
if(probs[i][j] > 0.25):
print(xn[tx.detach().numpy()[i]]+ ‘ 有:’,
nodes[j])
#END
這建立一個SelfAttention 模型，讓它學(xué)習(xí)“城市”與“機(jī)場”實體之間的對應(yīng)關(guān)系。現(xiàn)在就來執(zhí)行這個程序，展開訓(xùn)練3000 回合。訓(xùn)練完畢，就可以輸入“城市”名稱，由這模型回答其所有的< 機(jī)場> 名稱，如下：
以上基于簡單KG 來舉例說明 KG 與Attention 機(jī)制的結(jié)合?？梢詮臋C(jī)場找城市，也可以從城市找機(jī)場。
5 結(jié)束語
LLM因基于歸納法及統(tǒng)計自回歸算法，其天生具有創(chuàng)意和幻覺特質(zhì)。而KG 含有專家的智慧，也表達(dá)企業(yè)的真實(Facts )，很適合拿來訓(xùn)練Attention或Transformer模型，以便過濾LLM所生成的作品，降低幻覺。于是，LLM畫龍、企業(yè)KG來點睛，兩者天作之合。
（本文來源于《EEPW》2024.5）
評論