拿企業(yè)知識(shí)圖(KG)來(lái)訓(xùn)練模型

1 前言

在上一期里，親自動(dòng)手訓(xùn)練了注意力(Attention) 機(jī)制。由于Attention機(jī)制是當(dāng)今大語(yǔ)言模型(LLM)的核心。于是，可以拿各種知識(shí)或數(shù)據(jù)來(lái)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(shí)圖(Knowledge Graph，KG)的知識(shí)來(lái)讓Attention 機(jī)制學(xué)習(xí)。也作為L(zhǎng)LM 與KG 完美結(jié)合的基礎(chǔ)。

2 LLM與KG的結(jié)合

在LLM帶動(dòng)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(yǔ)(Prompt)來(lái)力求能馴服、駕馭野獸?？墒?，僅僅透過語(yǔ)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(yǔ)，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(lái)幫忙。簡(jiǎn)而言之，世界級(jí)大模型擅長(zhǎng)于“畫龍”，但貧于“點(diǎn)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(diǎn)睛”任務(wù)。

為什么需要自用的Decoder模型去點(diǎn)睛，而不是由人去點(diǎn)睛呢？理由是：人與大模型之前主要依賴語(yǔ)句( 咒語(yǔ)) 溝通，效果不佳。而Decoder與大模型可直接傳遞作品， 高效互動(dòng)、協(xié)作。于是， 在繪圖、影音領(lǐng)域，GAN很適合做為Decoder， 來(lái)幫Diffusion大模型做<點(diǎn)睛>的協(xié)作任務(wù)。而在語(yǔ)言文辭( 如QA)領(lǐng)域，基于知識(shí)圖(Knowledge Graph，簡(jiǎn)稱KG) 的模型很適合當(dāng)做Decoder，來(lái)幫忙LLM 大模型做<點(diǎn)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(xiǎn)。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(shí)，企業(yè)知識(shí)圖是實(shí)體(Entity)相互關(guān)聯(lián)的集合，其將企業(yè)專家的經(jīng)驗(yàn)直覺、相關(guān)數(shù)據(jù)與其涵意(Semantics)和上下文(Context)連結(jié)起來(lái)，就更易于理解和共享，非常有助于彌補(bǔ)上述的LLM三項(xiàng)缺點(diǎn)。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(yǔ)意搜尋從KG中檢索相關(guān)信息，讓人人能直接提問(Prompt) 來(lái)獲得符合企業(yè)實(shí)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(shí)圖(KG)

一個(gè)圖(Graph)是一組節(jié)點(diǎn)(Nodes)，它們表示系統(tǒng)中的實(shí)體(Entities)的集合。然后，透過邊(Edge)的連接來(lái)表示這些節(jié)點(diǎn)之間的關(guān)系( 即實(shí)體之間的關(guān)系。節(jié)點(diǎn)可以代表任何形式的個(gè)體，例如人、企業(yè)、城市、機(jī)場(chǎng)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(chǎng)的KG，其中的兩個(gè)節(jié)點(diǎn)分別表示洛杉磯機(jī)場(chǎng)(LAX)，以及圣荷西機(jī)場(chǎng)(SJC)。而其邊代表航班( 如Flight 123)。

4 “KG + Attention”訓(xùn)練范例

茲以KG 來(lái)建立海峽兩岸的機(jī)場(chǎng)及航班數(shù)據(jù)，其中有兩種節(jié)點(diǎn)：機(jī)場(chǎng)和城市，如圖4所示。

圖4

于是，就可以拿這KG 里真實(shí)知識(shí)，來(lái)訓(xùn)練一個(gè)Attention機(jī)制( 模型)，來(lái)掌握這項(xiàng)關(guān)系。就能與LLM協(xié)作，來(lái)掌握之真實(shí)的知識(shí)，例如：虹橋機(jī)場(chǎng)位于上海。也能獲知上海有兩個(gè)主要機(jī)場(chǎng)：虹橋機(jī)場(chǎng)和浦東機(jī)場(chǎng)。

茲撰寫下述程序碼：

# att_airport.py

import torch

import torch.nn as nn

nodes=[‘松山機(jī)場(chǎng)’,’虹橋機(jī)場(chǎng)’,’浦東機(jī)場(chǎng)’,’

小港機(jī)場(chǎng)’,’臺(tái)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(tái)北’], nx[‘ 上?！痌,

nx[‘高雄’], nx[‘上?！痌])

dt = torch.tensor([nx[‘松山機(jī)場(chǎng)’], nx[‘虹橋機(jī)場(chǎng)’],

nx[‘小港機(jī)場(chǎng)’], nx[‘浦東機(jī)場(chǎng)’]])

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(cè)

tx = torch.tensor([nx[‘臺(tái)北’], nx[‘上?！痌])

h = nn.functional.one_hot(tx, len(nodes)).float()

probs = model(h, h, h)

print(‘n----- 預(yù)測(cè) -----’)

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(gè)SelfAttention 模型，讓它學(xué)習(xí)“城市”與“機(jī)場(chǎng)”實(shí)體之間的對(duì)應(yīng)關(guān)系?，F(xiàn)在就來(lái)執(zhí)行這個(gè)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(chǎng)> 名稱，如下：

以上基于簡(jiǎn)單KG 來(lái)舉例說(shuō)明 KG 與Attention 機(jī)制的結(jié)合?？梢詮臋C(jī)場(chǎng)找城市，也可以從城市找機(jī)場(chǎng)。

5 結(jié)束語(yǔ)

LLM因基于歸納法及統(tǒng)計(jì)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(shí)(Facts )，很適合拿來(lái)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(lái)點(diǎn)睛，兩者天作之合。

（本文來(lái)源于《EEPW》2024.5）