AI生圖可“量身定制”了，華為&清華聯(lián)手打造個(gè)性化多模態(tài)生成方法PMG

西風(fēng) 2024-06-19 13:16:04 來源：量子位

星海 投稿

量子位 | 公眾號 QbitAI

蘋果OpenAI官宣合作，GPT-4o加持Siri，讓AI個(gè)性化生成賽道熱度飆升。

其實(shí)，國內(nèi)已有相關(guān)研究，一項(xiàng)基于大模型的個(gè)性化多模態(tài)內(nèi)容生成技術(shù)，直接可讓AI學(xué)會(huì)為用戶“量身定制”輸出。

例如在聊天軟件中生成表情包，輸入都是：

我通過了，很開心！

配備了個(gè)性化生成技術(shù)的聊天軟件可以識別當(dāng)前用戶想表達(dá)的情緒并考慮用戶的個(gè)性化偏好，自動(dòng)生成表情庫里沒有的多個(gè)笑臉貓表情候選供用戶點(diǎn)擊使用：

△圖1 個(gè)性化生成能夠生成符合用戶偏好的表情包

相比而言，非個(gè)性化生成不會(huì)考慮每個(gè)用戶之前的行為偏好，對用戶無差別對待，就沒那么懂用戶了。

這項(xiàng)最新技術(shù)名為PMG（Personalized Multimodal Generation），由華為與清華大學(xué)聯(lián)手打造。

PMG不僅限于即時(shí)通信軟件，還可以廣泛應(yīng)用于電商、在線廣告、游戲、創(chuàng)作輔助等領(lǐng)域，實(shí)現(xiàn)個(gè)性化背景、人體形態(tài)、顏色、表情、角色等內(nèi)容的生成。

比如根據(jù)用戶歷史偏好提取關(guān)鍵詞，生成T恤設(shè)計(jì)圖：

PMG是如何做到個(gè)性化生成的？

PMG長啥樣？

以個(gè)性化生成《泰坦尼克號》電影海報(bào)為例，下圖展示了PMG的模型結(jié)構(gòu)。

△圖2 PMG的模型結(jié)構(gòu)

用戶的觀影和對話歷史作為用戶歷史行為，電影泰坦尼克號真實(shí)的電影海報(bào)作為目標(biāo)物品。研究團(tuán)隊(duì)利用大語言模型的推理能力，從用戶歷史行為中提取用戶偏好。

具體包括兩部分：

• 通過凍結(jié)的大語言模型生成自然語言的顯式關(guān)鍵詞表達(dá)用戶偏好，稱為“顯式（硬）用戶偏好”，例如圖中用戶喜歡災(zāi)難、驚悚片；
• 通過可訓(xùn)練的大語言模型生成的隱式向量，稱為“隱式（軟）用戶偏好”，用來補(bǔ)充表達(dá)難以用少數(shù)關(guān)鍵詞描述的偏好。

同時(shí)，他們將目標(biāo)物品也通過大模型轉(zhuǎn)換為顯式關(guān)鍵詞（稱為“目標(biāo)物品關(guān)鍵詞”）作為目標(biāo)項(xiàng)的描述信息。

最終，生成器（例如擴(kuò)散模型或多模態(tài)大語言模型）通過整合和加權(quán)用戶偏好和目標(biāo)項(xiàng)關(guān)鍵詞來生成既反映用戶個(gè)性偏好、又符合目標(biāo)物品的多模態(tài)內(nèi)容，例子中為更具有災(zāi)難、驚悚風(fēng)格的泰坦尼克號電影海報(bào)。

整個(gè)過程中有三個(gè)關(guān)鍵技術(shù)點(diǎn)：關(guān)鍵詞生成、隱式向量生成、用戶偏好和目標(biāo)項(xiàng)的平衡。

下面我們逐一來看。

關(guān)鍵詞生成

首先需要構(gòu)造提示詞指導(dǎo)大模型將用戶偏好提取為關(guān)鍵詞，該提示詞主要包含三個(gè)組成部分：任務(wù)指令p、屬性ai和任務(wù)示例e。

這些組件是針對每個(gè)場景人工設(shè)計(jì)的。

其中，任務(wù)指令p描述了需要大語言模型執(zhí)行的任務(wù)，即“提取用戶偏好”。

屬性a=[a1,a2…]針對每個(gè)場景進(jìn)行了定制，例如對于服裝可以是“顏色、材質(zhì)、形狀”，對于電影可以是“類型、地區(qū)、導(dǎo)演”等等。

在每個(gè)問題中，大語言模型被指派回答與特定屬性相關(guān)的用戶偏好，并將這些答案進(jìn)行組合。

示例e提供了期望的輸出格式和示例關(guān)鍵詞（例如“可愛”、“卡通”等），不僅有助于指導(dǎo)模型的回答，還使其遵循了標(biāo)準(zhǔn)化的輸出格式，從而便于從生成的輸出中提取關(guān)鍵詞。利用這個(gè)提示，可以將模型為屬性ai生成的用戶偏好關(guān)鍵詞kpi表示為：

接下來，將每個(gè)屬性的輸出組合起來，并消除重復(fù)項(xiàng)，得到用戶偏好關(guān)鍵詞kp：

生成目標(biāo)項(xiàng)目關(guān)鍵詞kt的過程類似，但只有一個(gè)目標(biāo)交互物品ht和相應(yīng)的總結(jié)信息xt，同時(shí)在這種情況下，沒有涉及到對話，其生成過程可以表示為：

隱向量生成

利用提取出的用戶偏好關(guān)鍵詞kp和目標(biāo)項(xiàng)關(guān)鍵詞kt，已經(jīng)可以用于后續(xù)多模態(tài)內(nèi)容生成，然而，作為一種離散化形式，自然語言表達(dá)能力有限。

另一方面，利用連續(xù)的隱向量能提供更豐富和精確的表示卻需要大量的訓(xùn)練資源。因此我們采取以關(guān)鍵詞為主，隱向量為輔兩者結(jié)合的方式表征用戶偏好，這些用戶偏好向量有助于解決自然語言與實(shí)際用戶偏好之間的不匹配問題，其訓(xùn)練過程如圖3所示。

△圖3 用戶偏好向量訓(xùn)練流程

在用戶行為與提示詞的基礎(chǔ)上，研究團(tuán)隊(duì)引入P-Tuning V2微調(diào)的偏差校正大模型，在其中使用額外長度為L的多模態(tài)表征M=[m1,m2…mL]來學(xué)習(xí)多模態(tài)生成能力。

這些多模態(tài)表征會(huì)被傳遞給大語言模型，并且它們在向量層中的對應(yīng)參數(shù)是可訓(xùn)練的。

同時(shí)按照P-Tuning V2的方法，在每個(gè)Transformer層的自注意力機(jī)制中，將S個(gè)可訓(xùn)練的前綴向量t=[t1,t2…tS]前置到向量序列中。偏差校正大模型正向傳播操作的結(jié)果輸出向量可以表示為：

其中Eprompt和Em表示大語言模型的兩部分輸出，其中多模態(tài)表征的輸出Em被作為偏好隱向量用于后續(xù)多模態(tài)內(nèi)容的生成過程。生成器結(jié)合偏好隱向量、用戶關(guān)鍵詞生成的多模態(tài)內(nèi)容會(huì)與監(jiān)督信號計(jì)算MSE損失，并反向傳播到偏差校正大模型中的可訓(xùn)練參數(shù)中進(jìn)行訓(xùn)練。

用戶偏好和目標(biāo)項(xiàng)的平衡

在生成推理過程中，需要同時(shí)結(jié)合用戶偏好和目標(biāo)項(xiàng)。

然而，生成器往往具有較大的隨機(jī)性，簡單地組合可能導(dǎo)致對某一個(gè)條件的過度側(cè)重，而忽略了另一個(gè)條件。為了解決這一問題，研究團(tuán)隊(duì)使用生成內(nèi)容與偏好關(guān)鍵詞之間的相似度來衡量個(gè)性化程度，稱之為“個(gè)性化水平”。

同樣地，生成結(jié)果與目標(biāo)項(xiàng)關(guān)鍵詞的相似度稱為“準(zhǔn)確度”，即目標(biāo)契合指標(biāo)。

通過這兩個(gè)指標(biāo)，可以從兩個(gè)角度量化衡量生成效果。

這兩個(gè)指標(biāo)的計(jì)算方式為利用預(yù)訓(xùn)練的多模態(tài)網(wǎng)絡(luò)（如CLIP），將生成結(jié)果M和關(guān)鍵詞kp、kt轉(zhuǎn)換為向量eM、ep、et，計(jì)算它們之間的余弦相似度，作為個(gè)性化水平dp和準(zhǔn)確度dt。

最后，優(yōu)化目標(biāo)為最大化dp和dt的加權(quán)和：

超參數(shù)α通常設(shè)置為0.5，可以根據(jù)使用場景和需求進(jìn)行調(diào)整，以實(shí)現(xiàn)不同程度的個(gè)性化。

考慮到當(dāng)前多模態(tài)生成器具有強(qiáng)大的并行生成能力，研究團(tuán)隊(duì)使用多個(gè)預(yù)定義的權(quán)重集合wp、wt進(jìn)行生成，并選擇得分z最高的一個(gè)作為最終生成結(jié)果。

PMG效果如何？

研究團(tuán)隊(duì)通過以下三個(gè)應(yīng)用場景來驗(yàn)證PMG：

• 在電商應(yīng)用中以服裝圖片生成為例，根據(jù)用戶歷史點(diǎn)擊的產(chǎn)品，生成服裝的個(gè)性化圖像。研究團(tuán)隊(duì)采用了一個(gè)多模態(tài)的時(shí)尚服裝數(shù)據(jù)集POG，用于訓(xùn)練和評估。
• 在電影海報(bào)場景，根據(jù)用戶觀影歷史，生成個(gè)性化電影海報(bào)。采用MovieLens數(shù)據(jù)集進(jìn)行訓(xùn)練和評估。
• 在表情生成應(yīng)用中，根據(jù)用戶的對話和表情使用歷史，生成個(gè)性化表情符號。

使用Llama2-7B作為基礎(chǔ)的大模型進(jìn)行了實(shí)驗(yàn)，生成效果如下圖所示。

在每個(gè)場景中，PMG都能夠生成反映用戶偏好的個(gè)性化內(nèi)容。

它可以為男性和女性生成不同風(fēng)格的服裝圖片：

△圖4 服裝場景生成效果

為喜歡卡通片的觀眾生成卡通版電影海報(bào)：

△圖5 電影海報(bào)場景生成效果

為喜歡小動(dòng)物的用戶生成小貓表情包：

△圖6 表情包場景生成效果

研究人員使用POG和MovieLens數(shù)據(jù)集對服裝和電影海報(bào)這兩個(gè)場景進(jìn)行了量化評估。

評估方式是通過圖像相似度指標(biāo)LPIPS和SSIM計(jì)算生成結(jié)果與用戶交互歷史以及與目標(biāo)物品圖像之間的相似度，從而衡量其個(gè)性化程度以及與目標(biāo)物品的符合程度。

PMG在這兩個(gè)指標(biāo)上都表現(xiàn)出色，測試結(jié)果如下表：

此外，研究人員展示了對偏好隱向量的Case Study分析。

當(dāng)只提供關(guān)鍵詞“鞋子，卡通”時(shí)，有一定可能形生成鞋子的卡通風(fēng)格畫。然而，在加入偏好隱向量后，模型始終生成帶有卡通圖案的逼真鞋子。

如下，左圖為僅使用關(guān)鍵詞生成，右圖為同時(shí)使用關(guān)鍵詞和隱向量進(jìn)行生成。

△圖7 偏好隱向量的Case Study

研究團(tuán)隊(duì)通過用戶調(diào)研對該技術(shù)進(jìn)行了評估，結(jié)果顯示，PMG生成的內(nèi)容得分遠(yuǎn)高于非個(gè)性化生成內(nèi)容。

最后，團(tuán)隊(duì)表示，個(gè)性化多模態(tài)生成技術(shù)目前處于早期探索階段，近期重量級的OpenAI與蘋果Siri合作的核心競爭力之一就是通過Siri的用戶數(shù)據(jù)來讓AI生成加入個(gè)性化，個(gè)性化多模態(tài)生成技術(shù)將成為AI的關(guān)鍵熱點(diǎn)趨勢。

我們相信這項(xiàng)技術(shù)將在未來擁有廣闊的應(yīng)用前景和巨大的商業(yè)潛力，很快迎來爆發(fā)式增長。

論文鏈接：https://arxiv.org/abs/2404.08677
代碼鏈接：https://github.com/mindspore-lab/models/tree/master/research/huawei-noah/PMG

— 完 —

量子位 QbitAI · 頭條號簽約

關(guān)注我們，第一時(shí)間獲知前沿科技動(dòng)態(tài)