使用 seq2seq 模型解决文本生成任务伴随着一些重大缺陷，谷歌研究人员提出新型文本生成方法 LaserTagger，旨在解决这些缺陷，提高文本生成的速度和效率。
序列到序列（seq2seq）模型给机器翻译领域带来了巨大变革，并成为多种文本生成任务的首选工具，如文本摘要、句子融合和语法纠错。模型架构改进（如 Transformer）以及通过无监督训练方法利用大型无标注文本数据库的能力，使得近年来神经网络方法获得了质量上的提升。但是，使用 seq2seq 模型解决文本生成任务伴随着一些重大缺陷，如生成的输出不受输入文本支持（即「幻觉」，hallucination）、需要大量训练数据才能实现优秀性能。此外，由于 seq2seq 模型通常逐词生成输出，因此其推断速度较慢。谷歌研究人员在近期论文《Encode, Tag, Realize: High-Precision Text Editing》中提出一种新型文本生成方法，旨在解决上述三种缺陷。该方法速度快、精确度高，因而得名 LaserTagger。
LaserTagger 没有采用从头生成输出文本的方式，而是使用预测的编辑操作标记单词，然后在单独的 realization 步骤中将这些操作应用于输入单词，进而得到输出。这种方式更不容易出现误差，因此我们可以使用这种训练更容易、执行更快速的模型架构来解决文本生成任务。很多文本生成任务具备一个显著特征，即输入与输出通常高度重合。例如，在检测和修复语法错误或者融合句子时，大部分输入文本保持不变，只有一小部分单词需要修改。为此，LaserTagger 生成编辑操作序列，而不是直接生成单词。该方法使用以下四种编辑操作类型：Keep（将单词复制到输出文本）、Delete（删除单词），以及 Keep-AddX / Delete-AddX（在标记单词前添加词组 X，并选择性地删除标记单词）。下图展示了将 LaserTagger 应用到句子融合任务中的流程：
将 LaserTagger 应用到句子融合任务。预测到的编辑操作是：删除「. Turing」，并在「. Turing」前添加「and he」。注意输入和输出文本存在高度重合。所有添加词组均来自有限词汇表。词汇表是优化的结果，该优化过程有两个目标：1）最小化词汇表规模；2）最大化训练样本数量，即必须添加到目标文本的单词仅来自于词汇表。有限词组库缩小了输出决策的空间，防止模型添加任意词，从而缓解了幻觉问题。输入和输出文本高度重合这一特性要求做出的修改彼此独立。这意味着可以高准确率并行预测编辑操作，相比于基于之前预测结果顺序执行预测的自回归 seq2seq 模型，该方法可以实现显著的端到端速度提升。研究者在句子融合、拆分和改述（split and rephrase）、抽象式摘要和语法纠错四项任务中评估 LaserTagger 的性能。在这些任务中，LaserTagger 的性能可媲美使用大量训练样本的基于 BERT 的 seq2seq 基线模型，在基线模型训练样本有限的情况下，LaserTagger 的性能明显超过基线模型。下图展示了模型在 WikiSplit 数据集上的结果，模型执行的任务是将一个长句子改述为两个连贯的短句。
在包含 100 万样本的完整数据集上训练模型时，LaserTagger 和基于 BERT 的 seq2seq 基线模型性能相当。但当训练样本只有一万个甚至更少时，LaserTagger 的性能明显超过基线模型（SARI 分数越高，性能越好）。与传统的 seq2seq 方法相比，LaserTagger 具备以下优势：控制：通过控制输出词组表，LaserTagger 更不容易受到幻觉的影响；
推断速度：LaserTagger 计算预测的速度是 seq2seq 基线模型的 100 倍，因此适合实时应用；
数据效率：即使训练样本只有几百几千个，LaserTagger 也能生成合理的输出文本。实验显示，seq2seq 基线模型需要数万个样本才能实现类似性能。
大规模应用时，LaserTagger 的优势会更加明显，比如通过缩短语音回复的长度、减弱其重复性，来改进语音应答的质量。高速推断允许 LaserTagger 模型插入现有技术栈，且不会导致用户端出现明显的延迟增加。此外，数据效率提升可以帮助收集多种语言的训练数据，这有益于拥有不同语言背景的用户。目前，谷歌致力于将类似的改进带到谷歌的其他自然语言生成技术中。此外，谷歌正在探索，当用户 query 越来越长、越来越复杂，且作为对话的一部分出现时，文本编辑（而不是从头生成文本）对更好地理解用户 query 的作用。 
