星海投稿
量子位公众号 QbitAI
苹果 OpenAI 官宣合作，GPT-4o 加持 Siri，让 AI 个性化生成赛道热度飙升。
其实，国内已有相关研究，一项基于大模型的个性化多模态内容生成技术，直接可让 AI 学会为用户“量身定制”输出。
例如在聊天软件中生成表情包，输入都是：
我通过了，很开心！
配备了个性化生成技术的聊天软件可以识别当前用户想表达的情绪并考虑用户的个性化偏好，自动生成表情库里没有的多个笑脸猫表情候选供用户点击使用：
△图 1 个性化生成能够生成符合用户偏好的表情包
相比而言，非个性化生成不会考虑每个用户之前的行为偏好，对用户无差别对待，就没那么懂用户了。
这项最新技术名为 PMG（Personalized Multimodal Generation），由华为与清华大学联手打造。
PMG 不仅限于即时通信软件，还可以广泛应用于电商、在线广告、游戏、创作辅助等领域，实现个性化背景、人体形态、颜色、表情、角色等内容的生成。
比如根据用户历史偏好提取关键词，生成T恤设计图：
PMG 是如何做到个性化生成的？
PMG 长啥样？
以个性化生成《泰坦尼克号》电影海报为例，下图展示了 PMG 的模型结构。
△图 2 PMG 的模型结构
用户的观影和对话历史作为用户历史行为，电影泰坦尼克号真实的电影海报作为目标物品。研究团队利用大语言模型的推理能力，从用户历史行为中提取用户偏好。
具体包括两部分：
- 通过冻结的大语言模型生成自然语言的显式关键词表达用户偏好，称为“显式（硬）用户偏好”，例如图中用户喜欢灾难、惊悚片；
- 通过可训练的大语言模型生成的隐式向量，称为“隐式（软）用户偏好”，用来补充表达难以用少数关键词描述的偏好。
同时，他们将目标物品也通过大模型转换为显式关键词（称为“目标物品关键词”）作为目标项的描述信息。
最终，生成器（例如扩散模型或多模态大语言模型）通过整合和加权用户偏好和目标项关键词来生成既反映用户个性偏好、又符合目标物品的多模态内容，例子中为更具有灾难、惊悚风格的泰坦尼克号电影海报。
整个过程中有三个关键技术点：关键词生成、隐式向量生成、用户偏好和目标项的平衡。
下面我们逐一来看。
关键词生成
首先需要构造提示词指导大模型将用户偏好提取为关键词，该提示词主要包含三个组成部分：任务指令p、属性 ai 和任务示例e。
这些组件是针对每个场景人工设计的。
其中，任务指令p描述了需要大语言模型执行的任务，即“提取用户偏好”。
属性a=[a1,a2…]针对每个场景进行了定制，例如对于服装可以是“颜色、材质、形状”，对于电影可以是“类型、地区、导演”等等。
在每个问题中，大语言模型被指派回答与特定属性相关的用户偏好，并将这些答案进行组合。
示例e提供了期望的输出格式和示例关键词（例如“可爱”、“卡通”等），不仅有助于指导模型的回答，还使其遵循了标准化的输出格式，从而便于从生成的输出中提取关键词。利用这个提示，可以将模型为属性 ai 生成的用户偏好关键词 kpi 表示为：
接下来，将每个属性的输出组合起来，并消除重复项，得到用户偏好关键词 kp：
生成目标项目关键词 kt 的过程类似，但只有一个目标交互物品 ht 和相应的总结信息 xt，同时在这种情况下，没有涉及到对话，其生成过程可以表示为：
隐向量生成
利用提取出的用户偏好关键词 kp 和目标项关键词 kt，已经可以用于后续多模态内容生成，然而，作为一种离散化形式，自然语言表达能力有限。
另一方面，利用连续的隐向量能提供更丰富和精确的表示却需要大量的训练资源。因此我们采取以关键词为主，隐向量为辅两者结合的方式表征用户偏好，这些用户偏好向量有助于解决自然语言与实际用户偏好之间的不匹配问题，其训练过程如图 3 所示。
△图 3 用户偏好向量训练流程
在用户行为与提示词的基础上，研究团队引入P-Tuning V2 微调的偏差校正大模型，在其中使用额外长度为L的多模态表征M=[m1,m2…mL]来学习多模态生成能力。
这些多模态表征会被传递给大语言模型，并且它们在向量层中的对应参数是可训练的。
同时按照P-Tuning V2 的方法，在每个 Transformer 层的自注意力机制中，将S个可训练的前缀向量t=[t1,t2…tS]前置到向量序列中。偏差校正大模型正向传播操作的结果输出向量可以表示为：
其中 Eprompt 和 Em 表示大语言模型的两部分输出，其中多模态表征的输出 Em 被作为偏好隐向量用于后续多模态内容的生成过程。生成器结合偏好隐向量、用户关键词生成的多模态内容会与监督信号计算 MSE 损失，并反向传播到偏差校正大模型中的可训练参数中进行训练。
用户偏好和目标项的平衡
在生成推理过程中，需要同时结合用户偏好和目标项。
然而，生成器往往具有较大的随机性，简单地组合可能导致对某一个条件的过度侧重，而忽略了另一个条件。为了解决这一问题，研究团队使用生成内容与偏好关键词之间的相似度来衡量个性化程度，称之为“个性化水平”。
同样地，生成结果与目标项关键词的相似度称为“准确度”，即目标契合指标。
通过这两个指标，可以从两个角度量化衡量生成效果。
这两个指标的计算方式为利用预训练的多模态网络（如 CLIP），将生成结果M和关键词 kp、kt 转换为向量 eM、ep、et，计算它们之间的余弦相似度，作为个性化水平 dp 和准确度 dt。
最后，优化目标为最大化 dp 和 dt 的加权和：
超参数α通常设置为 0.5，可以根据使用场景和需求进行调整，以实现不同程度的个性化。
考虑到当前多模态生成器具有强大的并行生成能力，研究团队使用多个预定义的权重集合 wp、wt 进行生成，并选择得分z最高的一个作为最终生成结果。
PMG 效果如何？
研究团队通过以下三个应用场景来验证 PMG：
- 电商应用中以服装图片生成为例，根据用户历史点击的产品，生成服装的个性化图像。研究团队采用了一个多模态的时尚服装数据集 POG，用于训练和评估。
- 电影海报场景，根据用户观影历史，生成个性化电影海报。采用 MovieLens 数据集进行训练和评估。
- 表情生成应用中，根据用户的对话和表情使用历史，生成个性化表情符号。
使用 Llama2-7B 作为基础的大模型进行了实验，生成效果如下图所示。
在每个场景中，PMG 都能够生成反映用户偏好的个性化内容。
它可以为男性和女性生成不同风格的服装图片：
△图 4 服装场景生成效果
为喜欢卡通片的观众生成卡通版电影海报：
△图 5 电影海报场景生成效果
为喜欢小动物的用户生成小猫表情包：
△图 6 表情包场景生成效果
研究人员使用 POG 和 MovieLens 数据集对服装和电影海报这两个场景进行了量化评估。
评估方式是通过图像相似度指标 LPIPS 和 SSIM 计算生成结果与用户交互历史以及与目标物品图像之间的相似度，从而衡量其个性化程度以及与目标物品的符合程度。
PMG 在这两个指标上都表现出色，测试结果如下表：
此外，研究人员展示了对偏好隐向量的 Case Study 分析。
当只提供关键词“鞋子，卡通”时，有一定可能形生成鞋子的卡通风格画。然而，在加入偏好隐向量后，模型始终生成带有卡通图案的逼真鞋子。
如下，左图为仅使用关键词生成，右图为同时使用关键词和隐向量进行生成。
△图 7 偏好隐向量的 Case Study
研究团队通过用户调研对该技术进行了评估，结果显示，PMG 生成的内容得分远高于非个性化生成内容。
最后，团队表示，个性化多模态生成技术目前处于早期探索阶段，近期重量级的 OpenAI 与苹果 Siri 合作的核心竞争力之一就是通过 Siri 的用户数据来让 AI 生成加入个性化，个性化多模态生成技术将成为 AI 的关键热点趋势。
我们相信这项技术将在未来拥有广阔的应用前景和巨大的商业潜力，很快迎来爆发式增长。
论文链接：https://arxiv.org/abs/2404.08677
代码链接：https://github.com/mindspore-lab/models/tree/master/research/huawei-noah/PMG
