NeurIPS’23 Paper Digest | 如何把 LLM 的推理能力应用于事件序列预测？

2024-01-08
浙江
本文字数：1884 字
阅读完需：约 6 分钟

为期一周的人工智能和机器学习领域顶级会议 NeurlPS 正在美国路易斯安那州新奥尔良市举办中。蚂蚁集团有 20 篇论文被本届会议收录，其中《Language

Models Can Improve Event Prediction by Few-Shot Abductive Reasoning》是由蚂蚁基础智能技术部、消费金融技术部与芝加哥丰田工业大学、芝加哥大学合作完成。

论文作者简介：薛思乔是这篇论文的主要作者，也是蚂蚁集团高级算法专家，主要研究方向是生成式序列模型 (sequential modeling)，他的研究成果曾多次发表于主流机器学习相关会议 (NeurIPS/ICML/AAAI)。最近一年团队的主要工作聚焦于大语言模型与时间序列的交叉方向，在 NeurIPS'23 发表了事件序列预测模型的持续学习方法 "PromptTPP" 以及利用大语言模型支持事件序列预测的方法 "LAMP" 两篇论文。

论文通讯作者介绍：梅洪源，美国丰田工业大学芝加哥分校 (Toyota Technological Institute at Chicago) 研究助理教授，2021 年获得约翰霍普金斯大学计算机系博士学位。主要研究方向包括大规模概率空间序列模型、机器人智能、自然语言处理等。至今已在 ICML，NeuIPS，NAACL 和 AAAI 等顶级国际会议发表论学术论文近 20 篇，其中部分论文有极高的引用率，得到了美国财富杂志 (Fortune Magazine) 和彭博科技 (TechAtBloomberg) 的报道。由于杰出的研究贡献，他获得了彭博数据科学博士奖学金、Jelinke 奖学金以及 Adobe Faculty Award 等项目的资助。

本文中，薛思乔会带大家了解论文《Language Models Can Improve Event Prediction by Few-Shot Abductive Reasoning》的背景和主要研究成果，完整论文可点击阅读原文查看。

背景和动机

商业场景的事件序列（时间序列），通常带有一些文字信息，如图一所示，比如用户购买商品会伴随着文字点评记录，用户申赎基金后也可能会参与社区讨论。

以往我们通常的做法是对这些文字做编码到高纬度空间，然后通过某些方式并入主模型的架构中，然后再输出预测值。有了大语言模型(LLM) 后，我们希望可以直接利用其强大的文字理解和推理能力，来支持序列预测。这个方法更直接，随着 LLM 理解能力的突飞猛进，这个方法很可能也更有效。我们在一篇被 NeurIPS'23 接收的文章 Language Model Can Improve Event Prediction by Few-shot Abductive Reasoning 中提出了新的架构 LAMP，实现了这个目标。

图 1：用户购买商品的点评序列示意图

方法

01 整体思路

LLM 的引入类似于推荐里面的检索和精排机制。在 Base model 的预测值基础上，利用 LLM 推理并且从历史序列中检索出 cause events，根据这些事件序列，重新再做一次精排，最终输出预测值。

图 2：整体思路示意图

02 模型架构

LAMP 架构可以分成三个部分：

Event Sequence Model：经典的序列模型，比如点过程模型、时序图谱模型等，对所有预测集合中的预测值（下文中的 effect event）做一个打分。
LLM: 给一个 effect event，推导出他的 cause event。因为 LLM 生成的是虚拟的事件，所以要做一个模式匹配（text matching）, 然后从真实的数据上找到真实的事件，重新拼成一个序列。
对上一步拼成的序列重新再做一次打分。

03 Prompt 模版

04 训练与预测

Event Sequence Model 和 Ranking Model 都是用经典方法单独训练的， LLM 直接调用接口，不做微调。训练与预测的细节见论文。论文原文：https://arxiv.org/abs/2305.16646

05 实验

我们在三个开源数据集，两个是时序图谱数据集 GDELT 和 ICEWS，一个是推荐系统常用的 Amazon Review 序列数据。我们用 Mean Rank 作为指标来衡量模型的性能。从 Base Model 的预测值中取出分数最高的 M 个，然后对这 M 个进行重排（第二步和第三步），我们看 ground truth event 的排名会不会更好（Rank 数值会更低，比如从排名第 8 到排名第 2）。

LLM 我们测试了 GPT-3.0 和 GPT-3.5 两个选择。在消融实验的时候我们也测试了 Llama2，详见文章的实验部分。

从结果来看，不同的 Base Model 和 Ranking Model 组合下，GPT-3.5 都能提升最终的预测性能，GPT-3.0 效果相对一般。开源的 LLM 中 Llama2 也表现较好。