冲突感知、复合与协作受控文本生成

最近的大型语言模型（LLM）技术在文本生成方面展现出卓越的能力。然而，在不进行架构修改或广泛微调的情况下，对生成文本的特定属性进行控制仍然具有挑战性。现有方法通常只能切换单一的基本属性，但在实现精确的多属性控制方面存在困难。在属性需求存在冲突的场景中，现有方法缺乏协调机制，导致所需属性之间产生干扰。此外，这些方法在受控生成流程中未能融入迭代优化过程。为此，我们提出了一种基于冲突感知、复合与协作的受控文本生成框架（C$^3$TG），该框架包含两个阶段，旨在实现对文本属性的精细化、多维度控制。在生成过程中，C$^3$TG会根据17种可用属性维度中所需的属性分类器进行选择性配对，并采用加权KL散度来调整标记概率。随后，优化阶段通过结合分类器得分和惩罚项的能量函数，对属性冲突进行迭代反馈以解决，从而在保持自然文本流畅性的前提下，实现对多个维度的精准控制。实验表明，C$^3$TG在多个指标上（包括属性准确性、语言流畅性和输出多样性）均显著优于基线方法，同时显著降低了有害输出。这些结果表明，C$^3$TG是一种有效且灵活的多维文本属性控制解决方案，无需进行高成本的模型修改。