MOPO：面向情感文本生成的多目标提示优化

情感的表达方式取决于语境和领域。例如，在X（原Twitter）上，作者可能简单地使用标签#anger，而在新闻标题中，情感通常以更礼貌、间接的方式书写。为了使条件文本生成模型能够生成符合领域的情感色彩文本，用户需要有一个参数来选择合适的情感表达方式。为此，我们引入了MOPO，一种多目标提示优化方法。MOPO根据多个目标（这里对应于为不同领域训练的情感分类器分配的输出概率）优化提示。与单目标优化相比，MOPO输出一组提示，每个提示对多个目标具有不同的权重。然后用户可以为他们的上下文选择最合适的提示。我们使用由多个领域特定情感分类器确定的三个目标来评估MOPO。与单目标优化相比，MOPO在所有目标上的性能提高了最多15个百分点，而任何单个目标的损失最小（1-2个百分点）。这些微小的性能损失被跨多个目标的更广泛泛化所抵消——这是单目标优化无法实现的。此外，MOPO通过同时优化多个目标减少了计算需求，消除了每个目标的单独优化过程。