输入法预测模型架构设计 (Input Method Prediction Model)

1. 概述

本项目旨在构建一个轻量级、高精度的中文输入法预测模型。核心设计理念是通过结构化槽位记忆与交叉注意力机制，将当前语境（光标前后文本+拼音）与历史输入习惯深度融合。为了在有限的计算资源下保持高表达能力，模型引入了混合专家网络 (MoE) 模块。

2. 核心架构流程

数据流遵循以下路径： 输入编码 → Transformer 上下文编码 → 槽位记忆嵌入 → 交叉注意力融合 → 门控+专家混合 (MoE) → 分类预测 → 束搜索解码

2.1 输入层设计

模型接收三类输入，分别处理以保持语义清晰：

1. 当前文本上下文：包含光标前文本（Prefix）和光标后文本（Suffix）。
2. 拼音序列：与当前文本对应的拼音信息，作为增强特征融入文本编码。
3. 历史槽位序列：最近 N 个历史输入词汇，作为结构化记忆输入。

2.2 模块详解

A. Transformer 编码器 (Context Encoder)

负责提取当前语境的深层语义表示。

• 输入处理：将 Prefix、Suffix 及拼音通过 Embedding 层映射。拼音采用特征叠加或独立 Token 方式融入，避免双流架构的复杂性。
• 骨干网络：使用标准的 Transformer Encoder。
  • 隐藏层维度：512 [1]
  • Transformer 层数：4 层（轻量级设计，从头训练） [1]
  • 注意力头数：4 头 [1]
• 输出：上下文表示 H，形状为 [batch, L, 512] [1]。

B. 槽位记忆模块 (Slot Memory)

负责将非结构化的历史输入转化为结构化的记忆向量。

• 嵌入方式：历史词汇通过独立的 Slot Embedding 查找表映射。
• 位置编码：添加可学习的 Positional Embedding 以保留历史输入的时间顺序信息。
• 输出：槽位序列 S，形状为 [batch, Num_Slots, 512]。

C. 交叉注意力融合 (Cross-Attention Fusion)

这是模型的核心创新点，用于动态关联“历史记忆”与“当前语境”。

• Query (Q)：当前步的槽位序列 S（经过位置编码后）。
• Key/Value (K/V)：Transformer 编码器输出的上下文表示 H [1]。
• 机制：让历史槽位主动关注当前文本语境，捕捉如“在‘班级第一名’语境下，‘王次香’比‘王慈祥’更相关”的逻辑。
• 输出：融合后的特征序列，形状为 [batch, Num_Slots, 512]。

D. 门控与专家混合 (Gating + MoE)

实际测试表明，移除 MoE 会导致模型性能显著下降，因此该模块对于捕捉复杂分布至关重要。

• 专家数量：20 个专家 [1]。
• 门控机制：根据输入特征动态选择激活部分专家，实现稀疏激活，在增加模型容量的同时控制计算成本。
• 输出：经过专家网络增强后的特征向量。

E. 分类头与解码

• 分类预测：MoE 输出的特征向量通过全连接层映射到词表空间，输出下一个字/词的概率分布。
• 解码策略：推理阶段使用束搜索 (Beam Search)，束宽设为 5 [1]。

3. 关键超参数配置

为确保模型性能与效率的平衡，建议采用以下超参数 [1]：

参数项	推荐值	说明
序列长度 (L)	128	上下文窗口大小 [1]
隐藏层维度	512	Embedding 及 Transformer 内部维度 [1]
Transformer 层数	4	轻量级骨干，降低延迟 [1]
注意力头数	4	适配 512 维度的高效配置 [1]
专家数量	20	MoE 层中的专家总数，对性能至关重要 [1]
束宽 (Beam Width)	5	推理时平衡速度与准确率 [1]
学习率	1e-4 ~ 5e-4	建议配合 Warmup 策略 [1]

4. 训练策略

本模型采用标准的序列到序列（Seq2Seq）监督学习范式，直接对目标槽位序列进行逐步预测。

4.1 数据构造与标签

• 输入三元组：训练数据由 (上下文, 拼音, 目标槽位序列) 构成 [1]。
  • 上下文：光标前后的文本片段。
  • 拼音：当前待输入字的拼音序列。
  • 目标槽位序列：真实用户输入的文字 ID 序列，作为模型的监督信号 [1]。
• 标签处理：在每一个槽位步（Step），模型需要预测该步对应的真实文字 ID [1]。

4.2 损失函数与优化

• 损失函数：使用 CrossEntropyLoss 计算每一步预测结果与真实标签之间的差异 [1]。
  • 掩码机制：仅计算非填充位置（Non-padding positions）的损失，忽略无效的时间步 [1]。
• 优化器：采用 AdamW 进行参数更新 [1]。

4.3 训练流程细节

1. 前向传播：
   • 模型接收上下文和拼音，通过 Transformer 编码得到语境表示。
   • 结合历史槽位记忆，通过交叉注意力和 MoE 模块融合特征。
   • 分类头输出当前步所有候选字的概率分布。
2. Teacher Forcing：
   • 在训练过程中，强制使用真实的上一槽位输出作为下一步的输入条件。这意味着模型在训练时始终基于“正确的历史”进行预测，从而快速收敛。
3. 反向传播：
   • 根据 CrossEntropyLoss [1] 计算梯度，并通过 AdamW [1] 更新模型权重。

4.4 推理与训练的差异

• 训练时：使用 Ground Truth（真实标签）作为槽位输入，确保模型学习到最优的条件概率分布。
• 推理时：由于无法获取真实标签，模型采用束搜索（Beam Search） [1]。
  • 束宽：默认为 5 [1]。
  • 候选维护：每个候选路径独立维护其历史槽位序列及累计概率 [1]。
  • 终止条件：当所有槽位填满（如 8×3=24 步）或所有候选分支的最高概率词均为终止符时退出 [1]。

5. 代码实现示意 (PyTorch)

import torch
import torch.nn as nn

class Expert(nn.Module):
    def __init__(self, dim=512):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(dim, dim * 4),
            nn.GELU(),
            nn.Linear(dim * 4, dim)
        )
    def forward(self, x):
        return self.net(x)

class InputMethodModel(nn.Module):
    def __init__(self, vocab_size, pinyin_vocab_size, slot_vocab_size, dim=512, n_layers=4, n_heads=4, num_experts=20):
        super().__init__()
        # 1. Context Encoder
        self.text_emb = nn.Embedding(vocab_size, dim)
        self.pinyin_emb = nn.Embedding(pinyin_vocab_size, dim)
        self.pos_emb = nn.Embedding(128, dim)
        encoder_layer = nn.TransformerEncoderLayer(d_model=dim, nhead=n_heads)
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers=n_layers)
        
        # 2. Slot Memory
        self.slot_emb = nn.Embedding(slot_vocab_size, dim)
        self.slot_pos_emb = nn.Embedding(5, dim) # 假设保留5个历史槽位
        
        # 3. Cross-Attention
        self.cross_attn = nn.MultiheadAttention(embed_dim=dim, num_heads=n_heads, batch_first=True)
        
        # 4. MoE Layer
        self.num_experts = num_experts
        self.experts = nn.ModuleList([Expert(dim) for _ in range(num_experts)])
        self.gate = nn.Linear(dim, num_experts)
        
        # 5. Classification Head
        self.classifier = nn.Linear(dim, vocab_size)

    def forward(self, text_ids, pinyin_ids, history_slot_ids):
        # Encode Context
        x = self.text_emb(text_ids) + self.pinyin_emb(pinyin_ids)
        x += self.pos_emb(torch.arange(x.size(1)).to(x.device))
        H = self.transformer(x) # [B, L, 512]
        
        # Encode Slots
        S = self.slot_emb(history_slot_ids)
        S += self.slot_pos_emb(torch.arange(S.size(1)).to(S.device))
        
        # Cross-Attention: Q=Slots, K/V=Context
        fused, _ = self.cross_attn(S, H, H) # [B, Slots, 512]
        
        # MoE Processing
        # 简化版 MoE: 对所有专家输出进行加权平均
        gate_scores = torch.softmax(self.gate(fused), dim=-1) # [B, Slots, Num_Experts]
        expert_outputs = torch.stack([expert(fused) for expert in self.experts], dim=-2) # [B, Slots, Num_Experts, Dim]
        moe_out = torch.sum(gate_scores.unsqueeze(-1) * expert_outputs, dim=-2) # [B, Slots, Dim]
        
        # Pooling & Predict
        pooled = moe_out.mean(dim=1) # [B, 512]
        logits = self.classifier(pooled)
        return logits

6. 总结

本方案通过单流 Transformer 编码结合结构化槽位交叉注意力，并引入20个专家的 MoE 模块 [1]，在保证模型轻量（4层 Transformer）的同时，有效利用了历史输入习惯并提升了模型表达上限。相比暴力拼接或双流架构，该设计在工程实现上更优雅，在推理效率上更高效，是轻量级输入法模型的局部最优解。