非平行文本的交叉对齐风格转移
该研究提出一种半监督文本风格转换模型,将小规模平行数据与大规模非平行数据相结合,设计两个约束条件用于训练,引入了两种简单而有效的半监督方法,并构建并发布了一种新的风格转换数据集。
Sep, 2019
本文提出了一个名为 StoryTrans 的生成模型,该模型利用话语表示来捕捉源内容信息,并将其与可学习的样式嵌入一起传输到目标样式以解决非并行故事作者样式转换问题,并且使用一个附加的训练目标来解开样式特征,防止模型退化为一个自动编码器,并构建了新的汉英两种语言数据集,实验证明我们的模型在样式转换和内容保护的整体性能方面优于强基线。
Aug, 2022
本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题,并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标,结果表明,所提出的模型的样式转移强度和内容保留得分比自动编码器更高,内容保留度指标与人类判断高度相关。
Nov, 2017
本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法,利用样式偏好信息和单词嵌入相似性来生成伪平行数据,并采用迭代回译方法来联合训练两个神经机器翻译(NMT)系统,其中引入样式分类器来控制噪声。实验表明,该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。
Aug, 2018
该研究论文介绍了一种利用内容和风格潜在表示进行语言风格转换的方法,并证明了该模型在餐厅评论情感修改、浪漫风格对话回复和莎士比亚风格语句重写等三种任务中具有有效性。
Aug, 2018
本文介绍了一种新的自动风格转移方法,首先我们学习输入句子的潜在表示,然后使用对抗生成技术来匹配所需的风格,通过在情感、性别和政治倾向上的三种不同风格转换的比较,展示了在风格转移和含义保留流畅性方面的自动评估和人工评估的改进。
Apr, 2018
LaMer 是一种基于大型语言模型的新型文本风格转换框架,通过场景图挖掘非平行数据中的近似平行表达,以利用数据内在的平行性。在情感、正式性和政治立场转换任务中,我们的模型在转换准确性、内容保留和流畅性方面实现了质的飞跃。进一步的实证和人类评估表明,我们的模型不仅使训练更有效,而且比以前的模型生成更易读和更多样化的表达式。
Apr, 2022
本文提出了一个利用多任务和敌对目标进行辅助的简单但有效的方法,用于预测 label 和词袋模型,以此解决了语言模型中风格和内容的潜在变量发掘问题。同时有效地实现了风格迁移,并取得了较之前的最先进方法更好的迁移精度、内容保存和语言流畅度。
Aug, 2018