NIPSNov, 2017

改进的神经文本属性转移与非平行数据

PDF
TL;DR本文提出对现有方法进行改进，以应对来自非平行数据的文本属性转移，并在情感转移任务中使用两个数据集进行实验，结果显示在三个评估指标中，我们的方法都优于强基准线。
text attribute transfernon-parallel dataencoder-decoder frameworksentiment transfer taskevaluation metrics
发现论文，激发创造
  • 通过编辑纠缠隐式表示实现可控非监督文本属性转移

    我们提出了一种基于 Transformer 自编码器和快速梯度迭代修改算法的非监督文本属性转移框架，可在不使用任何平行数据的情况下更改特定属性，同时保留其属性独立内容，并且能够灵活控制转移程度和同时转移多个方面。

    May, 2019

  • 多属性文本风格转换

    本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

    Nov, 2018

  • 非平行文本转换的无监督评估指标和学习标准

    该研究提出了一种自动生成文本释义并修改其属性或属性的方法，解决了 “无对照数据” 的问题，利用多种模型进行实验并给出新的损失函数和训练策略，提高了语义保留和流畅度，该方法能够显著提高基准方法。

    Oct, 2018

  • 非平行情感语音转换

    本文提出了一种非并行数据驱动的情感语音转换方法，通过学习两个分布之间的翻译模型而实现非并行训练，该方法在音频内容编码与情感编码空间中进行情感转换，实现了保留说话人身份和语言特征的情感相关特征转移。

    Nov, 2018

  • IMaT: 迭代匹配与翻译实现无监督文本属性转移

    本论文主要介绍了一种称为 Iterative Matching and Translation (IMaT) 的方法，用于在保留语义内容的同时，自动重写句子以具备某些语言属性。该方法通过构建伪并行语料库来对齐语义相似的原始和目标语料库中的子集，然后应用标准的序列到序列模型来学习属性转移，并通过优化对齐中的不完美部分来迭代改善所学的转移函数。在情感修改和形式转移任务中，该方法表现优异。同时，作者提供了一个公开可用的测试集作为辅助贡献。

    Jan, 2019

  • 非平行文本风格转换中的解耦表征学习

    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

  • 非平行文本的交叉对齐风格转移

    本文提出了一种基于非平行文本的样式转换方法，通过优化潜在表示的精细对齐来分离内容和样式，并且在情感修改、解密以及单词顺序恢复等任务上验证了该方法的有效性。

    May, 2017

  • 删除，检索，生成：一种简单的情感和风格转换方法

    本文提出了一种基于文本属性转换的方法，采用无监督学习来分离属性和独立内容，通过删除特定短语和替换生成适当的输出。在三个不同领域的数据集中，优于先前最佳系统的正确率提高了 22%。

    Apr, 2018

  • 使用自平行监督进行非平行文本风格转移

    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

  • 通过闭环解缠实现文本属性控制

    利用半监督对比学习方法，我们提出一种新的方法来实现属性的稳健控制，并增强内容的保留。通过重新解缠重构的句子并将其与原始潜变空间进行比较，我们实现了一个闭环解缠过程，进一步帮助内容保留。与以往方法不同，对比学习方法能够代替最小化互信息和对抗训练在解缠过程中的作用，从而减少计算成本。我们在三个文本数据集上进行了实验证明了我们模型的有效性。

    Dec, 2023