ACLApr, 2018

删除，检索，生成：一种简单的情感和风格转换方法

PDF
TL;DR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%。
text attribute transferunsupervised learningadversarial methodsneural modelsentiment analysis
发现论文，激发创造
  • 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

  • 稳定风格转换器：编码器 - 解码器删除生成方法用于文本风格转换

    本研究介绍了一种在非平行数据集上进行文本风格转换的方法，该方法分两个阶段：通过分类器直接删除句子的属性标记以及通过结合内容标记和目标风格生成转移后的句子。实验证明，该系统可以稳定地在所有自动评估指标上工作，并且与其他模型相当。

    May, 2020

  • 用于受控文本风格转换的删除、检索、生成方法转换

    本文提出了一种新的手段 —— 生成式转换器（GST），其使用无监督的预训练语言模型和 Transformer，以重写句子以达到目标风格的目的，并使用 GLEU 评估度量，超出其他当今最先进的情感、性别和政治审查数据集上的性能。

    Aug, 2019

  • 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

  • SimpleStyle：一种可适应的风格转移方法

    本文提出了 SimpleStyle 方法，它包含了受控去噪和输出过滤两个简单部分，从而有效地实现了文本风格转换，并通过实验验证了其有效性。同时，作者还引入了一种名为 “soft noising” 的新技术来进一步改进系统性能，并将其应用于社交网络中真实文本数据的风格转换。作者建议 SimpleStyle 方法可作为属性控制文本重写领域的基准方法。

    Dec, 2022

  • 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

  • 重新思考文本属性转移：一个词汇分析

    本文提出了一种基于关键词分析的文本属性转换流程分析方法，发现 pivot words 是文本属性分类的强特征，只需修改这些单词即可改变句子的属性，许多模型只进行词汇级别修改，留下更高级别的句子结构不变，该文加深了我们对文本属性转移的理解，也指出了这一领域未来的需求和挑战。

    Sep, 2019

  • 将无监督风格转移重新制定为近义词生成

    该论文提出了一种简单的基于预训练语言模型的方法，将非监督风格转移重新规定为句子释义生成问题，本文在人工和自动评估方面显著优于目前最先进的风格转移系统，并发现现有的自动指标可以进行简单地误导，最后通过收集具有 11 种不同风格的大型数据集进一步对该系统进行深入分析。

    Oct, 2020

  • 情感转换中的风格 - 内容平衡：利用极性感知去噪

    基于极性感知去噪的情感转换模型，通过在生成文本中准确控制情感属性，以极大程度保留内容，平衡风格和内容之间的权衡，实现了更好的内容保留效果。

    Dec, 2023

  • 改进的神经文本属性转移与非平行数据

    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。

    Nov, 2017