EMNLPApr, 2018

QuaSE: 可量化指导下的精准文本风格转移

PDF
TL;DR本文提出了一种 Quantifiable Sequence Editing（QuaSE）任务，通过两个潜在的因素 (disentangled factors)：outcome factor 和 content factor 实现只编辑与 outcome value 有关的单词，从而更好地满足所需的 outcome value 并保持内容不变。该方法在 Yelp 评论数据上进行了评估，并取得了良好的实验结果。
quantifiable sequence editingoutcome valuelatent factorspseudo-parallel sentencesyelp review sentences
发现论文，激发创造
  • QuickEdit: 通过划掉单词进行文本和翻译编辑

    提出了一个计算机辅助文本编辑的框架，通过神经序列到序列建模和引入一个以输入句子和更改标记为输入的神经网络来解决翻译后编辑和改写问题，并通过用户研究评估了该模型的效果。

    Nov, 2017

  • 机器翻译质量估计的实用视角

    本研究旨在提高机器翻译句子水平的翻译编辑速率预测，提出了句子水平的质量分类（QC）观点，以优化召回率，并通过二进制分类器的使用可将后编辑工作量减少至 50-60％。

    May, 2020

  • 场景风格文本编辑

    本研究提出了一种名为 “场景风格文本编辑” 的任务，使用命名为 QuadNet 的四重框架在潜在特征空间中嵌入和调整前景文本样式，并在实际数据集上表现良好，实现前景文本内容和风格的深度编辑。

    Apr, 2023

  • 学习选择两方面信息以进行文档级文本内容操作

    本文提出了一个新的实际任务，文档级文本内容操作，它旨在在更改内容的同时保留文本样式，并提出一种基于交互式注意机制的无监督神经模型，探索了在该任务中构建伪训练对的后向翻译方法的有效性。实证结果表明，该方法优于竞争方法，并且模型还在句子级数据集上产生了新的最优结果

    Feb, 2020

  • QASem 解析：基于 QA 语义的文本到文本建模

    该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

    May, 2022

  • 基于分类的质量评估：用于实际应用的小型高效模型

    我们研究了句子级机器翻译的质量估计 (QE) 问题，发现传统的基于回归的方法以及基于压缩模型的方法都不能很好地解决实际应用中的问题，而基于分类的方法可以更好地反映他们在实际应用中的性能表现。

    Sep, 2021

  • 探索上下文词级风格相关性用于无监督风格转移

    本文提出一种基于注意力机制的序列到序列模型，采用无监督方式实现风格迁移，通过预测每个输出词语与目标风格的相关性实现精细的控制，进而使用神经风格组件进行风格迁移，该模型在风格迁移的准确性和内容保留方面达到了最先进的水平。

    May, 2020

  • 风格均衡：可控生成序列模型的无监督学习

    本文介绍了解决无监督学习中可控生成序列模型的训练 - 推断不匹配问题的方法，该方法利用样式转换模块将目标样式信息转移至无关样式输入进行训练，实现了在未配对的内容和样式样本下进行训练并缓解了训练 - 推断不匹配问题，通过文本到语音合成和文本到手写合成的实验验证了提出的样式均衡方法，结果表明在用户研究中，该方法实现了与实际数据相当的风格复制分数。

    Oct, 2021

  • 为句子校正调整序列模型

    对序列到序列方法进行的纠错实验中发现，基于字符的模型通常比基于单词的模型和通过卷积编码子单词信息的模型更有效，并且将输出数据建模为一系列差异可提高效果，而我们最强的序列到序列模型比最强的基于短语的统计机器翻译模型在数据相同的情况下得分提高了 6 M2 点（0.5 GLEU）。此外，在标准 CoNLL-2014 设置的数据环境中，我们证明了建模（并调整）差异可以使用更简单的模型和 / 或比以前的序列到序列方法少得多的数据获得类似或更好的 M2 得分。

    Jul, 2017

  • 文本事实传递

    通过最小化修改源文本的问答生成方式，ModQGA 能够准确转移到事实内容，同时不丢失源文本的风格。

    Oct, 2023