提出了一种针对社交媒体上犯规和辱骂性言论的方法，通过无监督的样式转换管道把犯规言论转换为非犯规的形式，保持高水平的流畅性和内容保留性，并且在人类评估和自动度量标准方面表现优秀。

Nov, 2020

本文描述了通过释义链接迁移 Reddit 上的冒犯性文本风格的第一个语篇感知风格迁移模型，该模型是通过依靠专家社会语言学家对其进行注释的第一个冒犯性 Reddit 评论和其无冒犯对应文本的大型数据集训练得出的。经过基于人类评估和自动评估的实验验证，该模型是实验结果中最优秀的一种。

Sep, 2022

我们提出了一个用深度生成模型进行无监督文本风格转换的通用框架，该框架利用观察数据中的依赖关系学习内容和风格的潜在代码，并通过操纵这些代码来转换句子。实验结果表明，与几个强基准方法相比，我们的方法在自动评估和人工评估中取得了更好或具有竞争力的结果。

Aug, 2023

本文探讨了在德国 Twitter 数据上针对自动检测攻击性语言的不同策略，其中包括基于 BiLSTM-CNN 神经网络模型的三种迁移学习任务，结果表明在无监督主题聚类的预训练模型下，以及结合了主题用户聚类信息，最终取得了最佳的分类效果。

Nov, 2018

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

本文提出了一种深度生成模型，用于无监督的文本风格转换，并且统一了先前提出的非生成技术。利用概率方法将两个领域的非平行数据建模为部分观察到的平行语料库，通过假设生成每个观察序列的平行潜在序列，该模型学会了完全无监督的将序列从一个领域转换到另一个领域。

Feb, 2020

提出了一种基于上下文文本风格转换的新任务和模型，旨在实现高质量的自然上下文保留的风格转换，并通过引入半监督学习等机制，提出了一种用于训练稳健模型的方法，同时介绍了两个新的基准数据，实验结果表明，该模型在准确性、内容保全和上下文一致性等指标上显著优于其他方法。

Apr, 2020

本文介绍了我们在多语言环境下识别冒犯性语言的方法，使用数据增强策略，包括使用具有不同阈值的附加半监督标签和跨语言转移与数据选择，并提出了一个新的度量标准 Translation Embedding Distance，用于跨语言数据选择。我们还提出了各种预处理步骤和微调方法，定制社交媒体文本的预训练多语言 BERT（mBERT）来进行冒犯性语言识别，我们的多语言系统在 OffensEval 2020 上取得了有竞争力的结果。

Aug, 2020

本研究提出了一种用于减少偏见的文本风格转换模型，它结合了潜在内容编码和明确的关键词替换，可以更好地保存内容并保持良好的风格转移准确性。

Jan, 2022

本研究提出了一种基于检索的上下文感知风格表示的传导学习方法，使用具有检索器框架的注意力编码器 - 解码器，并涉及目标风格中前 K 个相关句子，以减轻非一致性问题。经实验证明，该方法优于几种强基线方法，并且具有广泛且有效的传导学习方法适用于无监督风格转移任务。

Sep, 2021