无监督文本风格转移中的结构内容保持
文本风格转换方法在自然语言处理中越来越受欢迎,允许将文本从有毒到神经、从正式到非正式、从古老到现代英语等形式进行改写。在一些应用中,解决这一任务不仅仅是生成一些神经 / 非正式 / 现代化的文本,更重要的是保持原始内容不变。通过比较各种风格转换模型在正式转换领域的实例,我们对各种风格转换方法的内容保留能力进行了研究。我们创建了一个形式与非正式任务导向的对话的平行数据集,与 GYAFC 等现有数据集的关键区别是包含了必须在改写过程中保留的预定义语义槽,例如命名实体。这个额外的注释允许我们对几种最先进的风格转换技术进行精确的对比研究。我们研究的另一个结果是对无监督方法 LEWIS 进行改进,在所提出的任务中取得了明显的改进,优于原始方法和所有评估的基准方法。
Aug, 2023
本文提出一种改进的文本风格转换方法,在保留内容的同时,通过反向关注机制从每个单词中隐含地去除其风格信息,保证了内容的完整性,并在建立目标风格表示时融合了内容信息,使其对内容具有动态性,从而既创建了风格无关的内容表示,又创建了与内容相关的风格表示,实验结果表明,该方法在保持内容的准确性方面优于现有的基准方法。
Aug, 2021
本文提出了一种基于对比学习范式的新型文本风格转换模型,通过明确收集相似语义句子和设计基于孪生模型的风格分类器,以解决文本样式转换中的内容迁移和样式歧义等问题。针对这些问题,实验结果表明,该模型比现有技术更加有效。
Jan, 2022
该研究提出了一种通过为每个单词分配个体风格向量来进行细粒度控制和操作的无监督文本风格转移方法,并引入了一种教师 - 学生学习集成的对抗训练框架以提高训练稳定性和降低高维优化的复杂性,实验结果表明其在两种和多种风格转移中具有明显改进的风格转移准确性和内容保留。
Jun, 2023
本文提出 Style Transformer,它结合了注意力机制和变形器模型,可以更好地处理文本风格转移和内容保存的问题。
May, 2019
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
本文提出了一种基于双重强化学习框架的一步映射模型,以直接传输文本的风格,而无需分离内容和风格,通过在双重结构上设计的两种奖励来反映风格准确性和内容保留。这种方法可以在没有使用并行数据的情况下通过强化学习训练出两个一步映射模型,评估表明该模型在两个基准数据集上表现优于现有技术,特别是 BLEU 分数平均提高了 8 分以上,人类评估也验证了该模型在风格准确性、内容保留和流畅性方面的有效性。
May, 2019
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
本文提出了一种基于分离表示的风格迁移模型 StyleFlow,通过设计注意力耦合层和基于归一化流的数据增强方法来实现通过风格转移实现保留内容。实验结果表明,该模型在大多数度量标准上达到了最先进的性能水平。
Dec, 2022