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

本文提出了一种针对多类型解缠的统一分布控制方法，以达到风格 - 内容解缠和多类型解缠的效果，在两个数据集上进行实验评估其风格解缠效果和无监督风格转移性能。

Dec, 2020

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

该论文提出了一种基于一对多映射和潜变量分解的对文本风格转换任务的方法。实验结果表明，该方法在多个公共数据集上的效果明显优于其他文本风格转换方法。

Feb, 2020

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

本文介绍了使用独立获取的数据来控制多种风格的方法，旨在解决现有方法中需要联合注释所有风格维度的共同缺点，通过与现有技术的比较，我们的模型能够保留输入文本的内容，同时控制多个风格维度。

Oct, 2020

本文提出了一个新的文本风格迁移框架，它利用渐变来在推断期间在连续空间中修订句子以实现文本风格迁移。通过使用变分自编码器、属性预测器和内容预测器，我们可以在连续空间中进行基于渐变的优化，找到具有所需属性和保留内容的目标句子的表示。与以前基于对抗学习的方法相比，所提出的方法更易于解释、控制和训练，并且在三个流行的文本风格转移任务上表现显著优于五种最先进的方法。

May, 2019

提出了一种采用互补损失的生成对抗网络的学习方法，实现带有约束的无监督文本风格转换，通过在潜在空间中进一步规范化，将不同领域中的相似句子加以规约和联系，以保留源和翻译文本之间的词汇、语法和领域特定约束，进而改善了文本转换的质量和数据扩充等应用。

May, 2022

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