本文旨在通过学习简化的语义分离潜在表示来生成和控制自然语言句子，同时通过变分自编码器和全局属性判别器的组合来建立新的神经生成模型。该模型具有可解释性和高效性，可以生成符合要求的具有各种属性的句子。量化评估验证了该模型的生成准确性。

Mar, 2017

本文提出了一个用于句子重述生成的端到端框架语法引导控制重述生成（SGCP），它利用了源句子中的复杂语法信息以生成符合指定语法结构的新句子，并在多个真实世界的英语语言数据集上进行了自动化和人工评估以证明其有效性。

May, 2020

通过引入操作令牌作为用户预期行为的表示，结合文本嵌入进行表示融合，以实现受控改写；实验结果表明，在不给定操作时，我们的方法能够成功实现特定操作受控的改写，并与传统的非受控方法保持相同甚至更好的性能，从而促进了面向用户的可选操作控制概念。

May, 2024

通过建议句法控制的转述网络，生成对抗样例，数据来自大规模的回译，尝试指定目标句法，通过人工和自动化评估表明此系统可以发现还原目标规范且性能不亚于现有对照组，增强了对语法变化的鲁棒性。

Apr, 2018

该研究提出一种名为 QCPG 的控制质量的引号生成模型，该模型能够直接控制生成的引语的质量维度，并且还提供了一种方法来确定预期能够产生最优引语的质量控制空间中的点。实验表明，该模型能够生成保持原始含义的引语并且比未受控的基线具有更高的多样性。

Mar, 2022

提出了一种新型的混合方法，它结合了基于语言学的分裂和删除规则以及神经语言转换模型来进行不同的简化操作，并通过引入新的数据增强方法来提高模型的语言转换能力。通过自动和手动评估，证明该模型在对比现有系统时，产生了更多的语言转换，并且可以控制所应用的每个简化操作的程度。

Oct, 2020

本文提出了一种基于编码器 - 解码器的模型，名为 Syntactically controlled Paraphrase Generator (SynPG)，它可以从未注释的文本集合中学习将一句话的语义和语法分离的能力，从而生成语法各异的释义，而无需使用大量注释的释义对。自动评价和人工评价的实验结果表明，该模型在语法控制方面的表现优于无监督基线，同时生成的释义的质量也具有竞争力。同时，经过充分的训练，该模型的性能与有监督模型相媲美，甚至更好，使其生成的语法受控释义可以用于数据增强，以提高 NLP 模型的健壮性。

Jan, 2021

本文从机器翻译的前置工作得到启发，使用句法变换软性 “重排序” 语句，辅助神经模型进行改写，从而增加生成的改写语句的多样性。

May, 2020

我们提出了一个新颖的任务，即控制词汇复杂度的句子生成，该任务旨在使用具有所需复杂度水平的关键词生成句子。我们提出了一种基于复杂度嵌入的简单而有效的方法，用于训练模型和微调预训练模型，并在英文和中文数据集上进行了广泛的实验。结果表明，相对于基线方法，我们的方法更好地控制了词汇复杂度并生成了更高质量的句子。

Nov, 2022

通过该研究，我们提出了一种能够修改文本内容以满足先决条件要求的模型，其通过建立重建和生成关系实现条件兼容和多属性控制。经过定量、定性和人类评估的验证，证明该模型与以往的方法相比，其生成了更加符合先决条件的流畅的句子。

Nov, 2018