EMNLPSep, 2019

为风格化回复生成构建潜在空间

PDF
TL;DR通过共享结构化潜空间，我们提出了 StyleFusion 框架，它将对话建模和非平行风格转换结合起来，并且能够在控制风格的同时生成具有相关性的样式化响应，我们使用 Reddit 数据和两组句子进行了证明，结果表明，该模型在适当性方面没有牺牲的情况下能够生成具有目标风格的响应，并且优于竞争基准。
conversation modelingstyle transferlatent spacedialoguesreddit data
发现论文，激发创造
  • 半监督文本风格转移：潜空间交叉投影

    该研究提出一种半监督文本风格转换模型，将小规模平行数据与大规模非平行数据相结合，设计两个约束条件用于训练，引入了两种简单而有效的半监督方法，并构建并发布了一种新的风格转换数据集。

    Sep, 2019

  • 神经响应生成中联合优化多样性和相关性

    本文提出 SpaceFusion 模型，通过新型规则项，整合了序列到序列模型和自编码器模型的潜在空间，作了多样性和相关性的联合优化从而提高对话模型输出的质量。实验数据表明，与强基线相比，我们的方法在多样性和相关性方面都取得了极大改进。

    Feb, 2019

  • 基于知识的会话中的表达学习

    本研究提出一种基于变分方法的分段生成模型，使用两个序列潜状态变量分别表示响应的结构和内容风格，以探索响应中的隐含知识表达模式，并在两个基准测试中获得较好的评估结果。

    Apr, 2022

  • 混合对话系统中消减负面风格转移

    本文提出基于对比学习的混合对话系统方法，利用多任务融合技术和潜变量模型来解耦多种文本体裁，以减少负面风格传递问题，并通过包含潜变量的样式前缀进一步控制响应生成的样式。实验结果表明该方法在多个对话数据集上达到了最先进的性能。

    Dec, 2022

  • 潜空间中的生成人体动作风格化

    人体动作风格化的生成模型基于预训练自动编码器的潜在空间进行动作提取和融合，实现了多样化的风格化结果，具有轻量级设计却在风格再现、内容保留和广泛应用方面优于现有技术的特点。

    Jan, 2024

  • 使用风格化非成对文本生成风格化对话回应

    本研究提出一种基于逆向对话模型和风格路由方法的对话生成技术，能够捕捉嵌入在不成对文本中的风格特征，产生既符合给定上下文又符合目标风格的对话回复，实验表明方法能够胜过竞争性对话系统在产生连贯、风格强烈的对话回复方面的表现。

    Sep, 2020

  • StyleFusion：用于解开空间分段的生成模型

    StyleFusion 是一种基于 StyleGAN 的新型映射架构，可以将多个潜在代码融合成一个风格代码，从而得到可以精细控制每个生成图像区域的去耦合表示，同时可实现语义感知的跨图像区域混合，对于用户的兴趣区域提供更精准的编辑限制。

    Jul, 2021

  • 潜在空间中的对抗学习用于多样对话生成

    本文提出了一个基于生成对抗网络的两步框架，通过自编码学习语句的有意义表征，并学习将输入映射到响应表征上，最终将其解码为响应句子，经定量和定性评估证明相对于现有的最先进方法，该模型生成的响应更具流畅性、相关性和多样性。

    Nov, 2019

  • 无监督文本风格转移的鲁棒和语义组织潜在表示

    该研究提出了一种基于 EPAAEs 的方法，通过在连续嵌入空间中添加一个可调整噪音组件来完善扰动模型，从而更好地聚类风格相似的句子，且在文本风格转移任务上表现优异，同时还将文本风格转移任务扩展到 NLI 数据集，并证明了该方法最适合学习具有更复杂风格的数据集。

    May, 2022

  • Style Transformer: 无需分解潜变量的非配对文本风格转移

    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