本文提出了一个 Director-Generator 框架来重写目标作者风格的内容，并特别关注某些目标属性，该框架即使在有限的目标作者语料库的情况下也能很好地工作。实验结果表明，与现有作品相比，我们的模型在重写目标作者风格的输入文本方面有着显着的改进，并且定量和定性分析进一步表明，我们的模型具有更好的意义保留，并产生更流畅的生成结果。

Jan, 2021

通过对比训练的表示捕捉风格特征，从而引导语言模型以目标风格生成文本，实现满足作者特定风格的生成，而不需要微调底层语言模型。

Dec, 2023

本研究采用强化学习框架，结合基于 transformer 的语言模型的生成能力，通过引入作者的多维词汇偏好，成功地实现一定目标作者属性的诱导，并展示了该方法的优越性。

Oct, 2020

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

使用 seq2seq，自编码器和对抗性损失模型进行非平行数据样本的语言风格转移。通过使用情感分类器评估样式转移任务，报告了模型在几种模型上的结果。

Apr, 2018

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

研究了一种新的文体控制方法，使用现有的句子作为软模板，包括一种混合注意力 - 复制机制、弱监督学习及新的内容覆盖约束，结果表明该方法在餐馆和体育领域表现更好，在内容保真度和文体控制之间取得了较好的平衡。

Jan, 2019

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

该论文研究多语言环境下的文本风格生成问题，并基于长短时记忆人工神经网络和扩展语音和语义嵌入，实现了文学创作的风格生成，最终通过双语评估，调查调查和交叉熵等指标比较结果，认为该模型在创作文本方面优于随机采样和经典 LSTM 基线模型，并且生成文本的风格和目标作者十分相似。

Jul, 2018

本研究利用强化学习生成评估器结构，使用基于注意力的编码 - 解码器转换源风格的句子至目标风格，并进行了语义和句法限制的对抗训练风格鉴别器，成功实现了无平行训练语料库的文本风格转移，并在两种不同的风格转移任务（情感转移和形式转移）中取得了优于现有方法的结果，并进一步进行了手动评估，证明了所提出方法在生成文本质量方面的有效性。

Mar, 2019