学习选择两方面信息以进行文档级文本内容操作

AAAIFeb, 2020

学习选择两方面信息以进行文档级文本内容操作

Learning to Select Bi-Aspect Information for Document-Scale Text Content Manipulation

Xiaocheng Feng, Yawei Sun, Bing Qin, Heng Gong, Yibo Sun...

TL;DR本文提出了一个新的实际任务，文档级文本内容操作，它旨在在更改内容的同时保留文本样式，并提出一种基于交互式注意机制的无监督神经模型，探索了在该任务中构建伪训练对的后向翻译方法的有效性。实证结果表明，该方法优于竞争方法，并且模型还在句子级数据集上产生了新的最优结果

Abstract

In this paper, we focus on a new practical task, document-scale text content manipulation, which is the opposite of text style transfer and aims to preserve text styles while altering the content. In detail, the input is a set of structured records and a reference text for describing another recordset. The output is a summary that accurately describes the pa

document-scale text content manipulation unsupervised neural model interactive attention mechanism back-translation semantic relationship

发现论文，激发创造

数据到文本的生成与风格模仿

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

内容选择与规划的数据转文本生成

本文提出了一种神经网络体系结构，它在不牺牲端到端训练的前提下，结合了内容选择和计划，通过将生成任务分解为两个阶段，根据数据记录生成内容计划并生成文档，在自动化和人类试验中都取得了优越表现，从而提高了最近发布的 RotoWire 数据集的最新技术。

Sep, 2018

无监督文本风格转移中的结构内容保持

本文提出了一种基于结构化细粒度监督的内容保留模型，利用语言信息并设定模型目标以达到在改变句子的风格的同时更好地保留与风格无关的内容，进行情感和政治倾向转换任务的实验表明该模型在内容保留和风格转换上表现出显著改善。

Oct, 2018

任何方面的文本总结：一种知识驱动的弱监督方法

本研究提出一种基于方面的抽象化摘要方法，可以对任意与文件相关的方面进行总结，带有外部知识库的弱监督构建方法和方面建模方案可以提高性能。

Oct, 2020

多属性文本风格转换

本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

Nov, 2018

在内容保持的风格转换方面，不要在改写时丢失信息

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

数据到文本生成的端到端内容和计划选择

本文介绍了多种扩展序列 - 序列模型的方法，旨在解决从结构化数据中生成流畅自然语言的问题，特别关注潜在内容选择过程的变体，包括复制注意力和覆盖解码。我们提出了一种基于多样集成的训练方法，以鼓励模型在训练过程中学习不同的句子模板，并通过比较其生成的文本在五个自动度量标准和人类评估中的结果，表明这些技术可以提高生成文本的质量。

Oct, 2018

删除，检索，生成：一种简单的情感和风格转换方法

本文提出了一种基于文本属性转换的方法，采用无监督学习来分离属性和独立内容，通过删除特定短语和替换生成适当的输出。在三个不同领域的数据集中，优于先前最佳系统的正确率提高了 22%。

Apr, 2018

使用反向注意力和条件层归一化增强文本风格转移中的内容保留

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

利用文档知识进行方面级情感分类

本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

Jun, 2018