本文提出了一种基于对话样式迁移的 few-shot 学习模型，采用上下文学习的方式解决了对话风格转移中传统方法受限的问题，并且在多轮对话中的人工评估中，模型的话语匹配目标风格且语义正确性和合适性方面表现更好。此外，实验还表明，该模型可用于下游任务 —— 在将训练集的风格转移到测试集的情况下，多领域目标分类任务的 F1 得分有所提高。
Feb, 2023
本文介绍了一种新的自动风格转移方法，首先我们学习输入句子的潜在表示，然后使用对抗生成技术来匹配所需的风格，通过在情感、性别和政治倾向上的三种不同风格转换的比较，展示了在风格转移和含义保留流畅性方面的自动评估和人工评估的改进。
Apr, 2018
该研究论文介绍了一种利用内容和风格潜在表示进行语言风格转换的方法，并证明了该模型在餐厅评论情感修改、浪漫风格对话回复和莎士比亚风格语句重写等三种任务中具有有效性。
Aug, 2018
本文着重于文本的形式、毒性和情感转移任务，并提出了将上下文信息应用于文本改写的方法，比较了有上下文和无上下文改写的效果，并通过新型语言模型 GPT-3.5 和 GPT NeoX 进行实验比较，结果表明，上下文改写会更符合人类的阅读习惯，但并不一定反映在自动评测指标上。因此，也提出了通过融合上下文信息来优化常见的自动评测指标，以更好地反映人类偏好。总的来说，本文强调了将上下文信息应用于文本改写和评测的重要性。
May, 2023
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。
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
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
本研究提出了一种基于检索的上下文感知风格表示的传导学习方法，使用具有检索器框架的注意力编码器 - 解码器，并涉及目标风格中前 K 个相关句子，以减轻非一致性问题。经实验证明，该方法优于几种强基线方法，并且具有广泛且有效的传导学习方法适用于无监督风格转移任务。
Sep, 2021
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
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