ACLMay, 2020

探索上下文词级风格相关性用于无监督风格转移

PDF
TL;DR本文提出一种基于注意力机制的序列到序列模型，采用无监督方式实现风格迁移，通过预测每个输出词语与目标风格的相关性实现精细的控制，进而使用神经风格组件进行风格迁移，该模型在风格迁移的准确性和内容保留方面达到了最先进的水平。
unsupervised style transferattentional sequence-to-sequence modelneural style componentfine-grained controlstate-of-the-art performance
发现论文，激发创造
  • 半监督文本风格转换的传导学习

    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

  • 风格转换作为无监督机器翻译

    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。

    Aug, 2018

  • 无监督文本风格转移的双重强化学习框架

    本文提出了一种基于双重强化学习框架的一步映射模型，以直接传输文本的风格，而无需分离内容和风格，通过在双重结构上设计的两种奖励来反映风格准确性和内容保留。这种方法可以在没有使用并行数据的情况下通过强化学习训练出两个一步映射模型，评估表明该模型在两个基准数据集上表现优于现有技术，特别是 BLEU 分数平均提高了 8 分以上，人类评估也验证了该模型在风格准确性、内容保留和流畅性方面的有效性。

    May, 2019

  • Seq2Seq 对抗自编码器在情感转移中的应用

    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

  • 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

  • 风格均衡：可控生成序列模型的无监督学习

    本文介绍了解决无监督学习中可控生成序列模型的训练 - 推断不匹配问题的方法，该方法利用样式转换模块将目标样式信息转移至无关样式输入进行训练，实现了在未配对的内容和样式样本下进行训练并缓解了训练 - 推断不匹配问题，通过文本到语音合成和文本到手写合成的实验验证了提出的样式均衡方法，结果表明在用户研究中，该方法实现了与实际数据相当的风格复制分数。

    Oct, 2021

  • 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

  • 基于 Bootstrapping 和步进强化奖励的语言风格转化半监督框架学习

    本研究提出一种使用半监督框架和强化返馈来解决文本风格转移挑战的方法，通过自动构建伪并行对来引导监督学习并通过强化奖励学习未标注数据，提供细粒度的学习信号来稳定增强学习，并取得了多个数据集上最先进的性能。

    May, 2022

  • 将无监督风格转移重新制定为近义词生成

    该论文提出了一种简单的基于预训练语言模型的方法，将非监督风格转移重新规定为句子释义生成问题，本文在人工和自动评估方面显著优于目前最先进的风格转移系统，并发现现有的自动指标可以进行简单地误导，最后通过收集具有 11 种不同风格的大型数据集进一步对该系统进行深入分析。

    Oct, 2020

  • 上下文文本风格转换

    提出了一种基于上下文文本风格转换的新任务和模型，旨在实现高质量的自然上下文保留的风格转换，并通过引入半监督学习等机制，提出了一种用于训练稳健模型的方法，同时介绍了两个新的基准数据，实验结果表明，该模型在准确性、内容保全和上下文一致性等指标上显著优于其他方法。

    Apr, 2020