May, 2020

稳定风格转换器：编码器 - 解码器删除生成方法用于文本风格转换

PDF
TL;DR本研究介绍了一种在非平行数据集上进行文本风格转换的方法，该方法分两个阶段：通过分类器直接删除句子的属性标记以及通过结合内容标记和目标风格生成转移后的句子。实验证明，该系统可以稳定地在所有自动评估指标上工作，并且与其他模型相当。
text style transfernon-parallel datasetsattribute markersautomatic evaluation metricsstable systems
发现论文，激发创造
  • 用于受控文本风格转换的删除、检索、生成方法转换

    本文提出了一种新的手段 —— 生成式转换器（GST），其使用无监督的预训练语言模型和 Transformer，以重写句子以达到目标风格的目的，并使用 GLEU 评估度量，超出其他当今最先进的情感、性别和政治审查数据集上的性能。

    Aug, 2019

  • 深层生成模型进行无监督文本风格转换

    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

  • 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

  • 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

  • 基于强化学习的无需平行训练语料库的文本风格转移

    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

  • 文本风格转换：探索与评估

    本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题，并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标，结果表明，所提出的模型的样式转移强度和内容保留得分比自动编码器更高，内容保留度指标与人类判断高度相关。

    Nov, 2017

  • 针对输入语句学习生成多个风格转移输出

    该论文提出了一种基于一对多映射和潜变量分解的对文本风格转换任务的方法。实验结果表明，该方法在多个公共数据集上的效果明显优于其他文本风格转换方法。

    Feb, 2020

  • 基于不相交语料库的风格多样迁移及鉴别反馈

    本文介绍了使用独立获取的数据来控制多种风格的方法，旨在解决现有方法中需要联合注释所有风格维度的共同缺点，通过与现有技术的比较，我们的模型能够保留输入文本的内容，同时控制多个风格维度。

    Oct, 2020

  • 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

  • 从具有任意未知样式的句子进行语言风格转移

    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