使用粗略匹配的文本作为引导，本研究介绍了一种新颖的基于文本的风格生成方法，通过两阶段的生成对抗网络生成与细化图像风格，并通过实验证实了该方法的有效性和实际应用价值。

Sep, 2023

提出了一个新的任务 —— 风格化数据到文本生成，旨在根据特定的风格为给定的非语言数据生成连贯的文本。为应对逻辑、风格和偏差等三个挑战，我们提出了一个名为 StyleD2T 的新型模型，包括三个组件：逻辑规划增强数据嵌入、基于掩码的风格嵌入和无偏向的风格化文本生成。

May, 2023

我们介绍了一个新的原型到样式（PS）框架，用于处理语言风格的对话生成，其利用 IR 系统提取响应原型，然后使用样式响应生成器根据所需语言风格获得高质量和样式响应。结果显示，该方法在两种语言的三个基准数据集上明显优于现有基线，特别是在域内和跨域评估中。

Apr, 2020

本文提出一种迁移学习框架，通过更新模型参数的 0.3％来学习响应生成的特定风格属性，解决了在话务系统中保持一致的人物形象和风格的问题。研究表明，个性是改善会话系统参与度和用户体验的关键驱动因素。同时，本研究通过在 ROC 故事语料库中研究风格故事结尾生成问题，从 PERSONALITY-CAPTIONS 数据集中学习风格特定属性，并通过大量实验和评估表明，该新颖的训练方法可以提高风格生成的效果。

Oct, 2022

本研究提出了一种使用未配对数据进行数据扩充的新方法，包括数据层次和模型层次的蒸馏过程，结果表明此方法可以提高对话系统的性能。

Sep, 2020

该研究讨论使用有限的消息 - 响应数据学习开放域响应生成，提出了一种使用配对数据和非配对数据进行响应生成的方法，其中使用的生成模型由编码器 - 解码器和隐藏半马尔可夫模型组成，该方法在少量数据情况下能够显著优于现有最先进的响应生成模型。

Sep, 2019

本文介绍了一种基于元学习框架的任务自适应多对文本样式转换方法，能够同时处理不同任务之间的元知识差异，并成功解决非平衡数据和不匹配领域等普遍挑战。

Jun, 2021

在没有手工标注的配对数据的情况下，提出了一种使用未经整理和未配对数据进行文本 - 视频检索的新设置，该方法通过学习文本查询的样式并将其传输到未经整理的网络视频来解决这个问题。通过引入多样式对比训练程序，提高了模型在多个数据集上的泛化能力，并在零样本文本 - 视频检索方面改进了最先进的性能。

Sep, 2023

通过共享结构化潜空间，我们提出了 StyleFusion 框架，它将对话建模和非平行风格转换结合起来，并且能够在控制风格的同时生成具有相关性的样式化响应，我们使用 Reddit 数据和两组句子进行了证明，结果表明，该模型在适当性方面没有牺牲的情况下能够生成具有目标风格的响应，并且优于竞争基准。

Sep, 2019

本文提出了一个新的任务 —— 风格化故事生成，即在给定前导的情况下生成带有指定风格的故事，并提出了一种新颖的生成模型来解决这个问题，该模型首先规划出风格化关键词，然后在关键词的指导下生成整个故事。此外，提出了两种自动度量标准来评估所生成的故事与指定风格之间的一致性。实验证明，我们的模型能够根据 ROCStories 数据集（Mostafazadeh et al.，2016）可控地生成情感驱动或事件驱动的故事，为进一步研究风格化故事生成提供了见解。

May, 2021