EMNLPOct, 2020

利用语言模型鉴别器和互信息最大化的半监督正式风格转换

PDF
TL;DR本文提出了一种使用语言模型鉴别器的半监督式正式语言风格转换模型，通过最大化生成句子为正式语言的可能性进行训练，并提出了最大化样式源和目标之间互信息作为训练目标。实验结果表明，在自动化指标和人类判断方面，我们的模型显著优于之前的最新基线，并将其推广到无监督文本风格转换任务中，在两个情感风格转换基准数据集上均获得了显着进展。
发现论文，激发创造
  • 混合文本注解的正式风格转换

    本文通过提出一种全能模型，同时采用平行数据和形式分类数据，以缓解数据稀疏性问题，并在形式转换基准数据集上取得最新的最优表现，发现该模型还可轻松适用于其他无监督文本样式转换任务，如无监督情感转换，并在三个广泛认可的基准测试中取得竞争优势。

    Mar, 2019

  • 跨语言和内部转换风格的多任务神经模型翻译

    本文探讨多任务学习在自然语言生成中的应用，通过多任务学习实现单语言风格转换和基于风格的机器翻译，并展示了在不依赖特定样本的风格注释训练条件下，我们的模型在风格转换和基于风格翻译方面均取得了最先进的性能。

    Jun, 2018

  • 半监督形式化风格转移及其一致性训练

    本文提出了一种半监督框架，通过一致性训练来更好地利用源端未标记句子，其中采用了数据扰动方法来增广伪平行数据，并提出了有效的数据过滤策略，实现了在 GYAFC 基准测试中获得最先进的结果。

    Mar, 2022

  • 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

  • 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

  • 使用合成监督控制神经机器翻译的正式性

    本文介绍了一种使用多任务学习的新训练方法，通过自动生成合成的训练三元组，解决实际语言环境下缺乏适当数据的问题，从而实现端到端训练。经过全面的自动化和人工评估，我们的模型在保持源意义的同时，更好地匹配所需的正式程度水平，远优于现有模型。

    Nov, 2019

  • 形式转换的并行数据增强

    本论文研究如何增广平行数据，提出了新颖且简单的数据增广方法来获得有用的句子对，并表明采用增广平行数据进行预训练可以帮助改善正式语体转换，并在 GYAFC 基准数据集中取得了最先进的结果。

    May, 2020

  • GYAFC 数据集：正式语体转换的语料库、基准和度量标准

    本研究创造出最大的专门风格转换语料库，针对形式化语言的风格，显示了使用机器翻译技术作为未来工作的强有力基线，并讨论了使用自动指标的挑战。

    Mar, 2018

  • 利用预训练的多语言语言模型控制翻译形式

    研究了单一的多语种模型在控制目标语言和形式上的输出，在解决从英语翻译成六种具有不同语法正式标记的语言方面的问题上，可以接近专用翻译模型实现的翻译质量和形式控制，但是预训练语言模型和微调样本的性质对结果有很大的影响。

    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