本研究提出了一种使用无监督文本样式转换的新方法来解决在线社交媒体中的人身攻击问题，该方法利用合作分类器、注意力和循环一致性损失对非平行数据进行编码器 - 解码器的训练，并在 Twitter 和 Reddit 的数据上进行了实验，结果表明该方法在两项定量指标中优于最先进的文本样式转换系统，可产生可靠的非攻击性转换句子。

May, 2018

本文描述了通过释义链接迁移 Reddit 上的冒犯性文本风格的第一个语篇感知风格迁移模型，该模型是通过依靠专家社会语言学家对其进行注释的第一个冒犯性 Reddit 评论和其无冒犯对应文本的大型数据集训练得出的。经过基于人类评估和自动评估的实验验证，该模型是实验结果中最优秀的一种。

Sep, 2022

本研究设计了一个可以为未知单词组合嵌入的模型，与现有的自然语言处理技术相比，本方法可以更好地检测社交媒体上的滥用言论，数据集包含 Twitter 和 Wikipedia talk page。

Sep, 2018

本研究提出了一种基于 BERT 和 Transfer Learning 的新型方案，以捕获社交媒体内容中的仇恨语境，并证明该方案能有效解决标注数据不足和存在偏差的问题，使得模型性能得到提升。

Oct, 2019

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

本文介绍了一种机器学习和自然语言处理模型，通过自动识别网页文本中的仇恨言论以及利用迁移学习技术构建了一个识别仇恨言论的表示方法，并开发了一个可视化工具用于多个数据集的简要分析。

Jun, 2019

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

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

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