本文介绍了一种新的自动风格转移方法，首先我们学习输入句子的潜在表示，然后使用对抗生成技术来匹配所需的风格，通过在情感、性别和政治倾向上的三种不同风格转换的比较，展示了在风格转移和含义保留流畅性方面的自动评估和人工评估的改进。

Apr, 2018

使用大型语言模型在单语环境下主要训练的研究发现，通过零样本和少样本的情境学习可以很好地实现机器翻译的泛化能力。然而，尽管零样本翻译的表现相对良好，但与少样本设置相比仍存在可辨别的差距。本文的研究探讨了导致这种差距的因素，并发现通过与目标语料库的写作风格匹配可以在很大程度上缩小这种差距（约为 70%）。此外，我们还探索了提高零样本基线的潜在方法，而无需并行演示样本，从而为提高翻译度量标准提供了有价值的见解。

Nov, 2023

本文采用大型语言模型（LM）来进行零样式转移，提出了一种提示方法，称为增强的零样式学习，将样式转移作为句子重写任务，并仅需要自然语言指令，无需目标样式的模型微调或示例。增强的零样式学习简单易用，不仅在情感等标准样式转换任务上表现出色，而且可以进行任意变换，例如 “使其多愁善感” 或 “插入一个隐喻”。

Sep, 2021

本研究提出一种模型来进行 few-shot 风格转换，实现在没有风格标注的语言中的低资源风格转换；并使用该模型在风格转换、情感转换、文本简化、性别中立化和文本匿名化等需求中实现了 2-3 倍的性能提升。

Oct, 2021

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

本研究提出了一种方法，该方法使用常规语言平行数据，在同一模型中完成语法错误纠正和文本样式转换两个任务，并在三种语言上应用我们的模型并进行了全面评估，表明该模型可靠地适用于多种错误类型和样式转换方面。

Mar, 2019

本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

Nov, 2018

本研究提出了一种用于减少偏见的文本风格转换模型，它结合了潜在内容编码和明确的关键词替换，可以更好地保存内容并保持良好的风格转移准确性。

Jan, 2022

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

本文通过基于 Transformer 的语言模型提出了一种利用多语言平行文本自动生成同义词的简单统一模型，可以在一步中实现无监督同义词生成。该模型相较于中文中的折叠法方法，其生成的同义词更加相似，并且能够在大规模未对齐的语料库上进行预训练。同时，利用噪声自编码器机制还可以提高模型的多样性和鲁棒性。实验结果表明，该模型在同义词关系、多样性、流畅度和效率等方面均优于折叠法。

Nov, 2019