本文提出了一个用于句子重述生成的端到端框架语法引导控制重述生成（SGCP），它利用了源句子中的复杂语法信息以生成符合指定语法结构的新句子，并在多个真实世界的英语语言数据集上进行了自动化和人工评估以证明其有效性。

May, 2020

本文提出了一种基于编码器 - 解码器的模型，名为 Syntactically controlled Paraphrase Generator (SynPG)，它可以从未注释的文本集合中学习将一句话的语义和语法分离的能力，从而生成语法各异的释义，而无需使用大量注释的释义对。自动评价和人工评价的实验结果表明，该模型在语法控制方面的表现优于无监督基线，同时生成的释义的质量也具有竞争力。同时，经过充分的训练，该模型的性能与有监督模型相媲美，甚至更好，使其生成的语法受控释义可以用于数据增强，以提高 NLP 模型的健壮性。

Jan, 2021

本文提出一种新颖的任务，通过神经模块来控制句子的语法以及运用多任务训练的目标来提高表示学习，从而实现可控文本生成，并在基线实验的基础上实现性能的提升和捕捉理想特征。

Jun, 2019

通过利用预训练模型和实例相关提示，本文提出生成多样且高质量的复述词句的方法，使用向量量化的提示来控制预训练模型的生成。实验表明此方法在三个基准数据集上取得了最新的最佳结果，包括 Quora、Wikianswers 和 MSCOCO。一旦被接受，我们将公开所有代码。

Nov, 2023

本研究提出了一种基于 AMR 的修改短语生成模型 (AMRPG)，该模型通过对抽象含义表示进行编码，从而在语法控制和短语生成质量方面显着提高了非监督学习方法的性能，并可用于数据增强以改善 NLP 模型的鲁棒性。

Nov, 2022

现有的句法控制的复述生成模型在使用人工标注或选择合适的句法模板时表现出色。然而，获取这样的模板的困难实际上阻碍了句法控制的复述生成模型的实际应用。为了摆脱这一困境，我们提出了一种基于生成的复述质量来检索模板的新颖资质句法模板检索器（QSTR）。此外，针对需要为每个源句生成多个复述的情况，我们设计了一种多样性模板搜索（DTS）算法，可以在不损失质量的情况下增强复述之间的多样性。实验证明，QSTR 在生成高质量复述方面明显优于现有的检索方法，并且在无参考度量方面甚至可以与人工标注的模板相媲美。此外，通过人工评估和使用我们生成的复述进行数据增强的下游任务表现，展示了我们的 QSTR 和 DTS 算法在实际场景中的潜力。

Oct, 2023

本文从机器翻译的前置工作得到启发，使用句法变换软性 “重排序” 语句，辅助神经模型进行改写，从而增加生成的改写语句的多样性。

May, 2020

提出了一种新型的混合方法，它结合了基于语言学的分裂和删除规则以及神经语言转换模型来进行不同的简化操作，并通过引入新的数据增强方法来提高模型的语言转换能力。通过自动和手动评估，证明该模型在对比现有系统时，产生了更多的语言转换，并且可以控制所应用的每个简化操作的程度。

Oct, 2020

本文提出一种数据生成技术，使用远程监督对预训练序列到序列模型进行微调，实现了用户可控的改写生成器，并通过修改损失函数中的参数，鼓励模型输出的多样性，从而有效解决改写过程中，有些短语不能改变的问题。该技术具有语言普适性，在英文和中文上进行了实验。

Aug, 2020

本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

Sep, 2017