研究探索了在使用机器学习方法将英语翻译成带有形式化特征语言时，如何解决形式化信息缺失的问题，通过使用印地语作为示例数据，在形式化受控环境中训练双语模型，并与预训练的多语言模型在类似环境中的性能进行比较。主要建模方法是利用转换器模型，通过比较预测的被标记词与期望输出的实际词的准确度（ACC）来评估正式性准确性。这项研究展示了一种灵活的翻译策略，考虑了目标语言中形式化的细微差别，迎合了多样化的语言交流需求和场景。

Nov, 2023

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

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

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

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

该研究关注机器生成翻译的正式程度，并介绍了 FAME-MT 数据集，该数据集包含 112 个欧洲语言对之间的 1120 万个翻译样本，旨在通过该数据集在欧洲目标语言中调整机器翻译模型的正式程度。

May, 2024

提出了一种针对日语句子的序列到序列模型来学习保留语言形式性的表示，同时引入了有关形式性的先验知识，在 Downstream 任务中也表现出很好的效果。

Jan, 2023

通过分析两个流行的多语言生成语言模型（XGLM 和 BLOOM）在五种语言中的正式性分布，研究了提示正式性对预测结果的影响，发现这些模型的预测结果具有多样性并且存在文化偏见。

Feb, 2023

研究探索了波斯语的形式风格转换，旨在将非正式的文本转化为正式的文本，保持原始含义，并改善了现有自然语言处理工具在数字平台上普遍存在的非正式语言问题。通过引入一种新的模型 Fa-BERT2BERT，基于 Fa-BERT 架构，结合一致性学习和基于梯度的动态权重，增强模型对语法变化的理解，平衡损失部分，并通过新的度量标准对该模型与传统方法进行了评估，结果表明其在多个指标上的卓越性能，包括 BLEU、BERT 分数、Rouge-l 和突出表现了其在波斯语风格转换复杂性方面的能力。该研究通过提高 NLP 模型的准确性和功能性，显著贡献于波斯语的处理并支持更高效可靠的 NLP 应用程序的发展，能够有效处理语言风格转换，从而简化内容的管理，增强数据挖掘结果，促进跨文化交流。

Jun, 2024

该研究旨在使用自然语言特征提取方法在机器学习中，将朴素贝叶斯、逻辑回归和支持向量机等基本模型用于检测讨论线路偏离主题时教师必须介入的情况，从而实现文本分类和语义分析。

Nov, 2022