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

本文介绍了 SLT-CDT-UoS 团队参加 IWSLT 2022 评估活动中形式控制特别任务的贡献。我们在数据工程和目标函数改变上付出了努力，使用语言独立方法从提供的语料库中提取正式和非正式句子对，使用英语作为中间语言，我们将格式注释传播到任务中被视为零炮击的语言，并通过假设重新排名方法进一步改善格式控制。在英语到德语和英语到西班牙语的测试集中，我们在约束环境下的平均准确率为 0.935，在无约束环境下的平均准确率为 0.995，在英语到俄语和英语到意大利的零炮击环境中，我们得分在约束环境下的平均准确率为 0.590，在无约束环境下的平均准确率为 0.659。

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

本文旨在探讨自然语言提示在控制机器翻译模型输出方面的应用，并证明其能够影响输出的正式程度和具体方言等属性。研究还表明，使用语言名称控制多语言翻译模型的输出语言能够使得未见过的语言对之间产生积极的迁移效果，从而能够利用英文名翻译成未经微调的语言。同时，研究了规模、预训练步数、微调语言数量和语言相似度等因素对该现象的影响。

Feb, 2022

本文提出了一种新颖的可控自然语言转换框架，通过深度神经编码 - 解码器和辅助模块的加强以及基于自然语言处理工具的评分器来实现无监督训练，将其应用于正式化文本的任务中，实验表明该模型在转换文本并引入适当的正式设定方面表现良好，代码和数据集已供学术使用。

Sep, 2018

本研究利用预训练的 seq2seq 模型 mBART 进行多语种文本风格转换，使用机器翻译数据和英文句子得到了三种目标语言的最新成果。此外，考虑到平行数据的普遍稀缺性，我们提出了一个模块化方法，包括两种针对语言和任务适应的训练策略，实现竞争性性能，适用于其他风格转换任务以及其他语言。

Mar, 2022

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

通过创建和发布多种形式重组非正式文本的基准测试 XFORMAL，我们迈出了通往多语言风格转移的第一步。XFORMAL 的结果表明，最先进的风格转移方法与简单的基线方法表现相当，这表明在进行多语言风格转移时更具挑战性。

Apr, 2021

本研究提出了第一个关于文本正式程度检测方法的系统性研究，通过三种类型的实验得出使用 BiLSTM 模型比使用 transformer 模型更具优势，并发布了几种语言的正式程度检测模型，具有测试过的跨语言能力。

Apr, 2022