本文提出了一种基于非平行文本的样式转换方法，通过优化潜在表示的精细对齐来分离内容和样式，并且在情感修改、解密以及单词顺序恢复等任务上验证了该方法的有效性。

May, 2017

本文提出了一个利用多任务和敌对目标进行辅助的简单但有效的方法，用于预测 label 和词袋模型，以此解决了语言模型中风格和内容的潜在变量发掘问题。同时有效地实现了风格迁移，并取得了较之前的最先进方法更好的迁移精度、内容保存和语言流畅度。

Aug, 2018

本文提出使用对抗网络以学习分离内容表示和风格表示的方法来解决自然语言处理中的样式转移问题，并提出了新的评估指标来测量样式转移的转移强度和内容保留。作者在文章 - 新闻标题转移和正面 - 负面评论转移两个任务上评估了模型和指标，结果表明，所提出的模型的样式转移强度和内容保留得分比自动编码器更高，内容保留度指标与人类判断高度相关。

Nov, 2017

文本样式转换是将文本的样式特征进行转换而保留其含义的任务。我们引入了一种新颖的基于扩散的通用样式转换框架 ParaGuide，它可以在推理时灵活地适应任意目标样式，利用改进的扩散模型，结合来自现成分类器和强大的已有样式嵌入器的梯度引导，以转换文本的样式同时保留语义信息。我们在 Enron Email Corpus 上进行人工和自动评估，发现该方法在正式化、情感以及甚至作者风格转换方面均超越了强大的基准。

Aug, 2023

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

本研究利用强化学习生成评估器结构，使用基于注意力的编码 - 解码器转换源风格的句子至目标风格，并进行了语义和句法限制的对抗训练风格鉴别器，成功实现了无平行训练语料库的文本风格转移，并在两种不同的风格转移任务（情感转移和形式转移）中取得了优于现有方法的结果，并进一步进行了手动评估，证明了所提出方法在生成文本质量方面的有效性。

Mar, 2019

文本风格转换方法在自然语言处理中越来越受欢迎，允许将文本从有毒到神经、从正式到非正式、从古老到现代英语等形式进行改写。在一些应用中，解决这一任务不仅仅是生成一些神经 / 非正式 / 现代化的文本，更重要的是保持原始内容不变。通过比较各种风格转换模型在正式转换领域的实例，我们对各种风格转换方法的内容保留能力进行了研究。我们创建了一个形式与非正式任务导向的对话的平行数据集，与 GYAFC 等现有数据集的关键区别是包含了必须在改写过程中保留的预定义语义槽，例如命名实体。这个额外的注释允许我们对几种最先进的风格转换技术进行精确的对比研究。我们研究的另一个结果是对无监督方法 LEWIS 进行改进，在所提出的任务中取得了明显的改进，优于原始方法和所有评估的基准方法。

Aug, 2023

LaMer 是一种基于大型语言模型的新型文本风格转换框架，通过场景图挖掘非平行数据中的近似平行表达，以利用数据内在的平行性。在情感、正式性和政治立场转换任务中，我们的模型在转换准确性、内容保留和流畅性方面实现了质的飞跃。进一步的实证和人类评估表明，我们的模型不仅使训练更有效，而且比以前的模型生成更易读和更多样化的表达式。

Apr, 2022

本文提出 Style Transformer，它结合了注意力机制和变形器模型，可以更好地处理文本风格转移和内容保存的问题。

May, 2019

本文提出了一种基于结构化细粒度监督的内容保留模型，利用语言信息并设定模型目标以达到在改变句子的风格的同时更好地保留与风格无关的内容，进行情感和政治倾向转换任务的实验表明该模型在内容保留和风格转换上表现出显著改善。

Oct, 2018