EMNLPDec, 2022

T-STAR：使用 AMR 图作为中间表示的真实风格转移

PDF
TL;DR提出了一种基于 Abstract Meaning Representation（AMR）作为中间状态表示的文本风格转换（TST）模型 T-STAR，该模型在保留源文本内容的同时，将源文本转换成目标风格，实验表明 T-STAR 相较于目前最先进的 TST 技术具有更高的内容保留度和更少的虚假内容产生。
text style transferparallel corporaabstract meaning representationsemantic notationt-star
发现论文，激发创造
  • 用双图表示增强 AMR 到文本生成

    提出了一种新的基于图的序列模型，能够有效地对 AMR 图进行编码，借助不同的顶部和底部节点表示以及节点传递策略，实现了更好的文本生成表现，并在两个 AMR 数据集上达到了最先进的结果。

    Sep, 2019

  • 基于风格掩码语言模型的文本风格转换

    本文提出了一种新的文本样式转换模型，名为 Style MLM，它使用原型编辑方法来构建一种样式屏蔽语言模型任务，通过使用 “可解释的注意力” 来解决样式屏蔽步骤中的位置问题。我们的模型通过与强大的 TST 基线和先进的 TST 模型竞争，展示了其在内容保留环节效果的卓越性。

    Oct, 2022

  • 基于 Transformer 建模图形结构以提升 AMR-to-Text 生成

    本文研究针对 AMR-to-text generation 的问题，提出了一种新颖的基于自注意力机制的模型，用于更好地模拟 AMR 图中间接连接概念之间的关系。通过实验在英语 AMR 基准数据集上展示了该模型明显优于现有模型的效果，成绩达到了该基准数据集的最好结果。

    Aug, 2019

  • 利用抽象意义表示的文本摘要

    研究了基于 Abstract Meaning Representation（AMR）的文本自动摘要方法，进行了全面的文本摘要流程探索，提出了一种 AMR 图的生成和基于此图的文本摘要生成方法，在 AMR 文本摘要任务上取得了最先进的结果，并指出了现有的文本摘要质量评估方法存在的问题。

    Jun, 2017

  • GPT-too：一种以语言模型为首选的 AMR-to-text 生成方法

    本文提出了一种基于预处理的强化语言模型和基于回环一致性的重新评分相结合的方法，有效地生成表征意义的 AMRs 数据的文本，并在英语 LDC2017T10 数据集上的表现优于以往的所有技术，包括 transformer 架构。

    May, 2020

  • 基于语义表示的抽象摘要生成

    本文提出了一种新颖的抽象摘要框架，利用意义表示（AMR）的树库进行研究。在该框架中，源文本被解析为一组 AMR 图，该图被转换为摘要图，然后从摘要图生成文本。我们专注于图形到图形的转换，该转换将源语义图减少为摘要图，并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。

    May, 2018

  • 将 AMR 转换为文本生成问题，作为旅行商问题

    这份研究报告介绍了一种使用 AMR-to-text 文本生成方法，将 AMR 图划分为若干个片段，在解决不对称广义旅行商问题的同时，训练最大熵分类器估计其中的旅行成本，并使用 TSP solver 找到优化解决方案。最终，在 SemEval-2016 Task8 数据集上获得了 22.44 的 BLEU 分数。

    Sep, 2016

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017

  • 基于序列到序列 Transformer 的结构感知微调用于基于转换的 AMR 分析

    探索将预训练的序列到序列语言模型与结构感知的基于转换的方法相集成，在提高 AMR 解析效果的同时保持先前基于转换的方法的优质属性，从而使模型更简单、更可靠。

    Oct, 2021

  • 基于 Transformer 的 AMR 解析中的图信息合并

    本文提出了 LeakDistill，通过使用结构适配器显式地将图形信息纳入到学习表示中，使用自知识蒸馏技术，无需使用额外数据就可以获得最先进的 AMR 解析性能。

    Jun, 2023