通过参数高效的迁移学习技术和策略优化方法，本研究提出了一种简单的两步调优和优化技术，用于在资源有限的情况下进行文本风格转换，并在作者转换和更大数据的本地语言风格任务中都取得了优于最先进基准模型的表现。

Mar, 2024

本研究提出一种模型来进行 few-shot 风格转换，实现在没有风格标注的语言中的低资源风格转换；并使用该模型在风格转换、情感转换、文本简化、性别中立化和文本匿名化等需求中实现了 2-3 倍的性能提升。

Oct, 2021

TinyStyler 是一种轻量但高效的文本风格转换方法，利用小语言模型和预训练的作者嵌入来进行有效的少样本文本风格转换，表现优于 GPT-4，并在自动和人工评估中超过最近的可控文本生成方法。

Jun, 2024

提出了一种基于上下文文本风格转换的新任务和模型，旨在实现高质量的自然上下文保留的风格转换，并通过引入半监督学习等机制，提出了一种用于训练稳健模型的方法，同时介绍了两个新的基准数据，实验结果表明，该模型在准确性、内容保全和上下文一致性等指标上显著优于其他方法。

Apr, 2020

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

本研究提出了一种基于检索的上下文感知风格表示的传导学习方法，使用具有检索器框架的注意力编码器 - 解码器，并涉及目标风格中前 K 个相关句子，以减轻非一致性问题。经实验证明，该方法优于几种强基线方法，并且具有广泛且有效的传导学习方法适用于无监督风格转移任务。

Sep, 2021

本文提出一种使用无监督机器翻译方法来实现自动语言风格转换的方法，利用样式偏好信息和单词嵌入相似性来生成伪平行数据，并采用迭代回译方法来联合训练两个神经机器翻译（NMT）系统，其中引入样式分类器来控制噪声。实验表明，该方法在语言风格转换的精确度和输入输出对应质量方面优于以前的现有模型。

Aug, 2018

本文提出了一种基于对话样式迁移的 few-shot 学习模型，采用上下文学习的方式解决了对话风格转移中传统方法受限的问题，并且在多轮对话中的人工评估中，模型的话语匹配目标风格且语义正确性和合适性方面表现更好。此外，实验还表明，该模型可用于下游任务 —— 在将训练集的风格转移到测试集的情况下，多领域目标分类任务的 F1 得分有所提高。

Feb, 2023

STEER 是一个统一的框架，通过专家增强（Expert Reinforcement）实现样式转移，用于解决样式转移中有限并行数据的挑战。该方法在多个目标样式中能够从任意未知源样式进行转移，具有灵活和高效的特性，取得了具有竞争力的基准线之上的最先进结果。

Nov, 2023

我们在英语中以命名实体识别任务为案例研究，探索样式迁移作为数据增强方法以增加低资源情境下的训练数据的大小和多样性。我们通过改变高资源域中的文本样式相关属性来生成合成数据进行训练，并设计一种受限的解码算法和一系列关键因素来选择数据以保证生成有效和连贯的数据。五种不同领域之间的实验和分析表明，我们的方法与当前最先进的数据增强方法相比可以显着改善结果。我们的方法是一种实际的数据稀缺性解决方案，并且我们预计它可应用于其他 NLP 任务。

Oct, 2022