ACLJun, 2023

情感和情绪引导的改写

PDF
TL;DR本研究介绍了一种新的 fine-grained 情感改写任务，该任务能够通过平滑变化情感维度，保留原始文本的含义，从而改变带有情感的文本的情感强度。研究者提出了一种情感和情感指导的改写框架，该框架依靠预先训练的语言模型进行文本生成。经过广泛的评估，研究者发现，包含细粒度情感标签的改写任务可以显著提高获得反映期望情感的高质量改写的可能性，同时在改写评估指标（如 BLEU，ROUGE 和 METEOR）方面获得了一致性更好的得分。
paraphraseemotional paraphrasingfine-grained emotion labelspre-trained language modelsparaphrase metrics
发现论文，激发创造
  • 情感梯度下的细粒度情感释义

    提出一种新的基于感情梯度的细粒度情感改写任务，通过 fine-tuning 文本到文本的转换器进行多任务训练，对输入和目标文本进行细粒度情感标注，评估结果表明，将情感标签纳入改写任务可以显著提高获取所期望情感的高质量改写的几率，并在多个改写指标上达到更好的成绩。

    Oct, 2022

  • 通过自动爬取和对齐的句子对进行神经重述

    本文介绍了一种基于语言约束的相似性搜索方法，用于自动产生大规模对齐语料库，以解决基于神经网络的释义生成面临的数据缺乏问题。该方法在意大利语的情况下进行评估，并使用基于指针的深度神经网络架构实验。

    Feb, 2024

  • 情感语音合成的细粒度情感强度传输、控制和预测

    本文提出了一种用于序列到序列的细粒度情感语音合成的统一模型，通过学习到的排名函数引入音素级情感强度表示来描述本地情感细节，并采用句子级情感类别来呈现合成语音的全局情感。

    Nov, 2020

  • 一个用于释义生成的深度生成框架

    本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

    Sep, 2017

  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 对情感语言生成进行控制的语言模型适应

    本文介绍了一种使用情感驱动的文本生成模型，其能够有效地生成带有情感色彩的、主题集中的且语法正确的句子，并集成了 GPT-2 等概率文本生成模型。该模型考虑了情感类别、强度和主题的灵活性，并在自动化评估和人类研究中优于其他情感文本生成模型。

    Nov, 2020

  • 大型语言模型的释义

    本文介绍了一种使用大型语言模型来进行各种文本主题的改写以及延申到段落级别的重述的技术。该方法表现出了良好的效果，不仅能够对句子进行改写，还能对整段文本进行处理，无需将文本划分为较小的块。

    Nov, 2019

  • 深度强化学习的释义生成

    本文提出了一种基于深度强化学习的新型 “生成器” 和 “评估器” 框架来生成给定句子的释义，实验证明此方法在自动评估和人类评估上都优于现有技术。

    Nov, 2017

  • 基于大型预训练语言模型的实用文本分类

    本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。

    Dec, 2018

  • 利用自然语言提示控制语音合成中的情感

    我们提出了一种通过由情感丰富的文本衍生出的嵌入来作为提示信息的系统，通过在基于 Transformer 的架构内多次集成发言者和提示信息的联合表示。我们的方法在合并情感语音和文本数据集上进行训练，并在每次训练迭代中变化提示信息，以增加模型的泛化能力。客观和主观评估结果表明，该条件合成系统能够准确地将提示中的情感转移到语音中。同时，保持了发言者身份的精确可追踪性以及整体的高话语质量和可理解性。

    Jun, 2024