深层生成模型进行无监督文本风格转换
本文提出了一种深度生成模型,用于无监督的文本风格转换,并且统一了先前提出的非生成技术。利用概率方法将两个领域的非平行数据建模为部分观察到的平行语料库,通过假设生成每个观察序列的平行潜在序列,该模型学会了完全无监督的将序列从一个领域转换到另一个领域。
Feb, 2020
本文提出了一种基于双重强化学习框架的一步映射模型,以直接传输文本的风格,而无需分离内容和风格,通过在双重结构上设计的两种奖励来反映风格准确性和内容保留。这种方法可以在没有使用并行数据的情况下通过强化学习训练出两个一步映射模型,评估表明该模型在两个基准数据集上表现优于现有技术,特别是 BLEU 分数平均提高了 8 分以上,人类评估也验证了该模型在风格准确性、内容保留和流畅性方面的有效性。
May, 2019
本研究提出一种使用半监督框架和强化返馈来解决文本风格转移挑战的方法,通过自动构建伪并行对来引导监督学习并通过强化奖励学习未标注数据,提供细粒度的学习信号来稳定增强学习,并取得了多个数据集上最先进的性能。
May, 2022
本文提出了一种基于对比学习范式的新型文本风格转换模型,通过明确收集相似语义句子和设计基于孪生模型的风格分类器,以解决文本样式转换中的内容迁移和样式歧义等问题。针对这些问题,实验结果表明,该模型比现有技术更加有效。
Jan, 2022
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
该研究提出一种半监督文本风格转换模型,将小规模平行数据与大规模非平行数据相结合,设计两个约束条件用于训练,引入了两种简单而有效的半监督方法,并构建并发布了一种新的风格转换数据集。
Sep, 2019
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
本研究探讨了一种基于奖励机制的训练算法以进行文本风格转换任务,结合神经机器翻译模型的语义相似度度量来显式评估系统输出与输入文本之间内容的保留,实验结果显示该模型相对于强基准系统在自动和人类评估上具有显著的优势。
Oct, 2020
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