我们分析了大型语言模型（LLMs）在文本样式转换（TST）上的性能，特别关注情感转移和文本解毒，在英语、印地语和孟加拉语三种语言中进行。我们使用零样本和少样本提示以及参数高效微调，评估了预训练 LLMs 的能力，使用自动度量、GPT-4 和人工评估。我们的评估结果显示，虽然一些受提醒的 LLMs 在英语上表现良好，但它们在其他语言（印地语、孟加拉语）上的表现平均。然而，微调与零样本和少样本提示相比显著改善了结果，使它们与之前的最先进水平相媲美。这突显出有效的 TST 需要专门的数据集和专用模型的必要性。

Jun, 2024

本文采用大型语言模型（LM）来进行零样式转移，提出了一种提示方法，称为增强的零样式学习，将样式转移作为句子重写任务，并仅需要自然语言指令，无需目标样式的模型微调或示例。增强的零样式学习简单易用，不仅在情感等标准样式转换任务上表现出色，而且可以进行任意变换，例如 “使其多愁善感” 或 “插入一个隐喻”。

Sep, 2021

提出了一个中文文章风格转换框架（CAT-LLM），利用大型语言模型（LLMs）的能力，通过自定义的文本风格定义模块（TSD）来全面分析文章特征，高效地进行中文文章风格转换。该框架在许多方面优于当前研究，能够实现准确的转换和内容保持，对各种类型的 LLMs 具有显著的适用性。

Jan, 2024

本文提出一种控制文本数据中多种因素变异的模型，用回译机制代替对解缠缠绕的限制，实现对性别、情感、产品类型等多个属性的控制，并通过在潜空间中的池化运算使内容保留和风格变化之间的权衡更加精细，进一步拓展了去耦合框架的应用范围。

Nov, 2018

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

本研究提出知识库同化预训练任务和利用较大规模的平行语料库的转换模型，用于增强医学领域专家 - 外行人文本的风格转换系统，从而提高专家与百姓之间的沟通。实验证明，该方法可使转换质量平均达到成功率的 106% 相对提高。

Oct, 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

提出通过向 ChatGPT 模型蒸馏来改进形式转换数据集的解释性，进一步使用以上下文学习为基础的 ChatGPT 作为评论者来整合稀缺的专家人工反馈以提炼生成的解释。使用此数据集表明当前分发的模型在形式转换任务上表现不佳，而在我们的高质量数据集上进行微调可以显著改进，同时在人类评估中显示出比 ChatGPT 小得多的模型更好地与专家偏好一致。最后，讨论了在解释性的形式转换任务上进行微调的模型的两个潜在应用：可解释的作者验证和对 AI 生成文本检测器的可解释的对抗攻击。

Sep, 2023

我们评估了不同的大型语言模型在文本风格转换评估中的性能并提出了输入提示的集成来增加评估的鲁棒性。

Aug, 2023

我们提出了一个用深度生成模型进行无监督文本风格转换的通用框架，该框架利用观察数据中的依赖关系学习内容和风格的潜在代码，并通过操纵这些代码来转换句子。实验结果表明，与几个强基准方法相比，我们的方法在自动评估和人工评估中取得了更好或具有竞争力的结果。

Aug, 2023