- StyleFlow：基于归一化流的潜在表征分离方法用于无监督文本风格转换
本文提出了一种基于分离表示的风格迁移模型 StyleFlow，通过设计注意力耦合层和基于归一化流的数据增强方法来实现通过风格转移实现保留内容。实验结果表明，该模型在大多数度量标准上达到了最先进的性能水平。
- EMNLPT-STAR：使用 AMR 图作为中间表示的真实风格转移
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 - 替换文本语言模型以进行风格转换
介绍了一种用于文本风格转换的序列到序列语言建模框架。该方法通过非自回归蒙版语言模型生成目标风格的新跨度，同时保持了自回归模型的灵活性和非自回归模型的准确性，以弥合句子级和单词级风格转换方法之间的差距。通过 RLM 的隐层表示进行风格 - 内 - 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 - 研究命名实体在文本风格转换中的内容保留作用
该研究研究了如何在任务导向的生产系统领域中执行文本格式转换，集中探讨通过命名实体关联文本保留内容的角色，并提出一种用于增强基线内容相似性度量模型性能的简单技术。
- ACL领域自适应元学习的低资源风格转移
本研究提出了 DAML-ATM 方法，其中 DAML 为适应多个异构源领域的元学习方法，ATM 为一种全新的无监督文本风格转换方法，利用对抗风格训练，实现更好的内容保留和风格转移，并成功地应用于低资源领域中。
- ACL基于 Bootstrapping 和步进强化奖励的语言风格转化半监督框架学习
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。
- ICLR使用自平行监督进行非平行文本风格转移
LaMer 是一种基于大型语言模型的新型文本风格转换框架，通过场景图挖掘非平行数据中的近似平行表达，以利用数据内在的平行性。在情感、正式性和政治立场转换任务中，我们的模型在转换准确性、内容保留和流畅性方面实现了质的飞跃。进一步的实证和人类评 - 无监督控制文本生成的高效强化学习
提出了一种新的方法，在无监督文本风格转换任务中使用强化学习，通过为每个生成的 token 提供密集奖励来处理稀疏奖励问题，相较于当前的奖励塑造方法，使用密集奖励提高了 22％的风格转换质量，同时训练效率提高了 2.5 倍，速度提高了 7 倍 - 以人类判断为指南，引导正式转移的自动度量
本文针对文本形式转换的评估问题进行研究，重点关注了风格强度、内容保留和流畅度等三个方面的评估，对常见与新型度量标准进行了人工评估和相关分析，提出了在通用性使用情况下建议及其在相关任务中的外推性。
- ACL通过文本重构引导积极态度
介绍了基于大规模数据集 Positive Psychology Frames 的积极转化任务，任务目的是中和消极文本并生成更积极的视角，以保留文本原意。研究评估了一系列现有的文本风格转换模型，并讨论了未来工作的关键问题和方向。
- 基于对比学习的梯度导向无监督文本风格转换
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。
- EMNLP文本风格注意！基于文本风格转换的对抗和后门攻击
本研究首次尝试基于文本样式转换进行对抗性和后门攻击，设计了对抗性攻击和后门攻击方法，并进行了广泛实验来评估它们。实验结果表明，基于文本样式转换的对抗性和后门攻击方法优于基线模型，在许多方面都表现出卓越的优越性。
- EMNLP离散变分自编码器在自然语言生成因素分离中的应用
本文提出一种基于变分自编码器（Variational Autoencoder）的新方法来实现对自然语言处理（NLP）系统的解释，并将文本语言特征建模为离散变量以实现学习解缠编码表示，实验结果显示该方法在多个基准测试和一个文本风格迁移后处理应 - 使用大型语言模型进行任意文本风格转换的方法
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 - ACL使用反向注意力和条件层归一化增强文本风格转移中的内容保留
本文提出一种改进的文本风格转换方法，在保留内容的同时，通过反向关注机制从每个单词中隐含地去除其风格信息，保证了内容的完整性，并在建立目标风格表示时融合了内容信息，使其对内容具有动态性，从而既创建了风格无关的内容表示，又创建了与内容相关的风格 - ACLStylePTB: 细粒度可控文本风格转换的组合基准
本文介绍了 StylePTB，一个大规模的基准测试数据集，用于评估现有文本样式转移方法的表现，结果发现传统的方法无法实现细粒度的控制和多重样式的组合，这为控制文本样式转移、组合模型和学习离散表示等方向的未来研究提出了新的挑战。
- 文本风格转移的深度学习综述
该论文系统调查了 100 多篇关于神经文本风格迁移的文章，分析了任务制定，现有数据集和子任务的方法，评估以及并行和非并行数据的方法等方面，并就未来该领域的发展进行了讨论。
- EMNLPDGST: 一种用于文本风格转换的双生成器网络
使用 DGST 模型，经过定量和定性实验，在不需要识别器或并行语料库的情况下，与其他结构更为复杂的基准模型相比，实现了较高的文本风格转换性能。
- 文本风格转移：评论与实验评估
本文综合评述了最近文本风格迁移的研究进展，提出了一种按类别组织 TST 模型的分类法，并提供了一份最新技术的综合摘要。我们还检验了 19 种最先进的 TST 算法并提供当前趋势的新视角。