通过编辑纠缠潜表示实现可控无监督文本属性迁移

无监督文本属性迁移可在不使用任何平行数据的情况下自动转换文本以改变特定属性（如情感），同时保留其与属性无关的内容。主流方法试图分别建模与内容无关的属性，例如学习不同属性的表示或使用多个属性特定的解码器。然而，从控制迁移程度或同时迁移多个方面来看，这可能导致灵活性不足。为解决上述问题，我们提出一种更灵活的无监督文本属性迁移框架，该框架基于属性分类器以对潜表示的最小编辑替代属性建模过程。具体而言，我们首先提出一种基于 Transformer 的自编码器来学习离散文本的纠缠潜表示，然后将属性迁移任务转化为一个优化问题，并提出快速梯度迭代修正算法来编辑潜表示直至符合目标属性。大量实验结果表明，我们的模型在三个公开数据集上取得了极具竞争力的性能。此外，我们还展示了我们的模型不仅能自由控制迁移程度，还允许同时迁移多个方面。