基于少样本学习的对话风格迁移
计算与语言
2023-09-25 v2
摘要
传统的文本风格迁移方法聚焦于句子级风格迁移，未考虑上下文信息，且风格由属性(如正式度)描述。当将风格迁移应用于任务型对话等对话场景时，由于上下文可能起重要作用且对话中风格属性往往难以定义，现有方法受限于这些缺陷。本文引入对话风格迁移作为少样本学习问题，模型通过仅观察目标风格的数个示例对话来学习执行风格迁移。我们提出一种新颖的上下文学习方法来以无风格对话为枢纽解决该任务。人工评估表明，通过融入多轮上下文，模型能够匹配目标风格，同时相较话语/句子级风格迁移具有更好的恰当性与语义正确性。此外，我们展示对话风格迁移亦可惠及下游任务。例如在多领域意图分类任务中，将训练数据风格迁移以匹配测试数据风格后，F1 分数得到提升。
引用
@article{arxiv.2302.08362,
title = {Conversation Style Transfer using Few-Shot Learning},
author = {Shamik Roy and Raphael Shu and Nikolaos Pappas and Elman Mansimov and Yi Zhang and Saab Mansour and Dan Roth},
journal= {arXiv preprint arXiv:2302.08362},
year = {2023}
}
备注
IJCNLP-AACL'2023 Camera Ready Version