面向非平行文本风格迁移的解耦表示学习
计算与语言
2018-09-12 v2
摘要
本文解决了语言模型中风格与内容潜变量解耦的问题。我们提出了一种简单而有效的方法，分别结合了用于标签预测的辅助多任务目标和用于词袋预测的对抗目标。我们从定性和定量两方面表明，风格和内容在潜空间中确实被解耦。这种解耦潜表示学习方法被应用于非平行语料上的风格迁移。与先前最先进的方法相比，我们在迁移准确率、内容保持和语言流畅性方面取得了显著更好的结果。
引用
@article{arxiv.1808.04339,
title = {Disentangled Representation Learning for Non-Parallel Text Style Transfer},
author = {Vineet John and Lili Mou and Hareesh Bahuleyan and Olga Vechtomova},
journal= {arXiv preprint arXiv:1808.04339},
year = {2018}
}
备注
11 pages, 7 figures, 6 tables; Preliminary work rejected by EMNLP-18