利用社交媒体内容进行自监督风格迁移
计算与语言
2022-05-19 v1
摘要
近期风格迁移研究受无监督神经机器翻译（UNMT）启发，通过利用循环一致性损失、回译与去噪自编码器从大量非平行数据中学习。相比之下，自监督神经机器翻译（SSNMT）比 UNMT 更高效地利用隐藏于非平行数据中的（近似）平行实例，其用于风格迁移尚未被探索。本文提出一种新颖的自监督风格迁移（3ST）模型，将 SSNMT 与 UNMT 方法增强结合，以识别并高效利用非平行社交媒体帖子中的监督信号。我们在文明改写、正式度与极性任务上将 3ST 与最先进（SOTA）风格迁移模型比较。我们表明 3ST 能最好地平衡三个主要目标（流畅性、内容保持、属性迁移准确率），在自动与人工评估的被测任务平均性能上优于 SOTA 模型。
引用
@article{arxiv.2205.08814,
title = {Exploiting Social Media Content for Self-Supervised Style Transfer},
author = {Dana Ruiter and Thomas Kleinbauer and Cristina España-Bonet and Josef van Genabith and Dietrich Klakow},
journal= {arXiv preprint arXiv:2205.08814},
year = {2022}
}
备注
13 pages, 2 figures, accepted as a long paper at SocialNLP 2022 (@NAACL)