文本中多种风格属性的公平迁移
计算与语言
2020-01-22 v1 人工智能
机器学习
摘要
为在在线平台上保护匿名并掩盖身份，用户可能变形其文本并把自己刻画为不同性别或人口群体。类似地，聊天机器人可能需定制其交流风格以提升受众参与度。这种改变书面文本风格的方式近年受到显著关注。然而以往研究多致力于单一风格属性的迁移。仅关注单一风格的弊端在于，常导致目标文本中其他已有风格属性表现不可预测或被新风格不公平地主导。为抵消此行为，最好拥有可同时且公平地迁移或控制多种风格的风格迁移机制。通过此类方法，可获得融合所需程度的多重软风格（如女性特质、礼貌或正式性）的掩蔽或书写文本。本文中，我们证明多种风格的迁移无法通过顺序执行多个单风格迁移实现。这是因为每步单风格迁移常逆转或压倒前一步所融入的风格。我们随后提出一种神经网络架构，用于公平地迁移给定文本中的多种风格属性。我们在 Yelp 数据集上测试该架构，相较按顺序执行的现有单风格迁移步骤展示了更优性能。
引用
@article{arxiv.2001.06693,
title = {Fair Transfer of Multiple Style Attributes in Text},
author = {Karan Dabas and Nishtha Madan and Vijay Arya and Sameep Mehta and Gautam Singh and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2001.06693},
year = {2020}
}