用于风格迁移与内容保持的低层语言控制
计算与语言
2019-11-11 v1
摘要
尽管风格迁移在图像处理中取得了成功，但在自然语言生成中进展有限。部分原因在于文本领域中内容不易与风格解耦。有趣的是，在文体学领域，内容在实际区分风格要素（如作者身份和体裁）的方法中并不突出。相反，句法和功能词是最显著的特征。借鉴该工作，我们将风格建模为一组低层语言控制，例如代词、介词和从句结构的频率。我们训练了一个神经编码器-解码器模型，在仅给定内容词和控制设置的情况下重建参考句子。我们通过固定内容词并调整控制以指示另一种风格来执行风格迁移。在实验中，我们表明该模型可靠地响应语言控制，并对风格迁移进行了自动和人工评估。我们发现可以 84% 的次数欺骗风格分类器，并且我们的模型产生了高度多样且风格独特的输出。本工作引入了一种形式化、可扩展的风格模型，可为任何神经文本生成系统增加控制。
引用
@article{arxiv.1911.03385,
title = {Low-Level Linguistic Controls for Style Transfer and Content Preservation},
author = {Katy Gero and Chris Kedzie and Jonathan Reeve and Lydia Chilton},
journal= {arXiv preprint arXiv:1911.03385},
year = {2019}
}
备注
Accepted as a long paper at INLG 2019