连续空间中的改写：无对抗学习的无监督文本风格迁移
计算与语言
2019-11-20 v3
摘要
典型的无监督文本风格迁移方法通常依赖两个关键要素：1) 寻求内容与属性的显式解耦，以及 2) 繁琐的对抗学习。在本文中，我们表明这两个组件都不是不可或缺的。我们提出了一种新框架，利用梯度在推理过程中于连续空间中改写句子以实现文本风格迁移。我们的方法由三个关键组件组成：变分自编码器（VAE）、若干属性预测器（每个属性一个）以及一个内容预测器。VAE与两类预测器使我们能够在连续空间中执行基于梯度的优化（该连续空间由离散空间中的句子映射而来），以找到具有期望属性且内容保留的目标句子表示。此外，所提方法在执行文本风格迁移任务时，天然具备同时操控多个细粒度属性（如句子长度与特定词的出现）的能力。与先前基于对抗学习的方法相比，所提方法更具可解释性、可控性且更易训练。在三个流行的文本风格迁移任务上的大量实验研究表明，所提方法显著优于五种最先进（SOTA）方法。
引用
@article{arxiv.1905.12304,
title = {Revision in Continuous Space: Unsupervised Text Style Transfer without Adversarial Learning},
author = {Dayiheng Liu and Jie Fu and Yidan Zhang and Chris Pal and Jiancheng Lv},
journal= {arXiv preprint arXiv:1905.12304},
year = {2019}
}
备注
Association for the Advancement of Artificial Intelligence. AAAI 2020