SE-DAE：用于无监督文本风格迁移的风格增强去噪自编码器
计算与语言
2021-04-28 v1
摘要
文本风格迁移旨在改变句子的风格同时保留语义含义。由于缺乏平行数据，去噪自编码器（DAE）被广泛用于该任务以建模不同句子风格的分布。然而，由于常规去噪过程的目标与风格迁移任务的目标之间存在冲突，原始 DAE 无法产生足够令人满意的结果。为提升模型的可迁移性，现有多数工作将 DAE 与各种复杂的无监督网络结合，使整个系统变得过于复杂。本工作中，我们设计了一种专为文本风格迁移任务设计的新型 DAE 模型，称为风格增强 DAE（SE-DAE）。与以往复杂的风格迁移模型相比，我们的模型不包含任何复杂的无监督网络，仅依赖于由一种新型数据精炼机制生成的高质量伪平行数据。此外，为缓解常规去噪过程目标与风格迁移任务目标之间的冲突，我们提出另一种新型风格去噪机制，其与风格迁移任务的目标更为兼容。我们在两个风格基准数据集上验证了模型的有效性。自动评估与人工评估均表明，相较于以往强大的当前最优（SOTA）方法，我们所提模型极具竞争力，并大幅优于原始 DAE。
引用
@article{arxiv.2104.12977,
title = {SE-DAE: Style-Enhanced Denoising Auto-Encoder for Unsupervised Text Style Transfer},
author = {Jicheng Li and Yang Feng and Jiao Ou},
journal= {arXiv preprint arXiv:2104.12977},
year = {2021}
}
备注
Accepted by the 2021 International Joint Conference on Neural Networks (IJCNN 2021)