截然不同却又高度相似！约束式无监督文本风格迁移

近年来，文本跨域自动迁移变得流行。其目标之一是保留从源域翻译到目标域文本的语义内容。然而，它并未显式保持源文本与迁移文本之间的其他属性，例如文本长度与描述性。在迁移中保持约束具有若干下游应用，包括数据增强与去偏。我们通过对生成对抗网络（GAN）系列模型引入两个互补损失，提出了一种约束式无监督文本风格迁移方法。与 GAN 中使用的竞争损失不同，我们引入协作损失，其中判别器与生成器协作并减小同一损失。第一个是对比损失，第二个是分类损失，旨在进一步正则化潜空间并使跨域相似句子更加接近。我们证明了这种训练在多个基准数据集上保留了域间的词汇、句法与领域特定约束，包括涉及多个属性变化的数据集。我们表明，根据自动化与人工评估指标，互补协作损失提升了文本质量。