ST$^2$：基于多任务元学习的小数据文本风格迁移
计算与语言
2020-04-27 v1
摘要
文本风格迁移旨在将某一风格的句子改写为另一风格，同时保留内容。由于缺乏平行训练数据，当前最优方法均为无监督方法，并依赖于共享内容的大型数据集。此外，现有方法仅应用于极有限的风格类别，如正/负向与正式/非正式。本文中，我们开发了元学习框架，以在任意文本风格间进行迁移，包括更细粒度、共享内容更少且训练数据小得多的个人写作风格。在当前最优模型于少样本风格迁移任务中失效时，我们的框架有效利用来自其他风格的信息，提升了语言流畅度与风格迁移准确率。
引用
@article{arxiv.2004.11742,
title = {ST$^2$: Small-data Text Style Transfer via Multi-task Meta-Learning},
author = {Xiwen Chen and Kenny Q. Zhu},
journal= {arXiv preprint arXiv:2004.11742},
year = {2020}
}
备注
9 pages, 11 figures