Style Transformer：无需解耦隐表示的无配对文本风格迁移
计算与语言
2019-08-21 v3
摘要
在潜空间中解耦内容与风格在无配对文本风格迁移中十分普遍。然而，当前大多数神经模型存在两个主要问题。1) 难以将句子的风格信息从语义中完全剥离。2) 基于循环神经网络（RNN）的编码器与解码器，以潜表示为中介，不能很好地处理长程依赖问题，导致非风格语义内容的保留较差。在本文中，我们提出 Style Transformer，它不对源句子的潜表示作任何假设，并装备了 Transformer 中注意力机制的能力，以实现更好的风格迁移与更好的内容保留。
引用
@article{arxiv.1905.05621,
title = {Style Transformer: Unpaired Text Style Transfer without Disentangled Latent Representation},
author = {Ning Dai and Jianze Liang and Xipeng Qiu and Xuanjing Huang},
journal= {arXiv preprint arXiv:1905.05621},
year = {2019}
}