StyleFlow：通过归一化流解耦潜在表示以实现无监督文本风格迁移
计算与语言
2022-12-20 v1
摘要
文本风格迁移旨在改变句子的风格同时保留其内容。由于缺乏平行语料库，近期大多数工作聚焦于无监督方法，并常使用循环构建来训练模型。虽然循环构建通过将迁移后的句子重建回原始风格句子来帮助提升模型的风格迁移能力，但它会在无监督文本风格迁移任务中带来内容损失。本文提出一种新颖的基于解耦的风格迁移模型 StyleFlow，以增强内容保留。与典型的编码器-解码器方案不同，StyleFlow 不仅可以执行前向过程以获得输出，还可以通过输出推断输入。我们设计了注意力感知耦合层来解耦句子的内容表示和风格表示。此外，我们提出了一种基于归一化流的数据增强方法，以提高模型的鲁棒性。实验结果表明，我们的模型有效地保留了内容，并在大多数指标上取得了最先进的性能。
引用
@article{arxiv.2212.09670,
title = {StyleFlow: Disentangle Latent Representations via Normalizing Flow for Unsupervised Text Style Transfer},
author = {Kangchen Zhu and Zhiliang Tian and Ruifeng Luo and Xiaoguang Mao},
journal= {arXiv preprint arXiv:2212.09670},
year = {2022}
}