T-STAR：以 AMR 图作为中间表示的忠实风格迁移
计算与语言
2022-12-06 v1
摘要
用于训练文本风格迁移（TST）模型的平行语料库的缺失是一个极具挑战性却又常见的场景。此外，TST 模型在将源句转换为目标风格时隐式地需要保留内容。为应对这些问题，通常构建一种不含风格但仍保留源句意义的中间表示。本文中，我们研究了抽象意义表示（AMR）图作为与风格无关的中间表示的效用。我们认为像 AMR 这样的语义表示是自然的中间表示选择。因此，我们提出 T-STAR：一个由文本到 AMR 编码器与 AMR 到文本解码器两部分组成的模型。我们提出了若干建模改进以增强所生成 AMR 的风格无关性。据我们所知，T-STAR 是首个将 AMR 用作 TST 中间表示的工作。通过详尽的实验评估，我们表明 T-STAR 显著优于当前最优技术，在内容保留上平均高出 15.2%，而风格准确率损失可忽略（约 3%）。通过包含 90,000 条评分的细致人工评估，我们还表明 T-STAR 相比当前最优 TST 模型幻觉最多减少 50%。
引用
@article{arxiv.2212.01667,
title = {T-STAR: Truthful Style Transfer using AMR Graph as Intermediate Representation},
author = {Anubhav Jangra and Preksha Nema and Aravindan Raghuveer},
journal= {arXiv preprint arXiv:2212.01667},
year = {2022}
}
备注
Accepted in EMNLP 2022