基于迁移学习与适配器的无监督神经风格化文本生成
计算与语言
2022-10-10 v1
摘要
研究表明，个性是提升对话系统参与度与用户体验的关键驱动因素。对话智能体还应维持一致的人物设定，以与用户进行引人入胜的对话。然而，文本生成数据集通常来自众包，从而具有平均化效应，即生成模型的风格是所有贡献该数据集的众包工人的平均风格。尽管可以为每项任务收集特定人物设定的数据集，但这将是一项昂贵且耗时的标注工作。在本工作中，我们提出了一种新颖的迁移学习框架，其仅更新 的模型参数来学习用于回复生成的风格特定属性。出于本研究目的，我们利用 ROC stories 语料库处理风格化故事结尾生成问题。我们从 PERSONALITY-CAPTIONS 数据集中学习风格特定属性。通过大量实验与评估指标，我们表明我们的新颖训练流程相比编码器-解码器基线可将风格生成提升 200，同时保持内容相关性指标持平。
引用
@article{arxiv.2210.03264,
title = {Unsupervised Neural Stylistic Text Generation using Transfer learning and Adapters},
author = {Vinayshekhar Bannihatti Kumar and Rashmi Gangadharaiah and Dan Roth},
journal= {arXiv preprint arXiv:2210.03264},
year = {2022}
}