基于VAE的文本风格迁移与枢轴词增强学习
计算与语言
2021-12-07 v1
摘要
文本风格迁移（TST）旨在保持相同内容的同时，将源文本的底层风格转换为另一种特定风格。由于高质量平行训练数据的稀缺，无监督学习已成为TST任务的一个热门方向。在本文中，我们提出了一种新颖的基于VAE的文本风格迁移与枢轴词增强学习（VT-STOWER）方法，该方法利用变分自编码器（VAE）和外部风格嵌入来联合学习语义与风格分布。此外，我们引入了枢轴词学习，用于学习特定风格中的决定性词汇，从而进一步提升风格迁移的整体性能。所提出的VT-STOWER可在仅给定非常有限且非平行训练数据的情况下，借助一种新颖且灵活的风格强度控制机制扩展到不同的TST场景。实验表明，VT-STOWER在情感、正式度以及语码转换TST任务上优于当前最优（SOTA）方法。
引用
@article{arxiv.2112.03154,
title = {VAE based Text Style Transfer with Pivot Words Enhancement Learning},
author = {Haoran Xu and Sixing Lu and Zhongkai Sun and Chengyuan Ma and Chenlei Guo},
journal= {arXiv preprint arXiv:2112.03154},
year = {2021}
}
备注
Accepted at The eighteenth International Conference on Natural Language Processing