黄若孜,张 谧

1(复旦大学 软件学院,上海 201203)

2(复旦大学 上海市智能信息处理重点实验室,上海 201203)

近年来,文本风格迁移是自然语言处理中的一个热点,该领域深刻影响着很多NLP 应用的发展,比如在生成诗歌的任务中,利用风格迁移的方法来生成不同风格的诗歌[1].文本风格迁移的目标是将原文本重写成其他的风格的新文本,新文本应该流畅逼真,同时保留原文本中与风格无关的其他的信息.举例来说,从Yelp 数据集中可以拿到用户对餐厅的评论,我们希望将这些评论从正面改为负面,此时文本的风格即为评论中包含的态度.对于这个任务,如果有评论的内容一一对应而态度相反的两组文本集,我们可以很容易的设计一个Seq2Seq 的模型、有监督的进行训练.然而,在大部分风格迁移的场景中,这样的数据集是缺失的,于是很多研究者选择利用没有成对句子的数据集学习文本风格迁移的模型.

在已有的文本风格迁移的研究中,绝大部分工作都认为一个文本集的风格是一个认为给定的标签,而不是从文本集中自动提取的表示.比如对于Yelp 数据集,评分大于(小于)3 的评论被认定为正面(负面)态度.从这个观点出发,一种常见的思路是学习句子与风格无关的语义表示,然后利用这个表示和另一种风格的标签恢复出句子[2-4],这实际上是假设句子包含的语义信息和风格信息是相互独立的.具体来说,这些工作利用自编码器将不同的风格的句……