刘延飞,李 慧,何玉杰

(火箭军工程大学 电子信息技术教研室， 西安 710025)

1 引言

文本风格转换属于一种特殊的自然语言生成技术，是指在保留原句内容的同时，重新措辞生成包含特定风格属性(词汇、句法等)的文本。不同场景下不同人群的表达方式不同，例如小说和科学论文、语言在个性年龄方面具有显著差异[1]等，使得信息交换中存在一定领域性的表述门槛和理解偏差。文本风格转换通过将语句转换成目标风格，能更好促进信息的接收，对于科学论文成功、信息的广泛传播、维护社交媒体的良好交流氛围、减轻现有自然语言技术中存在的偏差、语言风格控制生成技术等有重要意义[2-5]，近年在文本领域的研究已经成为热点，引起学者们关注和研究。

根据研究数据是否为内容一致而风格不同的平行数据，文本风格转换主要有监督的传统方法和无监督的深度学习方法。有监督的传统方法主要针对在平行数据下实现，基本以单语机器翻译为思路，将不同风格视为不同语言，形同释义。例如，文献[6]基于短语的机器翻译完成现代语言-莎士比亚文本风格转换。Mizukami[7]等利用统计机器翻译模型，结合语言模型实现说话人的个性翻译，但规则复杂且内容保留程度较低。然而，由于内容一致而风格不同的平行数据难以获取，该领域当前工作主要集中实现无监督的文本风格转换。主要有以下3种实现思路：隐式分离风格和内容[8-11]，用对抗网络或回译等方法对语句潜在表示强制分离内容和风格，存在训练困难、风格和内容难以平衡等问题；……