基于流的文本风格迁移模型

摘要

近年来文本风格迁移（TST）任务受到了研究人员的广泛重视。现有研究使用变分自编码器、生成对抗网络等方法，先从输入文本中提取与风格属性无关的内容表示，再通过添加约束条件或结合风格嵌入向量的方式使解码器生成目标风格文本。已有的方法在情感迁移、形式迁移等任务上都取得了良好的进展，有效地提高了非平行数据集下文本风格迁移的准确度，但仍存在迁移后文本的内容和风格之间不匹配、迁移后原核心语义难以保留等问题。本文提出了一种基于流模型的文本风格迁移方法。该方法将文本进行初步编码后，提出利用神经样条流构造一系列可逆映射。通过流的正向过程将序列从原有隐状态编码空间整体映射到潜在分布，在此分布下将序列通过仿射耦合变换修改其风格特征，再将重组序列通过流模型的逆过程重新映射回初始隐状态编码空间。最后，通过初始隐状态序列和重组隐状态序列联合训练解码器以生成目标文本。基于流模型所构建的转换函数为可逆函数，因此，在转换隐状态时不会损失原有的分布信息，从而改善了TST任务过程中文本内容保留的问题。同时，由于训练解码器的重组隐状态序列由初始隐状态序列变化而来，故降低了TST任务迁移后内容和风格的不匹配度。此外，本文还提出了新的内容保留度评价指标，同时考虑迁移准确与内容保留，综合评判模型的整体效果。在迁移任务常用数据集上的实验结果证明，本文提出的方法在保证较高风格迁移准确率的同时，在内容保留度上取得了较好的效果，在整体性能上展现了一定程度的优势。

关键词

文本生成 / 文本风格迁移 / 神经网络 / 神经样条流