发表在 NIPS 2017
动机
作者聚焦于非平行语料文本的风格迁移，针对其研究难点：如何将文本内容与属性分离开来，提出假设跨不同文本语料库共享潜在内容分布，并利用潜在表示的精确对齐来执行风格迁移的方法
方法（交叉对齐）
[x_1、x_2为两个不同域的语料库
]
[y_1、y_2 为其对应的风格标签
]
[Z 为共享的隐空间（符合高斯分布）
]
说明：编码器 E 将句子进行编码并映射到隐空间 Z 中，得到句子的内容表示，当生成器 G 中输入的是原句子标签 y1 时，则生成与原风格相同的句子（重构，相当于AE），与原句子对齐；当生成器 G 中输入不同的风格时，则生成目标风格的句子,与目标句进行一个交叉对齐。
形式化
目的：学习一个风格迁移函数
主要包括两步：
第一步：编码，映射到隐空间 z 中。 z ~ p(z|x2,y2)
第二部：解码，生成目标句子。p(x1|y1,z)
损失函数
重构损失（VAE）：
两部分相加
判别器（cnn 分类器）：
算法
实验
论文中做了三个任务：
-
Sentiment modification
数据集：YELP
数据处理同 Hu et al 2017 (Toward Controlled Generation of Text）
评价指标（引入了人工评价）：
Accuracy（预训练好的 TextCNN）
sentiment、fluency（human）-- 从测试集中随机选择 500 条句子由两个人来判断句子情感是否转换成功以及句子的流畅度
- Word substitution decipherment
- Word order recovery