Transfert de style de formalité avec espace latent partagé

Résumé

Les approches conventionnelles pour le transfert de style de formalité empruntent des modèles à la traduction automatique neuronale, qui nécessite généralement des données parallèles massives pour l'apprentissage. Cependant, l'ensemble de données pour le transfert de style de formalité est considérablement plus petit que les corpus de traduction. De plus, nous observons que les phrases informelles et formelles se ressemblent beaucoup, ce qui est différent de la tâche de traduction où deux langues ont des vocabulaires et des grammaires différents. Dans cet article, nous présentons une nouvelle approche, Sequence-to-Sequence with Shared Latent Space (S2S-SLS), pour le transfert de style de formalité, dans laquelle nous proposons deux pertes auxiliaires et adoptons un entraînement conjoint du transfert bidirectionnel et de l'auto-encodage. Les résultats expérimentaux montrent que S2S-SLS (avec les architectures RNN ou Transformer) surpasse systématiquement les lignes de base dans divers contextes, en particulier lorsque nous disposons de données limitées.