专栏首页arxiv.org翻译专栏强化文本风格转移奖励框架(CS CL)
原创

强化文本风格转移奖励框架(CS CL)

样式转换处理的算法,以转移的风格属性的一段文本到另一个,同时确保核心内容是保留。 文本风格转换因其在文本裁剪生成中的广泛应用而受到人们的广泛关注。 现有作品基于内容保持和传递强度评价风格传递模型。 在这项工作中,我们提出了一个基于强化学习的框架,在这些目标指标上直接对框架进行奖励,从而更好地转换目标风格。 我们在三个独立的任务中展示了我们提出的基于自动和人工评估的框架的改进性能: 在这三个任务中,我们将文本的风格从正式转换为非正式,高兴奋度转换为低兴奋度,现代英语转换为莎士比亚式英语,反之亦然。 相对于现有最先进的框架,拟议框架的性能得到改善,这表明了该方法的可行性。

原文题目:Reinforced Rewards Framework for Text Style Transfer

原文:Style transfer deals with the algorithms to transfer the stylistic properties of a piece of text into that of another while ensuring that the core content is preserved. There has been a lot of interest in the field of text style transfer due to its wide application to tailored text generation. Existing works evaluate the style transfer models based on content preservation and transfer strength. In this work, we propose a reinforcement learning based framework that directly rewards the framework on these target metrics yielding a better transfer of the target style. We show the improved performance of our proposed framework based on automatic and human evaluation on three independent tasks: wherein we transfer the style of text from formal to informal, high excitement to low excitement, modern English to Shakespearean English, and vice-versa in all the three cases. Improved performance of the proposed framework over existing state-of-the-art frameworks indicates the viability of the approach.

原文作者:Abhilasha Sancheti

原文地址:https://arxiv.org/abs/2005.05256

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 利用人类知识学习仿人机器人的自然运动行为(CS R)

    本文提出了一个新的学习框架,该框架利用了模仿学习,深度强化学习和控制理论中的知识,以实现对类人动物而言自然,动态和强大的人性化运动。我们提出了新颖的方法来引入人...

    蔡秋纯
  • 资源 | 学到了!UC Berkeley CS 294深度强化学习课程(附视频与PPT)

    选自UC Berkeley 机器之心整理 CS294 深度强化学习 2017 年秋季课程的所有资源已经放出。该课程为各位读者提供了强化学习的进阶资源,且广泛涉及...

    机器之心
  • 资源 | UC Berkeley CS 294深度强化学习课程(附视频、学习资料)

    数据派THU
  • 资源 | 学到了!UC Berkeley CS 294深度强化学习课程(附视频与PPT)

    选自UC Berkeley 机器之心整 CS294 深度强化学习 2017 年秋季课程的所有资源已经放出。该课程为各位读者提供了强化学习的进阶资源,且广泛涉及深...

    朱晓霞
  • 腾讯AI Lab绝悟团队夺冠Kaggle足球AI竞赛

    Google Research 与英超曼城俱乐部在 Kaggle 平台上联合举办的 11v11 足球 AI 竞赛 Google Football 近日宣布最终结...

    CV君
  • 深度强化学习资料(视频+PPT+PDF下载)

    昱良
  • 使用Unity ml-agent进行深度强化学习

    上周,我和我的两个同事,佩德罗·昆塔斯和佩德罗·卡尔代拉做了一些实验,使用的是Unity的ml -agents,我认为这是一个伟大的时刻,与社区分享我们的结果,...

    AI研习社
  • 腾讯AI足球队夺冠Kaggle竞赛,绝悟强化学习方案迁移至足球队

    12月30日,腾讯宣布其人工智能球队摘得首届谷歌足球Kaggle竞赛冠军。该冠军球队来自腾讯AI Lab研发的绝悟WeKick版本,凭借1785.8的总分在与全...

    AI科技大本营
  • 深度强化学习(DRL)专栏(一)

    【磐创AI导读】:本篇文章是深度强化学习专栏的第一篇,讲了引言和强化学习基础知识,希望对大家有所帮助。查看上篇关于本专栏的介绍:深度强化学习(DRL)专栏开篇。...

    磐创AI

扫码关注云+社区

领取腾讯云代金券