AdParaphrase: Paraphrase Dataset for Analyzing Linguistic Features toward Generating Attractive Ad Texts
CyberAgent, Inc.（CyberAgent公司）；Nara Institute of Science and Technology（奈良科学技术研究所）；Institute of Science Tokyo（东京科学大学）
针对广告文本吸引力相关语言特征研究缺乏含人类偏好的公开数据集等问题，提出复述数据集AdParaphrase，分析得出人类偏好的广告文本特征，并基于此提升生成模型的广告吸引力。
2025-02-11 cs.AI cs.CL
Style Matters! Investigating Linguistic Style in Online Communities
University of Iowa（爱荷华大学）
从历史上看，内容一直是研究在线社区语言的主要镜头。本文的重点是社区的语言风格。虽然我们知道个人有可区分的风格，但在这里我们要问的是，社区是否有可区分的风格。此外，虽然之前的工作依赖于风格的狭义定义，但我们采用了涉及262个特征的广泛定义来分析来自3个社交媒体平台的9个在线社区的语言风格，讨论政治，电视和旅游。我们发现社区确实有不同的风格。此外，风格是一个很好的预测群体成员（F-得分0.952和准确性96.09%）。虽然平均而言，它在统计上等同于单独使用内容的预测，但它对训练数据的减少更具弹性。
2022-09-27 cs.CL
Mind the Style Gap: Meta-Evaluation of Style and Attribute Transfer Metrics
Department of Computer Science, Aarhus University, Denmark（计算机科学系，奥胡斯大学）；Department of Computer Science, University of Copenhagen, Denmark（计算机科学系，哥本哈根大学）
本文对风格和属性迁移中的内容保留评估指标进行了大规模元评估，发现现有数据集导致误导性结论，并引入了一个新的测试集以解决此问题，同时提出了一种利用小型语言模型的风格感知评估方法，提高了与人类判断的对齐度。
2025-09-17 cs.CL
Does It Capture STEL? A Modular, Similarity-based Linguistic Style Evaluation Framework
Utrecht University（乌得勒支大学）
风格是自然语言的组成部分。然而，评估方法的风格措施是罕见的，往往是特定的任务，通常不控制的内容。我们提出了模块化，细粒度和内容控制的相似性为基础的风格评估框架（STEL），以测试任何模型的性能，可以比较两个句子的风格。我们用风格的两个一般维度（正式/非正式和简单/复杂）以及风格的两个具体特征（压缩和替代）来说明STEL。我们发现，基于BERT的方法优于简单版本的常用的风格措施，如3克，标点符号频率和基于LIWC的方法。我们邀请向STEL添加更多的任务和任务实例，并希望促进风格敏感措施的改进。
2021-09-10 cs.CL
SC2: Towards Enhancing Content Preservation and Style Consistency in Long Text Style Transfer
School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）
本文提出SC2方法，通过多层联合风格-内容加权模块和风格一致性损失解决长文本风格迁移中的内容退化和风格不一致问题，并引入去噪非自回归解码器加速训练，实验表明其优于竞争基线。
2024-06-07 cs.CL
Computational Social Linguistics for Telugu Cultural Preservation: Novel Algorithms for Chandassu Metrical Pattern Recognition
Independent Researcher（独立研究者）；Department of Computer Science and Engineering（计算机科学与工程系）
本研究提出计算社会科学方法保护泰卢固语Chandassu格律诗传统，构建含4651首标注作品的数据集与多模块数字框架，在Chandassu Score上达91.73%准确率，为社群导向的文化保护提供新思路。
2026-10-14 cs.CL
Does BERT Learn as Humans Perceive? Understanding Linguistic Styles through Lexica
University of Pennsylvania（宾夕法尼亚大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Minnesota（明尼苏达大学）
人们通过所写文章的语言风格来表达自己的意图和态度。在这项研究中，我们通过两个镜头调查跨风格的词汇使用情况：人类感知和机器词的重要性，因为词的风格线索，他们提供的强度不同。为了收集人类感知的标签，我们在基准风格数据集的基础上策划了一个新的数据集Hummingbird。我们让人群工作者突出文本中的代表性词语，使他们认为文本具有以下风格：礼貌，情感，攻击性和五种情感类型。然后，我们将这些人类单词标签与来自流行的微调风格分类器（如BERT）的单词重要性进行比较。我们的研究结果表明，BERT经常发现与目标风格不相关的内容词作为风格预测中使用的重要词，但即使对于某些风格（例如，积极的情绪和喜悦）人类和机器识别的单词对于某些风格共享显著的重叠。
2021-11-12 cs.CL
Reinforced Rewards Framework for Text Style Transfer
University of Maryland, College Park（马里兰大学帕克分校）；Carnegie Mellon University（卡内基梅隆大学）；Adobe Research（奥多比研究院）
风格转换处理的是将一段文本的风格属性转换为另一段文本的风格属性，同时确保保留核心内容的算法。由于文本风格转换在定制文本生成中的广泛应用，文本风格转换领域引起了人们的极大兴趣。现有的作品评估的风格转移模型的基础上的内容保存和转移强度。在这项工作中，我们提出了一个基于强化学习的框架，直接奖励这些目标指标的框架，从而更好地转移目标风格。我们提出的框架的基础上，自动和人工评价三个独立的任务，其中我们转移的文本风格从正式到非正式的，高兴奋低兴奋，现代英语，英语，反之亦然，在所有三种情况下，我们的性能得到了改善。与现有的最先进的框架相比，所提出的框架的性能有所改善，这表明该方法是可行的。
2020-05-11 cs.AI cs.CL cs.LG
Enhancing Content Preservation in Text Style Transfer Using Reverse Attention and Conditional Layer Normalization
The Hong Kong University of Science and Technology（香港科技大学）
文本样式转换旨在改变样式（例如，一个句子，同时保持它的内容。一种常见的方法是将给定的句子映射到没有样式的内容表示，并且内容表示被馈送到具有目标样式的解码器。以往的风格过滤方法都是在token级别上完全删除具有风格的token，从而导致内容信息的丢失。在本文中，我们提出了通过隐式地去除每个标记的反向注意的样式信息来增强内容保存，从而保留内容。此外，我们在构建目标样式表示时融合了内容信息，使其相对于内容是动态的。该方法在传递样式的过程中，不仅建立了与样式无关的内容表示，而且建立了与内容相关的样式表示。实证结果表明，我们的方法优于国家的最先进的基线的内容保存方面的大幅度。此外，它在风格转移的准确性和流畅性方面也具有竞争力。
2021-08-01 cs.AI cs.CL
Winning on the Merits: The Joint Effects of Content and Style on Debate Outcomes
Northeastern University（东北大学）
辩论和审议在政治和政府中起着至关重要的作用，但大多数模型认为，辩论主要是通过优越的风格或议程控制赢得的。然而，理想的情况是，辩论将根据是非曲直获胜，这取决于哪一方的论点更有力。我们提出了一个预测模型的辩论，估计语言特征和不同主题的潜在说服力的影响，以及两者之间的相互作用。使用118个牛津风格辩论的数据集，我们的模型结合了内容（作为潜在主题）和风格（作为语言特征），使我们能够以74%的准确率预测观众裁定的获胜者，显著优于单独的语言特征（66%）。我们的模型发现，获胜方采用更强的论点，并允许我们识别与强或弱的论点相关的语言特征。
2017-05-15 cs.CL
Style Transformer: Unpaired Text Style Transfer without Disentangled Latent Representation
Fudan University（复旦大学）
在不成对的文本风格迁移中，普遍存在着在潜空间中将内容与风格分离的现象。然而，目前大多数神经模型存在两个主要问题。1)很难从句子的语义中完全剥离样式信息。2)基于递归神经网络（RNN）的编码器和解码器以潜在表示为中介，不能很好地处理长期依赖性问题，导致非风格语义内容的保存较差。本文提出了风格转换器Transformer，它不需要对源语句的潜在表征做任何假设，而是在Transformer中加入了注意力机制，以实现更好的风格转换和更好的内容保持。
2019-08-20 cs.CL
Studying the role of named entities for content preservation in text style transfer
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Mobile TeleSystems (MTS)（移动电信系统公司（MTS））
文本风格转换技术在自然语言处理中越来越受欢迎，找到了各种应用，如文本解毒，情感或形式转换。然而，大多数现有的方法都是在公共平台上的在线通信，音乐或娱乐等领域进行测试的，但没有一种方法适用于面向任务的生产系统的典型领域，如个人计划安排（例如预订航班或在餐厅预订餐桌）。我们填补了这一空白，研究正式转移在这一领域。我们注意到，该领域的文本中充满了命名实体，这对于保持文本的原始意义非常重要。事实上，例如，如果有人告知航班的目的地城市，则不得更改。因此，我们专注于命名实体的正式文本风格转移的内容保存中的作用。我们收集了一个新的数据集，用于评估文本样式传输中的内容相似性度量。它取自面向任务的对话语料库，包含许多与现实请求相关的重要实体，这使得该数据集对于在生产中使用之前测试风格转换模型特别有用。此外，我们对预训练的正式传输模型进行了错误分析，并引入了一种简单的技术来使用有关命名实体的信息来增强文本样式传输中使用的基线内容相似性度量的性能。
2022-06-20 cs.CL
Style Transfer Through Multilingual and Feedback-Based Back-Translation
Carnegie Mellon University（卡内基梅隆大学）
风格转换是将句子的属性（例如，形式），同时保持其语义内容。风格转换的关键挑战是在相互竞争的目标之间取得平衡，一个是保持意义，另一个是提高风格转换的准确性。先前的研究已经确定，意义保存的任务通常更难实现和评估。本文提出了两个扩展的国家的最先进的风格转移模型，旨在提高风格转移的意义保持。我们的评估表明，这些扩展有助于更好地表达意义，同时提高传输精度。
2018-09-17 cs.CL
Style Transfer in Text: Exploration and Evaluation
Institute of Computer Science and Technology, Peking University（北京大学计算机科学技术研究所）；Information Science Institute, University of Southern California（南加州大学信息科学研究所）；Beijing Institute of Big Data Research（北京大数据研究院）
风格迁移是自然语言处理中的一个重要问题。然而，语言风格迁移的研究进展滞后于其他领域，如计算机视觉，主要是因为缺乏平行的数据和原则的评估指标。在本文中，我们提出了学习风格转移与非并行数据。我们探索了两种模型来实现这一目标，所提出的模型背后的关键思想是使用对抗网络来学习单独的内容表示和风格表示。我们还提出了新的评估指标，衡量两个方面的风格转移：转移强度和内容保存。我们在两个任务上访问我们的模型和评估指标：纸质新闻标题转移和正面-负面评论转移。实验结果表明，本文提出的内容保留度量与人类的判断高度相关，与自动编码器相比，本文提出的模型能够生成具有更高风格转换强度和相似内容保留分数的句子。
2017-11-27 cs.CL
Dependency and Span, Cross-Style Semantic Role Labeling on PropBank and NomBank
Shanghai Jiao Tong University（上海交通大学）
神经语义角色标注（SRL）的最新发展表明，依赖和跨度形式化/样式的性能都有很大的提高。虽然这两种风格在语言意义和计算方面有许多相似之处，但以往的研究大多集中在单一的风格上。在本文中，我们定义了一个新的跨风格的语义角色标签公约，并提出了一个新的跨风格的联合优化模型，设计了一个最基本的语言意义的语义角色，提供了一个解决方案，使两种风格的结果更具可比性，并允许两种形式主义的SRL受益于他们的自然联系，在语言学和计算。我们的模型学习了一个通用的语义参数结构，并能够以任何一种风格输出。此外，我们提出了一个语法辅助的方法，以统一提高学习的依赖和跨度表示。实验结果表明，本文提出的方法在跨集和依赖集SRL测试中都是有效的。
2021-02-10 cs.CL
Examining Scientific Writing Styles from the Perspective of Linguistic Complexity
Nanjing University of Science and Technology（南京理工大学）；Indiana University（印第安纳大学）；Nanjing University（南京大学）；Wuhan University（武汉大学）；University of Illinois（伊利诺伊大学）
在高影响力的英语期刊上发表文章对世界各地的学者来说都很困难，特别是对于非英语母语的学者（NNEs）来说，他们中的大多数人都在努力提高英语水平。为了揭示母语为英语的学者（NES）和NES之间英语科学写作的差异，我们收集了一个大规模的数据集，包含2006年至2015年期间发表在PLoS上的15万多篇全文文章。根据Ethnea的数据，我们将这些论文按照第一作者和通讯作者的民族背景分为三组，并从语言复杂性的两个方面考察了英语科技写作风格：（1）句法复杂性，包括句子长度和句子复杂性的测量;（2）词汇复杂度，包括词汇多样性、词汇密度和词汇复杂度。观察结果表明，在句法和词汇复杂性组之间的边际差异。
2018-09-13 cs.CL
Linguistic-style-aware Neural Networks for Fake News Detection
University of Washington（华盛顿大学）；Google（谷歌）；Syracuse University（雪城大学）
我们提出了分层递归神经网络（HERO），通过学习其语言风格来预测假新闻，这是与真相区分开来，正如心理学理论所揭示的那样。我们首先生成新闻文档的层次语言树;通过这样做，我们将每个新闻文档的语言风格翻译成其作者的单词用法，以及这些单词如何递归地构造为短语、句子、段落，并最终构造为文档。通过将层次语言树与神经网络相结合，该方法通过捕获具有语言意义的局部序列和全局递归结构来学习和分类新闻文档的表示。这是第一个工作提供层次语言树和神经网络保存树的信息，我们最好的知识。基于公开真实世界数据集的实验结果表明，该方法的有效性，它可以优于国家的最先进的技术在分类短和长的新闻文件。我们还研究了假新闻和真实新闻的不同语言风格，并观察了假新闻的一些模式。代码和数据已经公开。
2023-01-07 cs.AI cs.CL
BACON: Deep-Learning Powered AI for Poetry Generation with Author Linguistic Style Transfer
Campolindo High School（坎波林多高中）
本文介绍了BACON，一个基本原型的自动诗歌生成器与作者的语言风格转移。它结合了有限状态机，概率模型，人工神经网络和深度学习的概念和技术，以任何给定作者的风格写出具有丰富美学品质的原创诗歌。对BACON生成的输出的外部评估表明，参与者无法以任何统计学上显著的方式区分人类和AI生成的诗歌之间的差异。
2021-12-14 cs.CL cs.LG
Improvising Linguistic Style: Social and Affective Bases for Agent Personality
本文介绍了语言风格即兴，一个理论和一套算法即兴的口语人工代理，与应用程序的互动故事和对话系统。我们认为，语言风格是性格的一个关键方面，并展示了人工智能中常见的言语行为表征如何提供计算机角色可以即兴发挥的抽象表征。我们表明，所提出的机制引入了面向社会的代理人的可能性，满足栩栩如生的角色可信的要求，并满足海耶斯-罗斯提出的即兴创作的特定标准。
1997-02-26 cmp-lg cs.CL
Test-Time-Matching: Decouple Personality, Memory, and Linguistic Style in LLM-based Role-Playing Language Agent
Nanjing University（南京大学）
针对 LLM 角色扮演中提示沉浸不足与微调成本高的问题，本文提出免训练的 TTM 框架，自动解耦人格、记忆和语言风格，并通过三阶段流程生成高保真、风格一致的角色对话。
2025-07-23 cs.CL
The Effect of Different Writing Tasks on Linguistic Style: A Case Study of the ROC Story Cloze Task
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
一个作家的风格不仅取决于个人特质，还取决于她的意图和精神状态。在本文中，我们展示了如何相同的写作任务的变体可以导致可测量的写作风格的差异。我们提出了一个基于故事完形填空任务的案例研究（Mostafazadeh et al.，2016 a），其中注释者被分配了具有不同约束的类似写作任务：（1）编写整个故事，（2）为给定的故事上下文添加故事结局，以及（3）为故事添加不连贯的结局。我们表明，一个简单的线性分类通知文体特征是能够成功区分这三种情况下，甚至不看的故事背景。此外，将我们的文体特征与语言模型预测相结合，达到了故事完形填空的最佳表现。我们的研究结果表明，不同的任务框架可以显着影响人们的写作方式。
2017-07-13 cs.CL
Structured Content Preservation for Unsupervised Text Style Transfer
University of California, Davis（加州大学戴维斯分校）；Carnegie Mellon University（卡内基梅隆大学）
语篇风格转换的目的是在保持句子内容不变的情况下改变句子的风格。最近的风格转换系统往往不能忠实地保留改变后的风格的内容。本文提出了一种结构化的内容保持模型，利用语言信息的结构化细粒度监督，以更好地保持风格无关的内容在风格转移。特别是，我们通过设计基于句子的词汇信息和基于内容的语言模型的丰富模型目标来实现目标。因此，所得到的模型被鼓励保留目标句子的语义意义。我们进行了大量的实验，比较我们的模型与其他现有的方法在情感和政治倾向转移的任务。我们的模型在自动和人工评估的内容保存和风格转移方面都取得了显着的改进。
2018-10-31 cs.CL cs.LG stat.ML
Exploring Linguistic Style Matching in Online Communities: The Role of Social Context and Conversation Dynamics
University of Michigan（密歇根大学）
本研究针对Reddit在线社区，基于功能词与正式度两类风格分析大规模双方对话语料，考察多种社会因素下语言风格匹配（LSM）的水平差异及用户被封禁后LSM的变化，揭示其与社区指标的关联及对理解社区动态的价值。
2023-08-26 cs.CL
Say It Differently: Linguistic Styles as Jailbreak Vectors
Independent Researcher（独立研究者）
本研究探究语言风格作为越狱向量的攻击面，构建风格增强越狱基准并评估模型，发现风格重构可大幅提升越狱成功率，同时提出风格中性化预处理步骤缓解该问题，揭示当前安全管道漏洞。
2025-11-13 cs.AI cs.CL
Mimicry Is Presidential: Linguistic Style Matching in Presidential Debates and Improved Polling Numbers
University of Michigan（密歇根大学）；Northwestern University（西北大学）；NICO（西北大学复杂系统研究所）；INSEAD（欧洲工商管理学院）；Columbia University（哥伦比亚大学）
目前的研究使用的背景下，美国总统辩论和谈判，以检查是否匹配的语言风格的对手在两方交流影响的反应，第三方观察员。基于沟通调节理论（CAT），互动对齐理论（IAT）和处理流畅性，我们提出，语言风格匹配（LSM）将改善随后的第三方评估，因为匹配对手的语言风格反映了更大的观点，并将使一个人的论点更容易处理。与此相反，地位推断的研究预测，LSM将产生负面影响的第三方评价，因为LSM意味着追随。我们进行了两项研究来测试这些相互竞争的假设。第一项研究分析了1976年至2012年美国总统辩论的记录，发现与对手语言风格相匹配的候选人在民意调查中的地位有所提高。研究2证明了LSM和第三方观察员使用谈判成绩单的评价之间的因果关系。
2015-08-07 cs.CL cs.SI
Out of Style: RAG's Fragility to Linguistic Variation
Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
本研究分析了RAG系统在不同语言变异维度下的性能，发现其在非正式和语法错误查询中表现显著下降，凸显了对语言变化的脆弱性。
2026-01-26 cs.CL
MSLM-S2ST: A Multitask Speech Language Model for Textless Speech-to-Speech Translation with Speaker Style Preservation
Carnegie Mellon University（卡内基梅隆大学）；Meta AI；The Chinese University of Hong Kong（香港中文大学）
本文提出多任务语音语言模型MSLM，一种仅解码器架构，在不依赖文本数据的情况下实现保留说话人风格的多语言语音到语音翻译。
2024-03-19 cs.CL cs.SD eess.AS
Do Linguistic Style and Readability of Scientific Abstracts affect their Virality?
Trento-Rise（特伦托崛起研究所）；Center for Astrophysics（天体物理学中心）；Harvard University（哈佛大学）；Media Lab（媒体实验室）；Massachusetts Institute of Technology（麻省理工学院）
对在线社交网络中发布的文本内容的反应显示出不同的动态，这取决于提交内容的语言风格和可读性。对科学文章的反应是否存在类似的动力？我们的直觉得到了先前研究的支持，表明一篇科学文章的成功取决于它的内容，而不是它的语言风格。在这篇文章中，我们研究了一个科学摘要语料库和三种形式的相关反应：文章下载，引用和书签。通过基于类的心理语言学分析和可读性指数测试，我们表明，一定的风格和可读性的特点，摘要明确同意在确定成功和病毒能力的科学文章。
2012-03-19 cs.CL cs.DL cs.SI
GTAE: Graph-Transformer based Auto-Encoders for Linguistic-Constrained Text Style Transfer
近年来，非平行语篇风格迁移引起了越来越多的研究兴趣。尽管在基于编码器-解码器框架的风格转换方面取得了成功，但目前的方法仍然缺乏保留原始句子的内容甚至逻辑的能力，这主要是由于大的无约束模型空间或对潜在嵌入空间的过于简化的假设。由于语言本身是人类使用特定语法的智能产品，并且本质上具有有限的基于规则的模型空间，因此缓解这个问题需要协调深层神经网络的模型容量与人类语言规则的内在模型约束。为此，我们提出了一种称为基于图Transformer的自动编码器（GTAE）的方法，该方法将句子建模为语言图，并在图级别上执行特征提取和风格转换，以最大限度地保留原始句子的内容和语言结构。三个非平行文本风格迁移任务的定量实验结果表明，我们的模型优于国家的最先进的方法，在内容保存，同时实现了相当的性能，转移的准确性和句子的自然。
2021-02-01 cs.AI cs.CL cs.CV
Open-Mindedness and Style Coordination in Argumentative Discussions
Ben-Gurion University（本-古里安大学）
语言顺应是说话者根据彼此的交际风格调整自己的口音、措辞、词汇和语言的其他方面的过程。先前的研究表明，语言调节如何与说话者的权力和地位的差距以及它促进批准和讨论效率的方式相关。在这项工作中，我们提供了一个新的视角的现象，探讨其相关性与开放的思想的发言者，而不是她的社会地位。我们处理了Reddit的Change My View（CMV）subreddit中发生的数千个非结构化的争论性讨论，表明开放的思想与不同背景下发言者的假定角色有关。在讨论层面上，我们惊讶地发现，达成一致的讨论呈现出较低的适应水平。
2021-01-25 cs.CL
Mubeen AI: A Specialized Arabic Language Model for Heritage Preservation and User Intent Understanding
Mubeen 是 MASARAT SA 开发的阿拉伯语模型，利用原生阿拉伯语源和实用闭合架构解决意图理解及效用缺口问题，兼顾文化遗产保护与通用知识，助力沙特 2030 愿景。
2025-10-27 cs.CL
Thank you BART! Rewarding Pre-Trained Models Improves Formality Style Transfer
University of Groningen（格罗宁根大学）
并行数据的稀缺性导致形式风格的传输模型在保留内容方面几乎没有成功。我们表明，微调预训练语言（GPT-2）和序列到序列（BART）模型可以提高内容保留，即使并行数据量有限也是可能的。通过针对风格和内容（任务的两个核心方面）的奖励来增强这些模型，我们实现了一个新的最先进的水平。
2021-07-05 cs.CL
Is writing style predictive of scientific fraud?
University of Copenhagen（哥本哈根大学）
最近引入了利用机器学习检测科学欺诈的问题，从一个考虑到各种一般指标的模型中获得了初步的积极结果。结果似乎表明，写作风格是科学欺诈的预测。我们重新审视了这些最初的实验，并表明他们使用的留一检验程序可能会导致对可预测性的略微高估，但简单的模型也可以在一定程度上优于他们提出的模型。我们继续探索更抽象的语言特征，如语言的复杂性和语篇结构，只得到否定的结果。不过，在分析我们的模型时，我们确实看到了一些有趣的模式：例如，科学欺诈包含较少的比较，以及不同类型的对冲和呈现逻辑推理的方式。
2017-07-13 cs.CL
Balancing the Style-Content Trade-Off in Sentiment Transfer Using Polarity-Aware Denoising
Charles University（查理大学）
本文提出基于极性感知去噪的情感迁移模型，通过共享编码器和情感特定解码器平衡风格-内容权衡，在保留内容的同时实现情感翻转，优于现有基线。
2023-12-22 cs.CL
Smells like Teen Spirit: An Exploration of Sensorial Style in Literary Genres
University of Iowa（爱荷华大学）
通过心理学、神经科学和感觉语言学的大量研究，人们已经充分认识到感官知觉和语言是相互联系的。在这样丰富的语境中，我们要问，感觉语言在写作中的使用是否是语言风格的一部分？从文体计量学研究的角度来看，这个问题很重要，因为文体计量学研究已经探索了丰富的语言特征，但对与感官语言相关的特征关注不够。以此为目标，我们从几个角度探讨了词、小说、诗集中的感觉语言和感觉风格。例如，我们发现，个人使用感官语言并不是一种随机现象，很可能涉及到选择。此外，感觉风格通常是稳定的，随着时间的推移-变化是非常小的。此外，风格可以从仅仅几百个含有感官术语的句子中提取出来。我们还确定了每种类型中的代表性和独特性。例如，我们观察到小说集中前6个代表性特征中的4个涉及使用嗅觉语言的个体，而我们期望他们使用非嗅觉语言。
2022-09-26 cs.CL
A Multi-Task Role-Playing Agent Capable of Imitating Character Linguistic Styles
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Huawei Technologies Co., Ltd.（华为技术有限公司）
针对现有角色扮演智能体忽视语言风格且局限于多轮对话的问题，本文构建了含真实人物语录的多任务数据集MRstyle，并开发了StyleRPA智能体，在七项任务上显著超越现有基线。
2024-11-04 cs.AI cs.CL
A Review of Human Evaluation for Style Transfer
University of Maryland（马里兰大学）；Dataminr, Inc.（Dataminr公司）
本文回顾和总结了97篇风格迁移论文中描述的人类评估实践，涉及三个主要评估方面：风格迁移，意义保留和流畅性。原则上，人类评分员的评估应该是最可靠的。然而，在风格转移文件中，我们发现，人类评估的协议往往是不够详细和不标准化，这阻碍了在这一领域的研究的可重复性和进步，更好的人类和自动评估方法。
2021-06-09 cs.CL
A Dual Reinforcement Learning Framework for Unsupervised Text Style Transfer
Peking University（北京大学）；Tencent Inc（腾讯公司）；Beijing Institute of Big Data Research（北京大数据研究院）；Peng Cheng Laboratory（鹏城实验室）
无监督文本风格迁移的目标是在不使用并行数据的情况下，迁移文本的底层风格，但保持其主要内容不变。大多数现有的方法通常遵循两个步骤：首先将内容与原始样式分离，然后将内容与所需样式融合。然而，第一步中的分离是具有挑战性的，因为内容和风格在自然语言中以微妙的方式相互作用。因此，在本文中，我们提出了一个双重强化学习框架，通过一步映射模型直接转移文本的风格，而没有任何内容和风格的分离。具体来说，我们认为学习的源到目标和目标到源的映射作为一个双重的任务，和两个奖励的设计基于这样的双重结构，以反映风格的准确性和内容保存，分别。以这种方式，可以通过强化学习来训练两个一步映射模型，而不使用任何并行数据。自动评估表明，我们的模型在很大程度上优于最先进的系统，特别是在两个基准数据集上平均有超过8个BLEU点的改进。人工评估也验证了我们的模型在风格准确性，内容保留和流畅性方面的有效性。我们的代码和数据，包括所有基线的输出和我们的模型都可以在https://github.com/luofuli/DualLanST上找到。
2019-05-24 cs.CL
Cycle-Consistent Adversarial Autoencoders for Unsupervised Text Style Transfer
Lenovo Research AI Lab（联想研究院人工智能实验室）；Kwai Inc.（快手公司）；Tianjin University（天津大学）；Cornell University（康奈尔大学）
由于缺乏并行数据和内容保存困难，无监督文本风格转换充满了挑战。在本文中，我们提出了一种新的神经方法来进行无监督的文本风格传输，我们称之为从非并行数据中训练的周期一致性对抗自动编码器（CAE）。CAE由三个基本组成部分组成：（1）LSTM自动编码器，将一种风格的文本编码为其潜在表示，并将编码表示解码为其原始文本或将转换表示解码为风格转换文本，（2）对抗性风格转换网络，使用对抗性训练的生成器将一种风格的潜在表示转换为另一种风格的表示，以及（3）增强对抗风格传输网络在内容保存中的能力的循环一致性约束。包含这三个组件的整个CAE可以进行端到端的培训。在两个广泛使用的公共数据集上进行的广泛实验和深入分析一致地验证了所提出的CAE在风格转换和内容保存方面的有效性，并与四个自动评估指标和人类评估方面的几个强基线进行了比较。
2020-10-02 cs.CL cs.CV cs.LG
AI Thinking as a Meaning-Centered Framework: Reimagining Language Technologies Through Community Agency
University of Seville（塞维利亚大学）
针对现有语言技术无法应对语言保护中复杂社会文化维度的问题，提出以意义为中心的AI Thinking框架，通过与社区共创、构建五层生态系统让社区掌控语言文化知识表征，革新数字时代的语言多样性保护路径。
2025-02-19 cs.AI cs.CL
Limited Data Emotional Voice Conversion Leveraging Text-to-Speech: Two-stage Sequence-to-Sequence Training
National University of Singapore (NUS)（新加坡国立大学）；Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）
情感语音转换（EVC）旨在改变话语的情感状态，同时保留语言内容和说话人身份。在本文中，我们提出了一种新的2阶段训练策略，用于在有限的情感语音数据下进行序列到序列的情感语音转换。我们注意到，所提出的EVC框架利用文本到语音（TTS），因为它们有一个共同的目标，即生成高质量的表达语音。在第一阶段，我们使用多说话人TTS语料库进行风格初始化，以理清说话风格和语言内容。在第二阶段，我们用有限的情感语音数据进行情感训练，学习如何从语音中分离情感风格和语言信息。所提出的框架可以执行频谱和韵律转换，并实现了显着的改善，在国家的最先进的基线在客观和主观评价。
2021-06-09 cs.CL
Style-Aware Contrastive Learning for Multi-Style Image Captioning
Australian AI Institute（澳大利亚人工智能研究所）；University of Technology Sydney（悉尼科技大学）
现有的多风格图像描述方法在生成具有准确视觉内容和期望语言风格的字幕方面显示出有希望的结果。然而，现有的方法忽略了语言风格和视觉内容之间的关系。为了克服这个缺点，我们提出了风格感知的对比学习多风格的图像描述。首先，我们提出了一个风格感知的视觉编码器与对比学习挖掘潜在的视觉内容相关的风格。此外，我们提出了一个风格感知的三重对比度目标来区分图像，风格和标题是否匹配。为了给对比学习提供正样本和负样本，本文提出了三种检索方案：基于对象的检索、基于RoI的检索和基于三元组的检索，并设计了一个动态的权衡函数来计算检索得分。实验结果表明，我们的方法达到了最先进的性能。此外，我们进行了广泛的分析，以验证我们的方法的有效性。
2023-01-26 cs.CL cs.CV
Do Large Language Models Adapt to Language Variation across Socioeconomic Status?
IT University of Copenhagen（丹麦技术大学）；Pioneer Center for AI（先锋人工智能中心）；University of Copenhagen（哥本哈根大学）；Bocconi University（博科尼大学）；CENTAI Institute（CENTAI研究所）
研究发现大型语言模型在不同社会经济地位社区中适应语言风格有限，可能加剧语言层级差异并影响社会模拟研究的有效性。
2026-02-12 cs.CL
Developing Open Data Models for Linguistic Field Data
昆士兰大学弗林特档案馆收藏了埃尔温·弗林特在20世纪50年代和60年代在澳大利亚昆士兰州进行广泛的语言调查工作时所做的现场笔记和启发录音。在EMELD的背景下，将昆士兰大学弗林特档案馆的内容数字化的过程提供了一些有趣的挑战。首先，所有的语言数据都是濒危或灭绝的语言，因此形成了一个有价值的人种学知识库。其次，数据的物理格式本身就面临衰落的危险，因此数字化是中短期内的一项重要保存任务。第三，对语言领域数据的文本和音频数据的编码和呈现采用开放标准，虽然能够进行保存，但这本身代表了一个新的研究领域，其中最佳做法尚未正式确定。第四，在线提供这种语言数据作为未来研究的新数据来源，引起了对数据可移植性和寿命的关切。本文将概述数据模型的起源、内容创建组件、基于数据模型的表示形式、数据捕获工具和媒体转换组件。它还将解决一些更大的问题，有关数字化和注释的语言实地工作的基础上，通过与弗林特档案内容的工作所获得的经验。
2003-05-29 cs.CL cs.DL
Formalizing Style in Personal Narratives
Université Paris-Saclay, CNRS, ENS Paris-Saclay, LMF（巴黎-萨克雷大学、法国国家科学研究中心、巴黎-萨克雷高等师范学校、数学与形式化方法实验室）；Université Paris-Saclay, CNRS, LISN（巴黎-萨克雷大学、法国国家科学研究中心、计算机科学跨学科数字科学实验室）
提出一个整合功能语言学、计算机科学与心理学的框架，将个人叙事中的风格形式化为语言选择模式，并通过对梦境叙事的案例研究揭示了语言选择与心理状态的关系。
2025-10-13 cs.AI cs.CL
Style Transfer Through Back-Translation
Carnegie Mellon University（卡内基梅隆大学）
风格转换是指在不改变上下文意图或影响的情况下，对文本进行重新措辞，以包含特定的风格属性。本文介绍了一种新的风格自动转换方法。我们首先学习输入句子的潜在表示，该表示基于语言翻译模型，以便在减少文体属性的同时更好地保留句子的含义。然后使用对抗生成技术使输出与期望的风格相匹配。我们评估这种技术上的三种不同的风格转换：情绪，性别和政治倾向。两个国家的最先进的风格迁移建模技术相比，我们表现出改进的风格迁移的自动评估和手动评估的意义保存和流畅性。
2018-05-24 cs.CL
Gender identity and lexical variation in social media
我们提出了一个研究性别，语言风格和社交网络之间的关系，使用一个新的语料库的14,000 Twitter用户。以前的定量工作性别往往把这个社会变量作为一个女性/男性的二元，我们主张一个更细致入微的方法。通过对Twitter用户进行聚类，我们发现数据集自然分解为各种风格和主题兴趣。许多集群具有强烈的性别倾向，但它们对语言资源的使用有时与人口层面的语言统计直接冲突。我们认为，这些集群作为一个更准确地反映性别语言风格的多面性。以前基于语料库的研究也很少涉及语言风格与人口性别模式相悖的个体。为了识别这些个体，我们训练统计分类器，并测量数据集中每个个体的分类器置信度。检查个人的语言不匹配的分类器的模型，他们的性别，我们发现，他们有社交网络，其中包括显着较少的同性社会联系，并在一般情况下，社会网络同质性与使用同性语言标记。因此，配对计算方法和社会理论提供了一个新的视角，即性别如何随着个人相对于受众、主题和主流性别规范的定位而出现。
2014-05-12 cs.CL
Chameleons in imagined conversations: A new approach to understanding coordination of linguistic style in dialogs
Cornell University（康奈尔大学）
会话参与者往往会立即无意识地适应对方的语言风格：说话者甚至会根据对方前一句话中的数量来调整下一句话中的冠词和其他功能词的数量。这种惊人的协调水平被认为是作为实现社会目标的一种方式而出现的，例如获得认可或强调地位的差异。但是，适应机制是否已经深深地嵌入到语言生成过程中，成为一种反射呢？我们认为，虚构的对话提供了一种方法来研究这个问题，因为作者创造的对话，但没有收到的社会效益（相反，想象中的人物）。事实上，我们发现在我们的大型电影脚本语料库中的许多家庭的功能词显着的协调。我们还报告了关于性别和其他特征影响的初步研究结果;例如，令人惊讶的是，对于文章，平均而言，字符更适应女性而不是男性。
2011-06-15 cs.CL physics.soc-ph
Mind the Gap: Linguistic Divergence and Adaptation Strategies in Human-LLM Assistant vs. Human-Human Interactions
Amazon.com Inc.（亚马逊公司）
该研究发现用户与LLM聊天机器人和人工客服交互时沟通风格存在显著差异，提出后训练数据增强和推理时消息重构两种适配策略，实验表明风格多样数据集训练的模型性能更优。
2025-10-03 cs.CL
Disentangled Representation Learning for Non-Parallel Text Style Transfer
University of Waterloo（滑铁卢大学）；AdeptMind Research（AdeptMind研究院）
本文解决了语言模型中风格和内容潜变量的分离问题。我们提出了一种简单而有效的方法，它结合了辅助多任务和对抗目标，分别用于标签预测和词袋预测。我们表明，无论是定性和定量的，风格和内容确实是在潜在的空间解开。将这种分离的潜在表示学习方法应用于非平行语料库上的风格迁移。与以前的最先进方法相比，我们在传输准确性，内容保存和语言流畅性方面取得了更好的结果。
2018-09-11 cs.CL
AuthorMix: Modular Authorship Style Transfer via Layer-wise Adapter Mixing
Saarland University（萨尔兰大学）
提出AuthorMix框架，通过训练特定风格的LoRA适配器并利用逐层适配器混合，仅需少量目标风格样本即可实现轻量级、模块化的作者风格迁移，在低资源场景下优于现有方法并显著提升语义保留。
2026-09-17 cs.AI cs.CL
Contextual Text Style Transfer
Microsoft（微软）；University of Washington（华盛顿大学）
我们引入了一个新的任务，上下文文本风格转换-翻译一个句子到一个所需的风格与其周围的上下文考虑。这给现有的风格转换方法带来了两个关键挑战：（$i$）如何在转换过程中保持目标句子的语义及其与周围上下文的一致性;（$ii$）如何用有限的带有上下文的标记数据训练一个鲁棒的模型。为了实现高质量的风格传输与自然的上下文保护，我们提出了一个上下文感知的风格传输（CAST）模型，它使用两个单独的编码器为每个输入句子及其周围的上下文。进一步训练分类器以确保所生成的句子的上下文一致性。为了弥补并行数据的不足，引入了额外的自重建和反向翻译损失，以半监督的方式利用非并行数据。针对正式性风格和攻击性风格的迁移，引入了Enron-Context和Reddit-Context两个新的测试基准。在这些数据集上的实验结果表明，所提出的CAST模型在风格准确性、内容保留和上下文一致性度量方面优于最先进的方法。
2020-04-30 cs.CL cs.LG
Politeness Transfer: A Tag and Generate Approach
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了一个新的礼貌迁移任务，即把不礼貌的句子转换成礼貌的句子，同时保留意义。我们还提供了一个超过1.39个自动标记为礼貌的实例的数据集，以鼓励对这个新任务进行基准评估。我们设计了一个标签，并生成管道，识别风格属性，并随后生成一个句子的目标风格，同时保留大部分的源内容。对于礼貌以及其他五个传输任务，我们的模型在内容保存的自动度量方面优于最先进的方法，在风格传输准确性方面具有可比或更好的性能。此外，我们的模型超越了现有的方法对人类的评价语法，意义保存和转移的准确性在所有六个风格转移任务。数据和代码位于https://github.com/tag-and-generate。
2020-05-01 cs.CL
Exploring Contextual Word-level Style Relevance for Unsupervised Style Transfer
Xiamen University（厦门大学）；Baidu Inc.（百度公司）
无监督的风格转换旨在改变输入句子的风格，同时保留其原始内容，而不使用并行训练数据。在目前的主流方法中，由于缺乏对目标风格的影响的细粒度控制，它们无法产生令人满意的输出句子。在本文中，我们提出了一种新的注意序列到序列（Seq2seq）模型，动态地利用每个输出单词的相关性，以目标风格的无监督风格转移。具体来说，我们首先预训练一个风格分类器，其中每个输入单词与原始风格的相关性可以通过逐层相关传播来量化。在去噪自动编码的方式，我们训练注意力Seq2seq模型重建输入的句子，并重新预测词级先前量化的风格相关性的同时。通过这种方式，该模型被赋予了自动预测每个输出词的风格相关性的能力。然后，我们为该模型的解码器配备了一个神经风格组件，以利用预测的词级风格相关性来实现更好的风格传递。特别是，我们微调这个模型使用精心设计的目标函数，涉及风格转移，风格相关性的一致性，内容保存和流畅性建模损失条款。实验结果表明，我们提出的模型达到了最先进的性能，在传输精度和内容保存。
2022-03-11 cs.CL cs.LG
