学习文本风格：关于迁移、归属与验证的研究
Learning Text Styles: A Study on Transfer, Attribution, and Verification
AI总结：
本文围绕文本风格迁移、作者归属与作者验证三大任务，提出基于大语言模型参数高效适配、对比解耦和指令微调的方法，以提升风格操控与作者识别的效果和可解释性。
摘要：
本论文通过三个相互关联的支柱推进了对文本风格的计算理解与操控：（1）文本风格迁移（TST），在保留内容的同时改变风格属性（如情感、正式程度）；（2）作者归属（AA），通过风格指纹识别文本的作者；以及（3）作者验证（AV），判断两段文本是否出自同一作者。我们通过利用大语言模型（LLMs）的参数高效适配、风格特征的对比解耦，以及基于指令微调的可解释验证，来解决这些领域中的关键挑战。
英文摘要：
This thesis advances the computational understanding and manipulation of text styles through three interconnected pillars: (1) Text Style Transfer (TST), which alters stylistic properties (e.g., sentiment, formality) while preserving content; (2)Authorship Attribution (AA), identifying the author of a text via stylistic fingerprints; and (3) Authorship Verification (AV), determining whether two texts share the same authorship. We address critical challenges in these areas by leveraging parameter-efficient adaptation of large language models (LLMs), contrastive disentanglement of stylistic features, and instruction-based fine-tuning for explainable verification.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
