Wir betrachten die Aufgabe der Textattributübertragung: die Transformation eines Satzes, um ein bestimmtes Attribut (z.B. Stimmung) zu ändern, während sein attributunabhängiger Inhalt (z.B. "der Bildschirm hat genau die richtige Größe" in "der Bildschirm ist zu klein") erhalten bleibt. Unsere Trainingsdaten enthalten nur Sätze mit ihren Attributen beschriftet (z.B. positiv oder negativ), aber nicht Paare von Sätzen, die sich nur in ihren Attributen unterscheiden, daher müssen wir lernen, Attribute auf unaufgeforderte Weise von attributunabhängigem Inhalt zu trennen. Frühere Arbeiten, die feindliche Methoden verwendet haben, sind daran gescheitert, hochwertige Ausgaben zu erzeugen. In diesem Artikel schlagen wir einfachere Methoden vor, die durch die Beobachtung motiviert sind, dass Textattribute oft durch charakteristische Phrasen gekennzeichnet sind (z.B. "zu klein"). Unsere stärkste Methode extrahiert Inhaltswörter durch das Löschen von Phrasen, die mit dem ursprünglichen Attributwert des Satzes verbunden sind, ruft neue Phrasen ab, die mit dem Zielattribut assoziiert sind, und verwendet ein neuronales Modell, um diese fließend in eine endgültige Ausgabe zu kombinieren. Bei einer menschlichen Bewertung generiert unsere beste Methode grammatikalisch korrekte und angemessene Antworten bei 22 % mehr Eingaben als das bisher beste System, gemessen über drei Datensätze zur Attributübertragung: Änderung der Stimmung von Bewertungen auf Yelp, Änderung der Stimmung von Bewertungen auf Amazon und Änderung von Bildunterschriften in romantischer oder humorvoller Tonart.