要約
スタイル転換は自然言語処理（NLP）における重要な問題です。しかし、言語のスタイル転換に関する進歩は、コンピュータビジョンなどの他の分野に比べて遅れています。これは主に並列データの不足と原理的な評価指標の欠如によるものです。本論文では、非並列データを用いたスタイル転換の学習方法を提案します。この目標を達成するために、2つのモデルを検討し、提案されたモデルの基本的なアイデアは敵対ネットワークを使用してコンテンツ表現とスタイル表現を別々に学習することです。また、新しい評価指標も提案しており、これらはスタイル転換の2つの側面である転換強度とコンテンツ保存度を測定します。私たちは2つのタスク、すなわち論文-ニュースタイトルの転換と肯定的-否定的レビューの転換において、提案したモデルと評価指標を検証しました。結果は、提案されたコンテンツ保存度指標が人間の判断と高い相関性を持つことを示しており、提案されたモデルは自己符号化器と比較してより高いスタイル転換強度を持ちつつ同程度のコンテンツ保存度で文を生成する能力があることが確認されました。