在风格迁移中如何进行数据增强

这是一篇关于风格迁移中如何进行数据增强的论文。在introduction部分，informal-->formal 的风格迁移问题，最大的障碍是训练数据的不足。为了解决此问题，本篇论文提出三种数据增强的方法来获得有用的语句对，分别为

back translation (BT)

我们使用原始语料库训练一个seq2seq模型。其中将formal语句作为模型的输入，让seq2seq模型有能力输出对应的informal句子。则 模型输入的formal语句和输出的informal语句就构成了一个新的语句对。

formality discrimination (F-Dis)

F-Dis方法使用机器翻译模型，将一个informal句子重写为formal句子。首先使用Google翻译API 将这些informal语句翻译成 其他语种（比如法语），然后又翻译回英语。如下图所示:

其中，informal语句可以从网上william hill官网 上收集得到。

表示收集到的第i条句子(informal)， 是最后翻译回的句子(formal), 二者构成了一个新的语句对。

本方法同时使用CNN构建了一个“格式判别器”：用来给一个句子的“正规”程度 打分。就是上图中右边括号内的小数。最终选出的新数据集要求如下：

其中表示句子的“正规”程度， 是阈值

multi-task transfer (M-Task)

我们观察到，formal语句通常语法正确，而informal语句的语法经常出错。

前人研究表明，对FST的输出再使用一个语法错误纠正模型（ grammatical error correction model，GEC）可以提高模型效果。受此启发，本论文直接使用GEC的训练数据作为增强的新数据集。如下图

模型训练

上面提到的seq2seq模型为Transformer (base)。

本论文首先使用增强的新数据用于 预训练，然后使用原始语料数据做微调，将这称为pre-training & finetuning (PT&FT)方法。下面结果证明了PT&FT的效果优于ST方法。ST是把增强数据和原数据一起训练。

下图展现了三种数据增强方法的效果：

下图展现了我们的方法与前人模型的比较结果：

责任编辑：xj

原文标题：【ACL2020】关于正式风格迁移的数据增强方法

文章出处：【微信公众号：深度学习自然语言处理】欢迎添加关注！文章转载请注明出处。