這是一篇關于風格遷移中如何進行數據增強的論文。在introduction部分，informal-->formal 的風格遷移問題，最大的障礙是訓練數據的不足。為了解決此問題，本篇論文提出三種數據增強的方法來獲得有用的語句對，分別為

back translation (BT)

我們使用原始語料庫訓練一個seq2seq模型。其中將formal語句作為模型的輸入，讓seq2seq模型有能力輸出對應的informal句子。則 模型輸入的formal語句和輸出的informal語句就構成了一個新的語句對。

formality discrimination (F-Dis)

F-Dis方法使用機器翻譯模型，將一個informal句子重寫為formal句子。首先使用Google翻譯API 將這些informal語句翻譯成 其他語種（比如法語），然后又翻譯回英語。如下圖所示:

其中，informal語句可以從網上論壇上收集得到。

表示收集到的第i條句子(informal)， 是最后翻譯回的句子(formal), 二者構成了一個新的語句對。

本方法同時使用CNN構建了一個“格式判別器”：用來給一個句子的“正規”程度 打分。就是上圖中右邊括號內的小數。最終選出的新數據集要求如下：

其中表示句子的“正規”程度， 是閾值

multi-task transfer (M-Task)

我們觀察到，formal語句通常語法正確，而informal語句的語法經常出錯。

前人研究表明，對FST的輸出再使用一個語法錯誤糾正模型（ grammatical error correction model，GEC）可以提高模型效果。受此啟發，本論文直接使用GEC的訓練數據作為增強的新數據集。如下圖

模型訓練

上面提到的seq2seq模型為Transformer (base)。

本論文首先使用增強的新數據用于 預訓練，然后使用原始語料數據做微調，將這稱為pre-training & finetuning (PT&FT)方法。下面結果證明了PT&FT的效果優于ST方法。ST是把增強數據和原數據一起訓練。

下圖展現了三種數據增強方法的效果：

下圖展現了我們的方法與前人模型的比較結果：

責任編輯：xj

原文標題：【ACL2020】關于正式風格遷移的數據增強方法

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。