Changement stylistique de phrases par apprentissage faiblement supervisé
Résumé
Several natural language processing tasks, such as sentence paraphrasing, compression, or simpli-fication, consist of sentence modifications that aim to preserve the global sentence meaning. Mostexisting methods rely on specific data and models tuned towards a particular task. We introduce ageneral method that is capable of tackling those problems using simpler data : a set of sentencespaired with their stylistic features, such as their lengths for compression. The method relies onunsupervised representation learning with a variational auto-encoder, and then changing the input textrepresentation to match a given style. The method is evaluated both qualitatively and quantitativelyon Microsoft’s dataset for sentence compression, with encouraging results.
Plusieurs tâches en traitement du langage naturel impliquent de modifier des phrases en conservant au mieux leur sens, comme la reformulation, la compression, la simplification, chacune avec leurs propres données et modèles. Nous introduisons ici une méthode générale s'adressant à tous ces problèmes, utilisant des données plus simples à obtenir : un ensemble de phrases munies d'indicateurs sur leur style, comme des phrases et le type de sentiment qu'elles expriment. Cette méthode repose sur un modèle d'apprentissage de représentations non supervisé (un auto-encodeur variationnel), puis sur le changement des représentations apprises pour correspondre à un style donné. Le résultat est évalué qualitativement, puis quantitativement sur le jeu de données de compression de phrases Microsoft, avec des résultats encourageants.