文本风格转换在自然语言处理中越来越受欢迎。研究者使用预定义语义槽的对话数据集进行了风格转换技术的对比研究，发现改进的无监督方法LEWIS在任务中表现优于原始方法和基准方法。

该文介绍了一种基于前缀调优的无监督文本风格转换方法，利用预训练大型语言模型改变输入句子的风格，递归使用语言模型提高模型性能。评估结果和消融研究表明该方法优于现有技术基线。

该文介绍了文本风格转换在自然语言处理中的应用，重点研究了各种方法的内容保留能力。作者创建了一个对话数据集，包含必须保留的预定义语义槽。作者对无监督方法 LEWIS 进行改进，在任务中取得了明显的优势。

该研究构建了一个包含700条改写句子和1000条《原神》游戏中的句子的大规模数据集，探索了小型模型通过隐式风格预训练的有效性，并提出了一种基于ChatGPT的文本生成质量自动评估方法。研究人员展示了他们的模型在少样本文本风格转换模型方面达到了state-of-art的性能。