تعلم تمثيل كامن جيد ضروري لنقل نمط النص، والذي يولد جملة جديدة عن طريق تغيير سمات جملة معينة مع الحفاظ على محتواها.تعتمد معظم الأعمال السابقة تمثيل تمثيل كامن Disentangled تعلم تحقيق نقل النمط.نقترح خوارزمية نقل نمط النص الجديد مع تمثيل كامن متشابكا،
وإدخال مصنف نمط يمكن أن ينظم الهيكل الكامن ونقل النقل.علاوة على ذلك، تنطبق خوارزمية لنقل النمط على كل من سمة واحدة ونقل السمة المتعددة.تظهر النتائج التجريبية الواسعة أن طريقتنا تتفوق بشكل عام على النهج الحديثة.
يفترض إكمال الرسم البياني المعرفي التقليدي (KGC) أن جميع كيانات الاختبار تظهر أثناء التدريب.ومع ذلك، في سيناريوهات العالم الحقيقي، تتطور الرسوم البيانية المعارف (KG) بسرعة مع كيانات بياني خارج المعرفة (OOKG) المضافة بشكل متكرر، ونحن بحاجة إلى تمثيل ه
ذه الكيانات بكفاءة.لا يمكن أن تمثل أساليب شرط Graph INFORM INGEDDING (KGE) الموجودة في الرسم البياني الحالي من كيانات OOKG دون إعادة التدريب المكلفة على كلغ كله.لتعزيز الكفاءة، نقترح طريقة بسيطة وفعالة تمثلها كيانات OOKG من خلال تقديرها الأمثل بموجب الافتراضات الترجمة.علاوة على ذلك، نظرا لأن المدينات المحددة مسبقا للكيانات الموجودة في المعرفة (IKG)، فإن طريقتنا لا تحتاج إلى تعلم إضافي.تظهر النتائج التجريبية على مهام KGC مع كيانات OOKG أن أسلوبنا تتفوق على الأساليب السابقة بتهامش كبير مع كفاءة أعلى.
