这个别系可能有一天会用于复述、团队论断、机器翻译和会话系统。
它可以补充微软研究所11月展示的系统，该系统利用繁芜的自然措辞处理技能来推理弱构造文本中的关系。
“在这项事情中，我们办理了修正句子文本属性的问题。
”研究职员写道。
“据我们所知，我们演示了首个能够在没有并行数据的情形下，修正给定句子的多个文本属性的实例。
”

该团队首先办理了感情掌握问题。
他们找来了一个餐馆评论数据集——Yelp评论数据集的过滤版本，以及大量的IMDB电影评论，这两个数据集分别有447,000和300,000个句子，他们用来演习系统。

谷歌

在培训完成之后，研究职员利用包含了128,000条餐厅评价和36,000条电影评论的测试数据集，考试测验将原来带有负面感情的句子转换成具有正面感情的文本，而将带有正面感情的句子转换成带有负面感情的文本。

用“双语评估更换”（BLEU）进行的评估表明，这个人工智能系统能够赛过两种领先的文本天生方法。
BLEU是一套评估机器翻译文本的标准方法。
此外，它始终能够天生与输入的句子干系的、语法精确的句子，在某种程度上，亚马逊的Mechanical Turk研究参与者认为它的输出比以前的方法更为真实。

这个别系天生的句子的连贯程度令人惊异。
在一个例子中，“柜台后面的人不友好”变成了“柜台上的人非常友好并且乐于助人。
”在另一个例子中，模型将“这是这部电影另一个有趣的地方”变成了“这部电影的质量切实其实糟得没救了”。

更令人印象深刻的是，在另一项测试中的研究职员利用该系统同时掌握句子的多种属性，包括感情、时态、态度和感情。
在用来自Toronto BookCorpus数据集的200万个文本片段进行培训之后，该模型能够将未来时态中的指示脾气绪，“约翰将无法在营地中生存”转换为条件时态中的虚拟语气，“约翰不能住在营地”。