是的，GAN 可以用于文本。然而，将 GAN 的工作原理与神经网络正常生成文本的方式结合起来存在一个问题：

• GAN 的工作原理是通过生成器和判别器的组合传播梯度。
• 文本通常是通过在令牌空间上具有最终的 softmax 层来生成的，也就是说，网络的输出通常是生成每个令牌的概率（即离散随机单元）。

这两件事本身不能很好地协同工作，因为你不能通过离散的随机单元传播梯度。有两种主要方法可以解决这个问题：REINFORCE 算法和Gumbel-Softmax 重新参数化（也称为具体分布）。考虑到已知 REINFORCE 具有高方差，因此您需要大量数据才能获得良好的梯度估计。

作为文本 GAN 的强化示例，您可以查看SeqGAN 文章。Gumbel-Softmax 的一个例子你可以查看这篇文章。

另一个完全不同的选择是不使用离散随机单元作为生成器的输出（例如，在嵌入空间中确定性地生成令牌），因此消除了通过它们进行反向传播的原始问题。

关于这个主题还有更具体的研究：

经过训练的生成器能够生成具有一定语法和逻辑水平的句子。

肖雪荣，“使用生成对抗训练的文本生成”

这个问题与这个问题有关： https ://linguistics.stackexchange.com/questions/26448/how-to-translate-pelevins-creative-unit-idea-to-a-scientific-problem

是的，GAN 现在也可以用于离散数据。当 Wasserstein GAN (WGAN) 出现时，这种直觉的第一个实例就出现了。Ian Goodfellow在 NIPS 2016 会议上讨论了针对此问题的强化学习方法。此外，本文还讨论了 GAN 在离散数据方面的进步。