摘要
风格迁移是自然语言处理（NLP）中的一个重要问题。然而，语言风格迁移的研究进展落后于其他领域，如计算机视觉，主要原因是缺乏平行数据和原则性的评估指标。在本文中，我们提出了一种利用非平行数据学习风格迁移的方法。我们探索了两种模型来实现这一目标，这些模型的核心思想是通过对抗网络分别学习内容表示和风格表示。此外，我们还提出了新的评估指标，用于衡量风格迁移的两个方面：迁移强度和内容保留。我们在两个任务上对所提出的模型和评估指标进行了测试：论文-新闻标题转换和正面-负面评论转换。结果表明，所提出的的内容保留度量与人工判断高度相关，并且与自动编码器相比，所提出的模型能够生成具有更高风格迁移强度且内容保留得分相似的句子。