在人工智能技术的不断发展过程中,文本和图像的风格转换是对人工智能发展水平的重要衡量标准,然而语言风格转换滞后于图像的风格转换。由于图像是连续的,可以通过转换函数直接学习和优化,使得图像的风格转换实现起来较为简单,而语言的不连续性增大了研究的难度。在自然语言处理领域的研究中,需要大规模平行语料的支持,但是目前平行语料库的规模十分有限,尤其是在新兴领域,平行语料的数量更是匮乏。对于英文文本,国外已有一些研究能够实现跨语料库的文本风格转换,但是中文的风格转换缺少相关的研究。基于此,本文结合现有的交叉对齐方法和中文语言的特点,实现中文文本的风格转换,本文所做的工作如下:1.中文数据集的获取及处理。在本文中,用到的数据集是公开的豆瓣电影的评论数据,原始数据集包含200多万条评论。为了使数据满足模型的需要,本文主要对原始数据进行了以下处理:将原始数据按照评级分为正面数据和负面数据;将正、负面的句子按照词的个数分为短评论文本和长评论文本;对数据进行去除停用词和命名实体词识别。2.中文文本风格转换及评估。现有的文本风格转换都是基于英文文本的,本文借助交叉对齐方法实现了中文的文本风格转换,并在真实语料库中进行验证。通过两个衡量指标——风格转换强度和内容保留程度,分析了短评论文本、长评论文本和yelp英文短评论的转换效果。风格转换强度通过Libsvm分类器,计算转换到目标风格的句子占总句子的比例来衡量,中文短评论和yelp评论相比,从正面转换到负面的转换强度差距较大,从负面到正面的转换中英文差距较小;短文本的风格转换强度总体上比长文本的风格转换强度要高。内容的保留程度是通过计算文本的余弦相似性,中文的内容保留程度总体上略高于英文;中文长、短评论之间的内容保留程度,短评论的保留程度高于长文本。