在日新月异的互联网环境下,社交媒体环境相对自由,一些包含辱骂、侵犯等词汇的攻击性言论影响阅读感受,也对青少年的成长有不利影响。因而,本文对于短文本去攻击性方向进行了深入研究。短文本去攻击性任务等价于文本从“攻击性”到“非攻击性”的风格迁移。通常情况下,文本风格迁移任务融合了自然语言处理中的分类、文本生成两大热门任务。在现有技术下,对于文本生成,采用Encoder-Decoder结构将原始内容和目标内容建模学习。其中,Encoder结构用来学习源内容的蕴含信息和特征编码,Decoder结构用于对内容特征进行学习、生成所需的目标内容。对于文本分类,现有的基础模型如TextCNN、TextRNN等已经可以达到需求。本文对基于无监督思想,利用分类网络对文本进行攻击性识别,并对于Encoder-Decoder网络结构所生成的去攻击性文本进行识别校正的相关方法展开研究和探索。为了解决短文本去攻击性问题,本论文提出了三种创新性方案,主要工作包括以下几个方面:(1)为了解决风格迁移模型对于语法考虑不足和优化目标单一的缺陷,本文提出了一种基于语法衡量和反馈重建的短文本去攻击性模型PPBT,该结构基于预训练词性标注模型设计语法损失,改进编解码器,增加反馈机制,构建重建损失,以完善优化目标。(2)为了提升风格迁移模型对于攻击性到非攻击性的理解,本文提出了一种基于注意力机制、自适应生成的短文本去攻击性模型AABLG,该结构通过注意力机制对源内容进行编码,同时通过生成内容的攻击性来平衡重建损失和分类损失,以实现自适应性的保留和更新原文本。(3)为了更好的理解原文本并通过生成文本给予编解码器更多的信息反馈,本文提出了一种基于全局反馈理解的短文本去攻击性模型GFGAN。GFGAN通过设计NgramCNN模型更好的进行攻击性识别,同时将生成内容融合到编解码器的输入以优化模型的效果。同时也借鉴了 BERT模型的MASK思路以增强模型的鲁棒性。本文从无监督学习的角度,采用不同方法构建了攻击性识别网络。通过实验可以看出,NgramCNN比传统TextCNN具有更好的表达能力,通顺性损失的加入和分类器的特征回传对于Encoder-Decoder模型的生成都有一定的帮助,用于Encoder部分的CNN结构和基于注意力机制的自适应生成方式可以在短文本去攻击性任务中达到良好的效果。