1.一种基于风格变换的高迁移性对抗文本生成方法，其特征在于，包括如下步骤：org

S1、构建预训练模型，包括构建原始替代模型F 、构建释义生成器P、构建特征提取器E和特征解码器D；

S2、构建测试文本的向量表示集和替代模型集 所述测试文本的向量表示集包括语义p s特征向量集V、缩放因子集 和风格特征向量集V ；

sr

S3、构建任务集，包括构建总任务集Task，划分查询任务集Taskqr和支持任务集Task ；

*

S4、利用元学习优化策略获取风格特征噪声向量δ；

*

S5、生成对抗文本x。

2.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：在org步骤S1中，所述构建原始替代模型F 具体包括：tr tr

设训练文本集为 将X 输入到目标模型中，从而获得目标模型对X 的预测tr tr标签集 将X 和Y 配对，形成原始训练数据集tr org

将W 作为训练数据，训练后得到目标模型的原始替代模型F ；

所述构建释义生成器P具体包括：设文本释义数据集为 将W作为训练数据，训练得到释义生成器P；

所述的构建特征提取器E和特征解码器D具体包括：先搭建初始特征提取器和初始特征解码器的联合网络模型，初始特征提取器由预训练模型BERT和池化层Pooling组成，初始特征解码器由预训练模型BERT和全连接层Linear组成；

tr

将原始文本集X 中的文本进行向量化，得到原始文本向量集tr

将原始文本向量集V 作为输入，输入到联合模型中，得到输出向量计算损失值，根据该损失值利用梯度反向传播策略更新一次联合模型的参数；

重复执行ψ次上述步骤，训练得到特征提取器E和特征解码器D。

3.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所述步骤S2中构建测试文本的向量表示集的具体步骤包括：S21、构建释义文本集；

ts ts ts ts tsS21‑1、设测试数据为data ＝(x ，y )，y 是测试文本x 的真实标签；

ts ts

S21‑2、将x 输入到释义生成器P中，获得x 的一个释义文本；

ts

S21‑3、重复执行G次步骤S21‑2，得到x 的释义文本集S22、获取文本特征向量、语义特征向量集；

ts ts A

将x 作为输入，输入到特征提取器E中，得到x 的文本特征向量v ；依次将Xp中的每一个释义文本 作为输入，输入到特征提取器E中，得到Xp的语义特征向量集是 的语义特征向量；

S23、获取缩放因子集、风格特征向量集；

A

S23‑1、对一个语义特征向量 和文本特征向量v ，求解得到 对应的缩放因子βg和风格特征向量p

S23‑2、对V中的每一个 执行步骤S23‑1，得到 和风格特征向量集

4.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所ts述步骤S2中构建替代模型集 具体包括：首先初始化衰减因子集为γ，然后将测试文本x* *输入到原始替代模型中，通过正态分布采样得到优化后的衰减因子集γ ，最后将γ应用于原始替代模型中，得到替代模型集

5.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所述步骤S3中构建任务集的具体步骤包括：S31、构建总任务集Task：对语义特征向量集 缩放因子集 风格特征向量集 替代模型集 中的元素进行匹配；

得到总任务集

sr

S32、划分查询任务集Taskqr和支持任务集Task ：sr qr

将总任务集Task划分为查询任务集Taskqr和支持任务集Task ，满足Task＝Task ∪srTask 和

其中，查询任务集 是查询任务集中的第m个查询任务；

支持任务集 是支持任务集中的第n个支持任务。

6.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所*述步骤S4利用元学习优化策略获取风格特征噪声向量δ的具体步骤包括：S41、在支持任务集上获取风格特征噪声：sr

S41‑1、在支持任务集Task 中随机选取B个任务，得到支持任务子集其中， 是支持任务子集中的第b个支持任务；

S41‑2、对支持任务 计算特征向量 将 输入到解码器D中，得到文本向量

S41‑3、将 输入到支持任务子集的Fb中，得到Fb对 的预测标签y′b和损失值利用反向传播，得到 关于 的梯度向量S41‑4、对支持任务集中的每一个任务执行S41‑1～S41‑3步骤，得到支持梯度向量集sub subg ，计算g 中所有梯度向量的平均值，得到第c次元学习优化中的平均支持梯度向量S41‑5、计算噪声向量S42、在查询任务集上扰动风格特征向量：sub

S42‑1、在查询任务集Taskqr的查询任务 中，将δ添加到 中，得到扰动后的风格特征向量 再将 投影到 方向上，得到投影后的风格特征向量

S42‑2、计算特征向量 将 输入到解码器D中，得到文本向量S42‑3、将 输入到查询任务集的Fm中，得到Fm对 的预测标签y″m和损失值 利用反向传播，得到 关于 的梯度向量S42‑4、对查询任务集中的每一个任务执行S42‑1～S42‑3步骤，得到查询梯度向量集qr qrg ，计算g 中所有梯度向量的平均值，得到第c次元学习优化中的平均查询梯度向量S43、通过迭代多次元学习优化获取噪声向量：sr

重复执行 次步骤S41～S42，得到平均支持梯度向量的集合G 和平均查询梯度向量的qr集合G ；

sr qr

计算G 中所有元素的平均值 计算G 中所有元素的平均值计算噪声向量

7.根据权利要求1所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所*述步骤S5中生成对抗文本x的具体步骤包括：S51、分离语义特征与风格特征：ts ts p

将测试文本x 输入到释义生成器P中，获得x 的一个释义文本x；

ts ts A

将x 作为输入数据，输入到特征提取器E中，得到x 的文本特征向量v；

p p p

将x作为输入数据，输入到特征提取器E中，得到x的语义特征向量v；

p s

利用求解公式，求解得到v对应的缩放因子β和风格特征向量v；

S52、生成对抗样本：

* s s′ s * s′ s将δ添加到v 中，得到扰动的风格特征向量v ＝v+δ，再将v 投影到v方向上，得到投影后的风格特征向量* p s*

计算特征向量v＝βv+v ；

* * ts *

将v输入到解码器D中，得到对抗文本x，令x ＝x；

*

重复执行τ次上述步骤，得到最终的对抗文本x。

8.根据权利要求7所述的基于风格变换的高迁移性对抗文本生成方法，其特征在于：所述步骤S51中的求解公式具体为