针对离散词扰动和嵌入扰动方法中未充分考虑潜在空间词向量之间距离边界的问题，提出一种邻近性语义感知的对抗性自动编码器（SPAAE）方法。首先，采用对抗自动编码器作为底层模型；其次，根据词向量的邻近距离求得噪声向量概率分布的标准差；最后，通过对概率分布进行随机采样，动态调整扰动参数，从而最大限度模糊自身语义且不影响其他词向量的语义。实验结果表明，与DAAE （Denoising Adversarial Auto-Encoders）和EPAAE （Embedding Perturbed Adversarial Auto-Encoders）方法相比，所提方法在Yelp数据集上的自然流畅度分别提升了14.88%、15.65%；在Scitail数据集上的文本风格迁移（TST）的准确率分别提升了11.68%、6.45%；在Tenses数据集上的BLEU （BiLingual Evaluation Understudy）值分别提升了28.16%、26.17%。可见，SPAAE方法不仅在理论上提供了一种更精确的词向量扰动方式，而且在7个公开数据集上展示了它在不同风格迁移任务中的显著优势。特别是在网络舆论引导中，所提方法可以用于情感文本的风格迁移。
