为保留意图的改写分解意义与形式

我们提出了一种生成英语问题改写的方法，这些改写保留原始意图但使用不同的表层形式。我们的模型将训练目标的精心选择与有原则的信息瓶颈相结合，以诱导出解耦意义与形式的潜在编码空间。我们训练一个编码器-解码器模型，从具有相同意义的改写和具有相同表层形式的样例重建问题，从而产生分离的编码空间。我们使用向量量化变分自编码器（Vector-Quantized Variational Autoencoder）将表层形式表示为一组离散潜在变量，使我们能够在测试时使用分类器选择不同的表层形式。关键在于，我们的方法不需要访问目标样例的外部来源。大量实验和人工评估表明，与先前方法相比，我们能够以更好的语义保持与句法新颖性之间的权衡生成改写。