复述

定义

复述是指在语义基本不变的前提下，以不同的词汇、句法结构或表达形式来表述同一内容，这些互不相同的表达形式彼此构成复述关系^[4][5]。它既描述一种普遍存在的语言现象，也指处理这类现象的计算技术^[4]。

作为技术任务，复述一般拆成两个方向：复述生成负责把给定句子改写成语义相近、表达不同的新句子，复述识别则判断两个句子是否表达相同含义^[1][3]。两者共同构成复述处理的基础环节^[2]。

复述与严格意义上的同义替换并不等同：它允许语序调整、成分增删和句式重构，只要核心语义保持一致即可^[6]。研究中也把从复述实例中抽象出的、由词语和变量构成的模式称为复述模板，用于规模化地构建复述数据^[4]。

原理

复述生成的主流做法建立在编码器–解码器框架上：编码器把源句映射为语义表示，解码器再依据该表示逐词生成新句子^[6]。为控制改写方向，一些方法在训练时为源文附加词汇控制条件与语法控制条件，再以生成结果与原参照句的差异更新模型参数^[7]。

生成过程可以简化为在给定源句 $x$ 的条件下求目标句 $y$ 的概率：$P(y|x)=\prod_{t=1}^{T}P(y_t \mid y_{<t}, x)$，解码时按该分布逐位选择词元。模型面对的关键约束是语义保真与表达多样之间的平衡。

flowchart LR

A[源句输入] --> B[编码器语义表示]

B --> C[词汇与语法控制条件]

C --> D[解码器逐词生成]

D --> E[候选复述句]

E --> F[流利度过滤]

F --> G[语义相似度过滤]

G --> H[最终复述输出]

由于仅靠解码器容易产生语义漂移，完整系统通常在生成后加过滤环节：先用预训练掩码语言模型评测候选句的流利程度，再以独立的句向量模型计算候选与源句的语义相似度，两者均超过阈值才保留^[8]。复述识别则反向进行，把两个句子编码为向量，通过句法树对齐、跨句注意力与自注意力提取匹配特征，再作判定^[2]。

数据来源上，早期研究利用单语平行语料获取复述：把同一天报道同一事件的不同新闻聚类，用多序列比对找出反复出现的模式，从而抽出可复用的复述对^[1]。另一类经典做法借助枢轴语言，把源语言短语经第三种语言对齐后再译回，得到候选复述^[1]。

发展历程

2002 年前后，研究者提出用多序列比对从未标注语料中学习复述关系，这被视为语料库方法的代表工作，摆脱了对人工规则的依赖^[1]。同一时期，基于枢轴语言的短语对齐思路被用于生成复述，为后续统计方法提供了框架^[1]。

在中文研究中，复述最初更多被当作语言中广泛存在的同义异形现象来考察，随后逐渐细化出复述模板获取、复述识别、复述生成等子问题^[4]。2009 年前后已有面向应用的统计复述生成研究，把复述作为多项自然语言处理任务的基础组件^[9]。

早期的复述识别依赖特征工程，例如用机器翻译评价指标或语义角色标注信息衡量句子相似度，难以捕捉表面差异大而语义相同的现象^[2]。此后神经网络方法把句子表示为连续语义向量，通过注意力机制提取跨句特征，识别性能明显改善，在公开数据集上达到 89.3% 的精度^[2]。

随着预训练语言模型普及，复述生成研究整体转向神经方法，模型能够生成更流畅、更多样的改写结果^[10]。近年工作则针对预训练模型生成的复述句句法单一、专有名词易丢失等问题，引入句法模板、编辑向量、占位符与复制机制加以改进^[11][3][6]。

2023 年以来，一些工作开始用大语言模型生成的复述作为训练数据，将相关能力迁移到较小的序列到序列模型上^[12]。研究范围也从句子级扩展到段落级，用于处理更长的文本改写与相似性判定^[13]。

应用

在机器翻译中，复述识别可用于判定译文与参考译文是否为同义表达，从而提升评测系统的可靠性；复述生成则能为译文提供多种可接受的表达形式^[2]。

在自动问答中，系统需要判断用户提问与知识库中的标准问句是否同义，复述识别直接支撑这一匹配过程^[2][3]。把复杂问句改写为若干语义相同、形式不同的问句，也有助于扩大检索覆盖范围^[3]。

在文本摘要中，复述用于检测句子相似性，进而辅助句子压缩与摘要生成^[2][4]。信息检索同样受益于复述，查询与文档之间的表述差异可借此弥合^[1]。

复述生成还被用作数据扩充手段：通过为已有样本生成语义一致的改写，可缓解低资源任务训练数据不足的问题，提升下游自然语言处理任务的性能^[5]。此外，复述技术可用于扩充语料、检测文本相似性以及为语义解析提供新样本^[1]。

局限

语义保真是复述技术的首要难点。神经模型在改写包含专有名词的句子时常丢失原句中的专有名词，导致语义偏移，削弱复述句在下游任务中的可用性^[3]。人名、地名、数字与术语被错误改写的问题，也制约着生成结果的忠实度^[14]。

多样性同样不足。预训练模型虽然能取得丰富的语义信息，但其生成的复述句在语法结构上趋于单一^[11]。基于序列到序列框架的方法还容易出现重复生成与语义错误^[3]。

对数据的依赖限制了迁移能力。深度神经复述生成模型的成功依赖大规模复述平行语料，面对新的语言或新的领域时性能会显著下降^[3]。低资源语言的中文、藏文等语料相对稀少，相关研究进度因此滞后^[3][15]。

评价方法也不完善。常用的 BLEU、ROUGE 与 BERTScore 等指标被认为忽略了复述评价的一些关键方面，复述模板等研究长期依赖人工评测，效率较低且主观性较强^[14][4]。长文本处理是另一处短板，现有语义向量的上下文窗口有限，段落级以上复述的性能仍待验证^[14][13]。

参见

• 自然语言处理 —— 复述技术所属的学科领域。

• 机器翻译 —— 复述识别与生成的主要应用场景之一。

• 自动问答 —— 借助复述匹配语义相同的问题与答案。

• 文本摘要 —— 利用复述检测句子相似性并辅助生成。

• 预训练语言模型 —— 当代复述生成与识别的主要模型基础。