抽象 meaning 表示（Abstract Meaning Representations, AMR）是一种覆盖范围广泛的语义形式化方法，将句子的意义表示为有向无环图。在训练大多数 AMR 解析器时，通常需要将图分割为子图，并将每个子图与句子中的某个词进行对齐；这一过程传统上在预处理阶段完成，依赖于人工设计的规则。与此不同，我们将在模型中将对齐与分割均视为潜在变量，并在端到端训练过程中联合推断这些变量。由于对结构化潜在变量进行精确的边缘化计算在计算上不可行，我们采用变分自编码（variational autoencoding）框架。为确保端到端的可微优化，我们引入了对分割与对齐问题的可微松弛（differentiable relaxation）方法。实验结果表明，通过模型自动推断分割结构，相较于使用“贪心”分割启发式方法，可带来显著的性能提升。此外，本方法的性能已接近依赖于 \citet{lyu-titov-2018-amr} 手工设计的分割规则的模型表现，而这些规则专门针对各类 AMR 构造进行了优化。