本文提出使用卷积神经网络 (CNN) 解决图像问答 (QA) 问题，通过三个 CNN 模型来提升图像和问题共同表示的分类能力。经过 DAQUAR 和 COCO-QA 两个基准测试集的测试，本文的模型表现显著优于现有的最优解。

Jun, 2015

该研究利用新颖的联合学习模型解决 CQA 中答案冗余和长度问题，设计了一个以问题为导向的指针生成网络，同时利用答案给长回答降噪，构建了一个包含长回答和参考摘要的大规模 CQA 语料库 WikiHowQA，实验证明该方法可以有效地解决 CQA 中的冗余问题，并取得了在答案选择和文本摘要任务上的最新成果。

Nov, 2019

本文提出了使用预训练模型的 Question-Answer 交叉注意网络（QAN）进行回答选择，并利用大型语言模型（LLM）来进行具有知识增强的回答选择。实验证明，QAN 模型在 SemEval2015 和 SemEval2017 数据集上实现了最新的性能。同时，LLM 利用外部知识进行问题和正确答案的知识增强，并通过不同方面对 LLM 的提示进行优化，结果表明外部知识的引入可以提高 LLM 在 SemEval2015 和 SemEval2017 数据集上的正确答案选择率，同时通过优化提示，LLM 也能在更多问题上选择正确的答案。

Nov, 2023

本研究使用标准的 TrecQA 数据集检验了卷积神经网络（CNNs）在端到端环境中用于答案选择的有效性，发现优化后的 idf 加权单词重叠算法是一个很强的基线，深度学习在这个数据集上的表现有限，而并不清楚在基于标准检索指标的端到端环境中 CNN 是否比基线更有效。而进行的人工用户评估证实了 CNN 产生的答案比 idf 加权单词重叠更好，这表明用户对答案选择质量的差异非常敏感。

Jul, 2017

研究使用深度学习框架解决视觉问答任务的方法，探索 LSTM 网络和 VGG-16、K-CNN 卷积神经网络提取图像特征，将其与问题的词嵌入或句子嵌入相结合进行答案预测。在 Visual Question Answering Challenge 2016 中获得了 53.62％的准确率。

Oct, 2016

本文提出了卷积神经网络来学习问题和回答句子的最佳表现形式，并使用成对匹配的关系信息进行编码，这使得神经网络可以更好地捕捉到问题和答案之间的交互作用，从而有效地提高了准确性。

Apr, 2016

本研究对社区问答的答案排名进行了深入的研究，基于大规模的 Stack Overflow 问题和回答数据，利用深度学习方法 (密集嵌入和 LSTM 网络) 进行预测和排序，提高了问答的准确度，但由于源码中大量的 oov 词汇，深度学习模型的性能提升由限制，未来应开发新的方法以解决该问题。

Oct, 2022

本研究提出一种注意力机制的卷积神经网络，可用于解决视觉问答任务，有效提升已有方法的准确率，并生成与问题相关的关注区域。

Nov, 2015

本研究提出了一种针对社区问答的二分类（相关 / 不相关）策略，采用敌对训练框架缓解标签失衡问题，并使用生成模型迭代地抽样一组具有挑战性的负样本，最终提高模型预测性能。此外，我们使用多尺度匹配方法显式地检查不同粒度级别的单词和 ngram 之间的相关性。在 SemEval 2016 和 SemEval 2017 数据集上进行评估，结果表明该方法达到或接近最佳性能。

Apr, 2018

本文提出了在成功的卷积神经网络 - 循环神经网络方法中加入高级概念的方法，并证明其在图像字幕和视觉问答中取得了显著的改进。 该机制还可用于合并外部知识，特别是允许在图像中回答有关内容的问题，即使图像本身不能提供完整答案。

Mar, 2016