本文介绍了 SemEval-2015 Task 3 的组织和结果，以分类好、坏或潜在相关的答案，并回答 List of all answers 的 Yes / No 问题。我们使用 Mechanical Turk 对英语进行了广泛的数据标记，并已向研究社区发布。最好的系统在官方评分上看得分达到了 57.19 和 63.7（英语子任务 A 和 B），以及阿拉伯语子任务 A 的 78.55。

Nov, 2019

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

利用众智的力量，通过提出包括单词选择问题在内的 “情感注释” 问题，快速且廉价地生成了一个大型、高质量的单词 - 情感和单词极性关联词典，并通过实验证明，询问单词是否与情感相关比询问单词是否会唤起情感，获得更高的注释者互动一致性。

Aug, 2013

介绍一个包含生产用户问题数据集的基于 WikiAnswers 平台的 ComQA 数据集，包含 11,214 个问题，涵盖了组成性的、时间推理和比较等不同挑战方面。该数据集通过大规模众包清理问题、分组和注释，以及分析数据集和现有系统对其的结果，对 QA 领域未来的研究提供了驱动作用。

Sep, 2018

本研究探索了社区问答论坛中回答的真实性检查问题，并提出了一个多方面的模型来解决这个问题。该模型可以从回答内容、作者档案、社区论坛以及外部权威信息源中捕捉信息，并取得了 MAP 值 86.54 的良好评价结果。

Mar, 2018

该研究提出了一种新的社区问答（CQA）总结任务，旨在从 CQA 对中创建简洁的摘要，并通过一系列数据注释和方法比较建立了一个强大的基线方法 DedupLED，进一步确认了 CQA 总结任务中的两个关键挑战，即句子类型转换和去重移除。

Nov, 2022

本文介绍如何自动分类社区问答中某个问题的答案，并利用输出结构和图割和整数线性规划等方法做出更加一致的全局决策。在 SemEval-2015 任务 3 数据集上测试后，结果证明使用串级别信息的重要性。

Nov, 2019

本研究提出一种区别于以往只使用文章或维基百科等信息来源的社区问答方法，利用多种异构信息源（MIS）的相关信息进行答案生成，并在 $ ext {MSM}^{ext {plus}}$ 和 AntQA 等数据集上进行的反复实验表明本方法在各项指标上高于基线模型。

Dec, 2021

本文介绍了第一个庞大的 CQA 自动摘要数据集 CQASUMM，利用其进行了一项新任务 —— 社区问答摘要。现有的多文档自动摘要技术不能很好地应用于社区问答，因为社区问答具有更高的变异性、与事实相悖的意见和更少的重叠，因此引入了 OpinioSumm—— 一种新的多文档自动摘要方法，其在该数据集上的表现优于最佳基准 4.6％的 ROUGE-1 得分。

Nov, 2018

本研究使用问题者的背景信息及其他特征，例如文本内容或者与其他参与者的关系，并利用 Stack Exchange 数据集进行训练，提出一种预测最佳答案的新方法，并且证明了用户间的关系对结果具有重要影响。同时，我们发现用户关系信息与文本特征和元特征（如时间差异）之间有较少的重叠。

Dec, 2022