本文提出了一个简单的构建神经 QA 基线系统的启发式方法，并发现了两种必要的构建高性能神经 QA 系统的因素：第一，处理上下文时需要注意问题单词；第二，需要超越简单的词袋建模，例如循环神经网络。我们的结果表明，满足这两个要求的 FastQA 系统可以与现有模型实现非常有竞争力的性能。我们认为这一令人惊讶的发现将之前系统的结果和最近 QA 数据集的复杂性放在了一个更加客观的角度。

Mar, 2017

RankQA 是一种新的神经问答模型，利用三阶段过程（检索、理解和重新排序）来自动回答问题，为后续基于内容的问答研究提供了有力的基线模型。

Jun, 2019

本研究提出了一种名为 HD-LSTM 的深度学习架构，该架构通过引入全息复合方法扩展了长短时记忆（LSTM）神经网络，来处理问题和答案之间的语义关系，并通过无需人工提取特征的端到端训练方式来优化参数。实验结果表明，HD-LSTM 在两个常用的问答数据集上表现出色，证实了全息复合方法优于神经张量层的有效性。

Jul, 2017

本文提出了一种新的神经体系结构，旨在充分利用查询 - 答案记忆体的显式支持，以回答问题。我们的模型能够在单独累积预测答案证据的同时，对给定的查询进行细化和更新。通过该体系结构的松散连接信息通路（模块），我们的模型有效地分离了与查询相关的支持搜索和答案预测。根据阅读理解的最新基准数据集，我们的模型取得了最先进的结果。定性分析表明，模型能够有效地累积来自查询和多次支持检索的加权证据，从而实现了强大的答案预测。

Jul, 2016

通过开发十三种新的注意力机制和引入一种简化的分类器，基于首次在 VQA 挑战中获得第一名的模型进行改进，进行了 300 GPU 小时的大量超参数和架构搜索，我们能够实现 64.78％的评估分数，优于现有最先进的单个模型 63.15％的验证分数。

Mar, 2018

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

本文旨在提出一种基于循环神经网络的方法解决 factoid question answering 中的两个问题：检测问题中的实体和将问题分类为知识库中的关系类型，同时在 SimpleQuestions 数据集上取得了显著改进的结果。

Jun, 2016

本研究提出了一种基于注意力循环神经网络和相似度矩阵卷积神经网络（AR-SMCNN）模型的知识库问答方法，能够充分利用循环神经网络和卷积神经网络的优势，从而能够捕获全面的层级信息，同时使用了新的启发式扩展方法对实体检测进行了优化，在 SimpleQuestion 基准测试中表现出更高的准确性和效率。

Apr, 2018

在自然语言处理的问答任务中，本文的关键方向是提高表示质量和效率，通过挑战现有的问题 - 答案编码惯例，探索更精细的表示方法，并测试了不同池化方法和知识图谱的集成对于性能的影响，结果显示这些方法在提高内存效率的同时，性能上有较小牺牲，大大增加了吞吐量。

Mar, 2024

本文综述了传统信息检索方法和深度神经网络方法在文本问答任务中的应用，介绍了相关模型以及可供比较的数据集和文献结果。

Feb, 2020