问答生成模型
我们提出了一种基于查询的生成模型，用于解决问题生成和问题回答两个任务， 在查询理解方面，该模型使用经典的编码器 - 解码器框架，通过与多个角度的文章进行匹配来执行查询理解。在进行培训时，我们利用政策梯度强化学习算法来克服暴露偏差，这是由于交叉熵损失的序列学习而引起的主要问题。
Sep, 2017
本文提出了一个名为 Neural Generative Question Answering（GENQA）的端到端神经网络模型，可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练，该模型可有效处理问题和答案的变化，并通过参考知识库中的事实生成正确自然的答案，且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。
Dec, 2015
该研究采用基于注意力机制的序列自学习模型进行阅读理解中基于句子的自动问题生成，相比于之前的工作，该模型不依赖于手工规则或复杂的自然语言处理技术，并在人工和自动评估中都呈现出更加自然和困难的问题。
Apr, 2017
本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。
Mar, 2018
本研究提出了一种基于神经编码器 - 解码器模型的自动问题生成方法，可以根据给定的段落生成多样化、有意义的问题并利用 SQuAD 数据集进行了初步实验研究，实验结果显示该方法可以产生流畅且多样化的问题。
Apr, 2017
本文提出一种生成式机器理解模型，用于同时学习根据文档提问和回答问题，采用序列到序列框架编码文档并生成问题，模型在 SQuAD 语料库上获得显著性能提升，实验证明，模型在同时学习两个任务方面受益。我们认为这种联合模型的新颖性提供了一个超越架构工程的机器理解视角，是实现自主信息寻找的第一步。
Jun, 2017
本研究提出了一种基于 Clue Guided Copy Network 的自动问答生成模型，通过多任务学习和复制机制的应用，显著提高了问题生成的性能并超越了所有现有的神经网络问题生成模型。
Feb, 2019
本研究通过提出一种新的 GenQA 训练范式，利用自动 QA 评估模型（GAVA）中的监督进行知识转移，比以往的基于 AS2 模型的抽取式 QA 方法有更高的准确率，方法包括：用由 GAVA 标记的 GenQA 模型生成的答案增加训练数据，使用 GAVA 分数加权生成器损失以及动态标记生成的答案。
May, 2023