本文描述了一种新的 Natural Questions 基准模型，基于 BERT 架构实现，在长答案和短答案任务上相对于原始数据集论文中的 F1 分数表现，与人类上限之间的差距分别缩小了 30% 和 50%。该基准模型已提交至 ai.google.com/research/NaturalQuestions，代码、预处理数据和预训练模型均可在提供的链接中获取。

Jan, 2019

本文提出了一个名为 ASQA 的任务，旨在回答需要深入解释的问题，并提出了一个在 ASQA 上测量表现的可靠度量标准，以及释放了一个新的数据集，用于解决长期问答任务中仍然存在的高质量数据缺乏和答案质量定义模糊的问题。

Apr, 2022

本文介绍了一种新的视觉问答任务的基线模型，它可以根据图像的内容和自然语言的问题准确地产生答案，并取得了在不平衡和平衡的 VQA 基准测试中的最新成果。

Apr, 2017

通过将问题回答问题的问题分解为实体检测，实体链接，关系预测和证据组合，我们使用一些启发式算法，探索了一些简单而强大的基线模型，其中基本的 LSTM 和 GRU 加上一些启发式算法得到的准确率接近最新技术水平。这些结果表明，文献中提出的复杂深度学习技术带来的收益相当有限，并且一些先前的模型表现出了不必要的复杂性。

Dec, 2017

通过利用来自维基百科的明确问题数据库，我们提出了一个新的用于回答含糊问题的最新方法，在含糊问题的多个答案的总结中，我们的方法在回收率指标上提高了 15%（相对改进），在评估从预测输出中消除模糊问题的指标上提高了 10%。从生成的问题数据库检索还可以在多样的篇章检索中取得巨大的改进。

Aug, 2023

本文研究了自然环境下的是 / 否问题。我们建立了一个名为 BoolQ 的阅读理解数据集，并展示了它们出人意料地具有挑战性。我们还探讨了一系列迁移学习的基线效果，并发现从蕴涵数据进行转移的效果比从释义或抽取式 QA 数据进行转移的效果更好，即使从 BERT 等大规模预训练的语言模型开始转移，蕴涵仍然非常有益。我们的最佳方法是在 MultiNLI 上训练 BERT，然后在我们的训练集上重新训练它。它的准确率为 80.4％，而人类注释人员的准确率为 90％（多数基准为 62％），为未来的工作留下了巨大的差距。

May, 2019

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

该论文研究了多任务和迁移学习对简单问题回答的影响，提出了一个新的包含 10 万个问题的数据集，并在 Memory Networks 框架下成功训练了系统来回答问题。

Jun, 2015

该研究提出了两个数据集，用于评估自然语言查询的理解和从大量文本语料库中提取答案的系统。Quasar-S 数据集由 37000 个填空式查询构成，Quasar-T 数据集由 43000 个开放领域的问答问题和它们的答案组成。我们将这些数据集作为事实型问题回答的两个相关子任务的挑战，并评估了几个基线模型，并显示它们在 Quasar-S 和 - T 方面落后于人类表现 16.4％和 32.1％。

Jul, 2017

本文探讨通过与基于抽取网页片段的问答基线相比较，基于语义分析的问答模型的评估方法。在 COMPLEXQUESTIONS 数据集上，我们发现我们的模型获得了合理的表现。

Jul, 2017