本篇论文提出了一种新方法，通过大规模监督学习从而提供阅读理解的数据集，开发了一类基于注意力机制的深度神经网络，使其能够在没有先前语言结构知识的情况下阅读真实文档并回答复杂问题。

Jun, 2015

本文对 2016 年到 2020 年间关于机器阅读理解方面的 241 篇论文进行了全面的调查，探讨了机器阅读理解的不同方面，包括方法、结构、输入 / 输出和研究的创新之处，并论述了研究的重点发生了变化，从答案提取到答案生成，从单一到多文档阅读理解，从零开始学习到使用预训练的嵌入。同时我们还讨论了这个领域中的流行数据集和评估指标，最后还研究了最常被引用的论文及其贡献。

Jan, 2020

本文旨在介绍如何利用神经网络来构建阅读器，并介绍了一些经典模型，分析了它们所做出的改进，同时指出现有模型的缺陷和未来的研究方向。

Jun, 2019

该论文提出了一种基于交互的文本问答任务 QAit，通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息，提高了机器阅读系统在问答任务中的表现。

Aug, 2019

本论文介绍了一个基于大规模数据集的自然语言理解任务 - WikiReading，通过阅读相应维基百科文章，预测结构化知识库维基数据中的文本值，并对基于深度神经网络的模型进行了比较，发现最佳模型采用了一个具有复制词汇外单词机制的词级序列模型，获得了 71.8％的准确率。

Aug, 2016

该研究利用神经注意力机制提高机器阅读理解和问答的准确性，分析和比较多种神经网络模型，将其组成集成模型并在 SQUAD 数据集上测试，结果表明集成模型优于最佳模型 Mnemonic Reader。

Aug, 2019

本文介绍了一种通过利用自然语言关联性来提高机器的阅读理解性能的方法：使用独立的问答系统进行问答任务和自然语言推理系统对选择对之间的关系进行分析，然后通过基于整数线性规划的关系框架进行推理，提高独立问答系统的决策能力。此外，本方法还提出了一个多任务学习模型。

Dec, 2020

该研究提出了两个神经网络排序器，用于评分不同段落是否包含特定问题的答案，进一步分析了语义相似性与单词级相关性匹配在开放域 QA 中的相对重要性。

Apr, 2018

通过提出一组考核阅读理解水平的代理任务，我们测量了自然语言处理中的方法应用于推理和建立智能对话代理的长期目标，提出的任务可以通过链式事实、简单归纳、演绎等多种方式测试系统的理解能力，并为希望能够与人类对话的任何系统奠定必要的先决条件，我们相信，许多现有的学习系统目前还无法解决这些问题，我们的目标是将这些任务分类为技能集，以便研究人员可以确定并纠正他们的系统的缺陷。我们还扩展和改进了最近介绍的 Memory Networks 模型，并表明它能够解决其中的一些任务，但不是全部。

Feb, 2015

本文综述了 OpenQA 领域的最新研究趋势，重点关注采用神经 MRC 技术的系统，介绍了现代 OpenQA 体系结构 Retriever-Reader 及采用该体系结构的各种系统，讨论了开发 OpenQA 系统面临的关键挑战，并对常用的基准进行了分析。

Jan, 2021