Macquarie 大学为 2019BioASQ 挑战赛的任务 B 阶段 B，提出了一个面向生物医学问题回答的查询文本多文档摘要技术，探索了基于深度学习架构和简单的策略梯度架构的回归方法，还实验了使用和不使用强化学习的分类方法，此外，还通过各种 ROUGE 度量与 BioASQ 人类评估得分之间的相关性分析。

Sep, 2019

本文介绍了麦考瑞大学参加 BioASQ Synergy Tasks 和 BioASQ10b Task B 的情况，其中采用了查询导向的摘要技术，并使用了 DistilBERT/ALBERT 分类器、文档检索和片段检索的方式，sBERT 向量表示优于 tf.idf，并进行了数据中心的方法实验。

Sep, 2022

提出了一种使用强化学习和多个策略梯度网络的查询导向摘要生成方法，通过改进语义相似性奖励以及使用聚类假设构建的段落嵌入方案，显著提高了生成文本质量和性能。

Nov, 2023

本研究介绍了 AUEB 团队在 BioASQ 6 文件和片段检索任务中的提交结果，提出了对深度学习结构的创新扩展，这些结构仅对查询文本和候选文档 / 片段进行操作，并且在挑战的所有批次中均得分最高或接近最高，凸显了深度学习在此类任务中的有效性。

Sep, 2018

本文提出一种应用基于策略梯度算法的深度强化学习系统的证明性方法，以解决文本摘要中标签不匹配问题，使用无折扣奖励学习具有简单神经网络和简单特征的策略，验证结果表明在全局策略下具有鼓舞人心的表现。

Nov, 2017

本文提出了一种基于强化学习的抽象式问题摘要框架，该框架通过 downstream 任务中的问题类型识别和问题重点识别得到两个新颖的奖励来规范问题生成模型，从而确保问题摘要的语义有效并鼓励包含关键的医疗实体 / 重点。作者在两个基准数据集上对其所提出的方法进行了评估，并取得了比现有模型更高的性能。手动评估总结结果表明生成的问题更具多样性且不具备基线总结的不准确性。

Jul, 2021

通过使用深度强化学习模型，本研究提出了一个自动生成措辞的查询改写模型。在模型中结合了查询性能预测方法以产生高效的查询。并且针对信息检索的情境下，运用了信息检索排名模型训练，并在 TREC 2020 Deep Learning track MSMARCO 文献排名数据集上进行实验。结果表明，与各种基线模型相比，本研究的模型性能得到了较大提高。

Jul, 2020

介绍了一种基于神经网络的查询重构系统，使用强化学习训练神经网络，动作是选择术语以建立重构查询，回报是文档召回率，我们在三个数据集上评估了我们的方法，相对 Recall 方面有 5-20% 的改进。此外，我们提供了一种简单方法来估算模型在特定环境中的保守上限性能，并验证存在很大的改进空间。

Apr, 2017

本文描述了我们在 2017 年 BioASQ 挑战赛中的参与，并重点关注生物医学问题回答技术。我们使用了一种抽取式 QA 模型，使用生物医学词向量来扩展 FastQA，并将其应用于提取输入文本片段的子字符串输出。我们将模型在大规模开放域 QA 数据集 SQuAD 上进行预训练，然后在 BioASQ 训练集上进行微调参数。通过我们的方法，我们在事实问题上实现了最先进的结果，并在列表问题上实现了有竞争力的结果。

Jun, 2017

利用强化学习技术的深度学习模型预测用户下一个搜索词并依据长期会话反馈、语法相关性以及生成查询的自然度等奖励信号对高质量且多样化的相关搜索查询进行推荐。相对于基线监督模型，我们提出的方法在推荐的多样性、用户参与度和每个句子重复词的数量方面都有显著的相对改进（3％、4.2％和 82％）。

Aug, 2021