本文介绍了澳大利亚麦考瑞大学在 BioASQ 6b，B 阶段中的贡献，探讨了多文档摘要中的深度学习和强化学习方法。最佳结果使用了一个基于深度学习模型的回归框架，该模型使用了基于 LSTM 链输出的特征以及与查询的相似度和句子位置有关的特征。同时，强化学习方法也被证明可行，通过 REINFORCE 算法训练全局策略，该策略由使用包含候选句子、问题和上下文的 tf.idf 特征编码的神经网络来实现。

Sep, 2018

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

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

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

本文概述了第十届 BioASQ 挑战赛，并介绍了其中的三个任务和一个名为 DisTEMIST 的新任务。在此次挑战中，来自 38 个团队的超过 170 个系统参与，大多数系统表现出色，说明在生物医学语义索引和问答领域的技术不断发展。

Oct, 2022

本文介绍了 BioASQ 挑战赛第七版的结果，该挑战赛致力于通过组织大规模生物医学语义索引和问答任务的挑战来促进系统和方法学的发展。今年有 30 个团队，100 多个系统参加了挑战，最好的系统能够超过强基准线，进一步推动了现有研究前沿。

Jun, 2020

本文概述了 BioASQ 挑战赛的第十一届比赛，并介绍了挑战赛的主要任务和研究领域，包括生物医学语义索引和问题回答，以及医学实践中关键的临床内容和医疗程序的语义标注。本届比赛总共收到了来自 28 支竞争队伍提交的 150 多个系统的结果，大部分参赛系统表现竞争力强，表明该领域的技术正在不断进步。

Jul, 2023

本研究基于最先进的深度学习模型（SSN-4 模型），探讨了不同的模型组件对表现和复杂性之间的平衡，同时调整单词嵌入来提高性能，并提出了一个解决第一个模型中混淆的对的第二个模型。结果表明，SSN-4 模型似乎不适用于 RCT 数据集之外。

Jan, 2022

DeepQSE 提出了一种有效的查询感知网页片段提取方法，其核心思想是将查询感知的片段提取任务分解为两个阶段，并建立查询感知的句子表示，经过实验验证，该方法具有效率和有效性。

Oct, 2022

本研究采用知识综合、段落检索、三元组检索和复杂问答等方法，构建一个可扩展的解决方案，以有效地从大规模研究文档中提取和探索复杂信息，以解决医疗保健行业面临的大量非结构化数据的问题，并在 COVID-19 数据集上进行了定性评估以证明其有效性。

Feb, 2023