通过部分复制和 QA-based reranker，我们提出了两种方法来提高神经序列到序列的问题生成模型的生成问题与给定段落和答案相关性的准确性。

Oct, 2019

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

本研究通过使用编码 - 解码模型，结合复制机制和覆盖向量维护，实现了生成式问答，并在 MS-MARCO 数据集上验证了该方法的出色表现。

Nov, 2017

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

本文提出了 “连续问题生成” 任务，使用动态多任务框架生成逻辑相关的问题 - 答案对，全面考虑准确性、覆盖范围和信息量，并使用求精法（reranking）提高提问质量，提升 NLP 相关任务的效果。

Nov, 2022

本文提出了一个新的任务 —— 对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用 QA 模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于 SQuAD 的多轮问答对话中。

Jul, 2019

本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

Jan, 2020

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

SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

May, 2023

本文介绍了一种基于深度神经网络的答案分离序列到序列模型，该模型通过用特殊令牌替换原始段落中的目标答案来预测出应该使用哪个疑问词，并使用关键词网络模块来更好地捕捉目标答案中的关键信息，从而显著减少了包含答案的不恰当问题的数量，因此超越了之前最先进的神经问题生成模型。

Sep, 2018