本研究提出一种新的解决方案，涉及三个方面（位置历史答案嵌入法、历史注意机制、多任务学习），用于通过卷积式问题应答来理解和回答当前问题，并通过多项实验评估证明该模型的有效性。

Aug, 2019

提出了一个名为 DHS-ConvQA（Conversational Question Answering 中的动态历史选择）的框架，该框架通过生成相关历史转折中的上下文和问题实体，并根据它们与问题之间的相似性进行修剪，使用基于注意机制的方法重新排列修剪过的术语，并通过二分类任务突出显示重排的对话历史中的术语，以提高系统性能，并且证明了选择相关转折比重写原始问题更有效的实证结果。

Aug, 2023

本文介绍了一个对于会话式问题回答系统的历史建模方法的鲁棒性研究。通过大规模的实验检测，发现高测试评分未必能转化为鲁棒性，而不同的方法在不同的设置下表现极不相同。因此，设计了一种基于提示的历史建模方法，实现了在不同环境下的强鲁棒性。希望本研究的结论会引起人们对鲁棒性的重视，从而创造出更好的会话式问题回答系统。

Jun, 2022

我们使用经过适当调整的表示方法和少量示例来对商业用户感兴趣的问题进行分组，并制作可用于数据探索或员工培训的可视化。

Jun, 2022

本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

Apr, 2021

本文以学习到的密集表示为基础，描述了一种紧凑而有效的模型，用于对话搜索中的低延迟段落检索。 通过将对话查询重构直接整合到密集检索模型中，我们提出了一种新方法来解决现有流程的问题。 在构建具有伪相关性标签的数据集的基础上，证明了该模型可用于会话检索和开放域问答数据集，最后通过改进的检索模型学习到的特性，支持混合检索和错误分析。

Apr, 2021

本论文提出了一种基于 BERT 的简单而有效的多轮对话机器理解方法，通过对多个问题和答案的条件编码，预测一个段落表示中的答案。实验结果表明，本方法在 QuAC 和 CoQA 数据集上表现优于最近发布的方法。在对对话历史数量和类型的影响进行详细分析后，论文发现金牌答案历史对模型性能的贡献最大。

May, 2019

通过上下文消噪的查询重构和根据历史转折的实际影响自动挖掘监督信号，提出了一种历史感知对话稠密检索系统，实验证明了 HAConvDR 在长对话中具有改进的历史建模能力。

Jan, 2024

本文提出了一种历史语义图增强问答模型（HSGE），能够有效地建模会话历史中的长程语义依赖关系，同时保持低计算成本。实验结果表明，它在所有问题类型上平均优于现有基线。

Jun, 2023

本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。

May, 2020