本文提出了一个可解释的 Select, Answer and Explain (SAE) 系统解决多文档阅读理解问题，该系统通过使用学习排名损失训练文档分类器来选择与答案有关的文档，并使用多任务学习目标和基于注意的交互来优化预测答案和支持句子的模型，在 HotpotQA 数据集上取得了顶尖性能。

Nov, 2019

本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

Aug, 2022

该研究提出了一项新的任务，以鼓励模型跨多个文档进行文本理解并探究现有方法的限制。 该任务要求模型学习查找和组合证据，从而实现多跳（别名为多步）推理，但两个先前的竞争性模型都在选择相关信息方面遇到了困难。

Oct, 2017

本研究提出了一种基于路径的推理方法，用于多跳阅读理解任务，该方法结合了多个段落的事实来回答问题，并以 PathNet 模型为例，使用实体对表示方法从文本中提取隐含关系并编码路径。我们展示了该方法在多跳 Wikihop 数据集上的优异表现，并且可以推广到 OpenBookQA 数据集，达到最先进的性能水平。

Nov, 2018

本文提出了一种基于人类推理处理的新方法来解决多文档的多跳阅读理解问题，我们构建了一种基于路径的推理图来结合基于图和路径的方法，并使用了一个新的问题感知门控机制来调节在文档间传播的信息信息的有用性以及在推理期间添加问题信息。在 WikiHop 数据集上，我们的方法实现了先前发布方法的最新进展，尤其是我们的组合模型超过了人类的表现水平 4.2％。

Jun, 2020

提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

Nov, 2022

本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

May, 2019

本文提出了一个解释性的、基于控制器的自组装神经模块网络，设计了四个新颖的模块（Find、Relocate、Compare、NoOp）来执行不同类型的语言推理，动态推断一系列推理模块以构建整个网络，进一步证明了该模型的可解释性，通过三个分析表面了该模型的细节信息，相比较于传统的单跳模型，该模型在众多自然语言推理任务中有着较好的表现。

Sep, 2019

通过提出一种选择基于概念网络的常识信息和一种选择性门控的多头注意力机制，本文提出了一种生成式模型，用于解决阅读理解 QA 任务中的多跳关系抽取问题，并在 NarrativeQA 数据集上创造新的最先进结果。

Sep, 2018

本文介绍了一种类似神经模块网络的组合模型，旨在对文本进行复杂的逻辑推理，通过寻找文章中相关的句子，并使用神经模块将它们链接起来，模型在 ROPES 上取得了显著的性能改进。

Apr, 2020