本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段，并设计了 ChainCQG 作为一种跨多个对话回合学习问题 - 答案表征的系统，显著优于 SOTA 基线并能够生成各种类型的问题。

Feb, 2021

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

本研究提出了 GraphFlow 模型，通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史，并引入流机制建模上下文图形的时间依赖关系，从而提高了对话流的捕获能力，对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力，而且可为推理过程提供良好的可解释性。

Jul, 2019

本文提出一种生成式机器理解模型，用于同时学习根据文档提问和回答问题，采用序列到序列框架编码文档并生成问题，模型在 SQuAD 语料库上获得显著性能提升，实验证明，模型在同时学习两个任务方面受益。我们认为这种联合模型的新颖性提供了一个超越架构工程的机器理解视角，是实现自主信息寻找的第一步。

Jun, 2017

本文提出了一种将 QA 应答置于 SEQ2SEQ NLG 方法内以生成流畅语法的答案，同时保持正确性的方法，并使用数据增强和 BERT-based 分类器对其进行排名，人工评估结果表明该模型在对话响应生成方面优于基线模型。

May, 2020

本文介绍了 FlowQA，一种基于 Flow 机制的会话式机器阅读理解模型，该模型可利用中间表示来整合之前的问答对，将序贯指令理解降为会话式机器阅读理解，并且在多个任务中表现出卓越的性能。

Oct, 2018

本文提出了一个神经网络的方法，该方法应用核心指代知识来产生覆盖单句以外内容的维基百科相关问题 - 答案对，并通过对一百万个这些问题 - 答案对的定性分析表明了该系统的有效性。

May, 2018

研究神经方法在抽象对话摘要模型中显式地结合指代信息的不同方法来解决对话中的核心参照问题，发现这样的模型在追踪对话过程中的信息流和关联与对应的讲话者和人物提及方面需要更准确且精确。

Jun, 2021

本文提出一种基于神经网络的两阶段机制来生成问题 - 答案对，第一阶段采用 Pointer Networks 编码句子中的关键答案，第二阶段采用序列到序列模型生成问题，最终采用全局注意力和答案编码生成最相关的问题。实验结果表明我们的方法在生成问题的质量上显著优于现有方法，是自动阅读理解评估的又一步。

Mar, 2018

本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

Feb, 2017