提出了一种简单而高效的历史答案嵌入方法，能够无缝地将对话历史整合到基于 BERT 的对话问答 (ConvQA) 模型中，对不同设置下的不同历史轮次进行分析并在 ConvQA 中提供新的见解。
May, 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
研究提出通过预测答案对话历史进行推理，并利用估计的置信度和不确定性过滤出不准确的答案， 最终将置信度和不确定性值进行校准，以此提高问答模型的性能表现。实验结果表明，该方法在两个标准 ConvQA 数据集上表现出了显著优于基线模型的效果。
Feb, 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
本研究提出了 CONVINSE，一种面向杂多数据源的对话问答系统，对来自知识库、文本和表格等多种异构数据源相应回答问题，并通过构建 ConvMix 基准测试平台，验证了该系统的优越性能。
Apr, 2022
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。
本文提出了 ConvADR-QA，该方法在 Open-domain conversational question answering 中使用历史答案来提高文本检索和回答效率。通过引入 teacher-student 框架来减少上一轮的噪声，实验结果表明我们的模型在提取式和生成式读者设置方面均优于现有的基线模型，充分证明了历史答案在开放领域会话问答中的有效性。
Nov, 2022
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
该研究介绍了 QAConv，这是一个新的基于对话的问题回答（QA）数据集，通过长、复杂、异步和涉及强领域知识的信息型对话提供了一个新的训练和评估测试平台来促进 QA 在对话研究中的应用。
May, 2021