本文提出了一种方法，用于在大量知识库之中检索多个支持段落，以回答所提出的问题。该方法使用联合向量表示形式，并考虑知识源中段落的上下文句子表示形式。该技术在 SQuAD-Open 和 HotpotQA 的数据集上实现了开放域问答的最新成果。

Jun, 2019

本文提出了 Graph-Hop 多链式及多跳式检索和推理范式，建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理，论证其在推理多样性和规模方面的优势，并在现有证据检索和推理模型上进行了彻底的评估。

May, 2023

UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

Dec, 2022

该论文提出了一种在多步问题回答中维护显式推理过程的方法。该方法提取一个离散的推理链，并将其提供给一个基于 BERT 的 QA 模型来进行最终答案预测。我们的方法在两个近期提出的大型多跳问题回答数据集 ——WikiHop 和 HotpotQA 上进行了测试，并取得了令人瞩目的成果。

Oct, 2019

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

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

针对开放域多跳问答中通过阅读理解模型识别终止段落锚点的新子问题，介绍了一种新的子问题解决方案 ——“桥接推理器” 。该推理器接受一定程度的监督，通常用于训练一个 “终止段落阅读器”，从一组起始段落中提取答案，实验结果在多个数据集上优于 Baseline 方法。

Sep, 2019

本论文提出了一种新颖的知识感知方法，将预训练语言模型与多跳关系推理模块相结合，对外部知识图谱子图进行多跳关系推理。该方法统一了基于路径的推理方法和图神经网络，提高了可解释性和可伸缩性，并在常识问答和开放式书面问答数据集上证明了其有效性和可伸缩性，并通过案例研究进行了解释。

May, 2020

本文提出一种新的方法，将段落建模为序列数据，并将多跳信息检索视为一种序列标记任务，从而解决传统基于图的方法存在的固有缺陷，并通过引入外部可重写记忆和阈值门机制，提高了热点问题回答数据集 HotpotQA 上的检索和下游 QA 任务的表现，并在该数据集上显著改进了现有方法的状态。

Feb, 2021