本文介绍了一个基于本体论的问答系统， KbQAS，该系统是针对越南语的第一个问答系统。KbQAS 采用了一种问题分析方法，该方法系统地构建了一个语法规则知识库，将每个输入问题转换为中间表示元素。KbQAS 然后针对目标本体论使用概念匹配技术返回答案。在广泛的越南语问题上，实验结果表明，KbQAS 的性能很有前途，输入问题的分析准确率和输出答案的检索准确率分别为 84.1% 和 82.4%。此外，我们的问题分析方法可以轻松应用于新的领域和新的语言，从而节省时间和人力成本。

Dec, 2014

本文介绍了利用弱标记的数据提高语言模型质量的方法，并实现了越南文章级别的基于检索的法律问答系统以应对低资源语言的挑战。经过多方面的实验，结果表明所提出的技术是有效的。

Jun, 2023

本文提出了一种基于 SPARQL 查询的多语言语义 Web 知识库问答（QA）方法，能够查询多个知识库，可轻松移植到其他知识库和语言。通过对五个不同的知识库和五种语言的评估，证明了该方法的影响。

Mar, 2018

这篇论文提出了 XLMRQA 作为第一个使用监督 transformer-based reader 和基于 Wikipedia 的语料库作为知识来源的越南问题回答系统，优于基于深度神经网络模型的 DrQA 和 BERTserini，同时分析了问题类型对 QA 系统性能的影响。

Apr, 2022

本文旨在创建一个提供医疗健康知识问答的越南医疗保健系统，并使用基于 SBERT 的多负面排名损失方法和 BM25 改进的两阶段 QA 系统来评估其性能优于传统方法的表现

Jun, 2022

本文介绍了 OpenViVQA：首个包含越南语开放式答案的大规模 VQA 数据集，包括 11,000 + 图像和 37,000+ 问答对，并提出了三个融合图像和答案信息的方法（FST，QuMLAG 和 MLPAG），并使用这些融合的特征构建答案，旨在促进研究社区针对越南语这类低资源语言开发出更广义的算法，结果与 SOTA 模型竞争力相当。

May, 2023

本文提出、构建并验证了一个集成不同模块以回答两种不同查询的结构，该模型利用自然语言文本，分类并将其发送给神经问题回答推理器或自然语言解析器到 SQL，经过测试和实验，我们的系统以高精度（超过 99％）选择适当的回答方法，从而验证了模块化问题回答策略。

Feb, 2022

本研究提出了一种基于规则的开放域问答系统，可以回答来自相关上下文的任何领域的问题，使用 1000 个问题的 SQuAD 2.0 数据集测试开发的系统表现满意，同时分析了性能。

Mar, 2022

我们引入了一种基于 Transformer 的越南模型 BARTPhoBEiT，该模型包括了预训练的越南序列到序列和双向编码器表示，用于评估越南语 VQA 数据集，并在准确度、精确度、召回率、F1 得分、WUPS 0.0 和 WUPS 0.9 等六个指标上优于强基准模型和现有最先进模型。

Jul, 2023

Vietnamese researchers presented UIT-ViCoV19QA, the first community-based question answering dataset for COVID-19 from trusted medical sources with multiple paraphrased answers evaluated through deep learning models using commonly used metrics, mainly BLEU, METEOR, and ROUGE-L, which demonstrated significant improvements, and concluded that the deep learning method, especially the Transformer architecture, is dominant in the field of study.

Sep, 2022