本论文研究了将对话任务转换成问答任务，以便利用现有的基于转换器的预训练语言模型解决一些自然语言理解任务中的挑战，特别是对话区域中的槽标记。研究结果表明，QA 调整的预训练语言模型可应用于 SL 任务，并达到了新的性能表现，从而提高了其性能和效率。

Apr, 2022

本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

May, 2023

本论文介绍了一种分解对话问答任务的方法，包括问题重写和问题回答。通过引入一种新的对话 QA 架构和一个问题重写模型，证明了这种方法在 TREC CAsT 2019 建议检索数据集上已经达到了最新的技术水平，并在 QuAC 数据集中优于我们的基准模型。这个问题重写模型在两个数据集上的性能接近于人类的表现，而对话 QA 任务的终端性能差距主要是由于回答中的错误导致的。

Apr, 2020

本论文研究了使用神经机器翻译范式进行问题解析的应用，采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况，探讨半监督学习方法代替问题 - 答案对诱导程序，并且借助自然语言生成的新进展扩展语言表达的覆盖范围。

Jun, 2018

本文探讨了问题改写在对话问答中的有效性，通过使用强化学习方法来集成 QR 和 CQA 任务，但是发现该方法与端到端基线效果相当，并分析了失败的原因并描述了在 CQA 中利用 QR 的难度。

Apr, 2022

本文针对知识图谱问答中不同预训练语言模型的性能对比，基于两个基本框架和三个基准数据集进行了实验和分析，结果表明知识蒸馏和知识增强技术对于知识图谱问答有很大的帮助；同时，该文还测试了 ChatGPT 在零样本知识图谱问答方面的表现，最终发布了相关代码与基准数据集供后续研究使用。

Mar, 2023

在自然语言处理的问答任务中，本文的关键方向是提高表示质量和效率，通过挑战现有的问题 - 答案编码惯例，探索更精细的表示方法，并测试了不同池化方法和知识图谱的集成对于性能的影响，结果显示这些方法在提高内存效率的同时，性能上有较小牺牲，大大增加了吞吐量。

Mar, 2024

论文提出两种对话查询重构方法：基于词频的重构和使用预训练序列到序列模型生成人类可理解的自然查询。两种方法的优点、缺点和不同行为进行了详细的定量和定性分析，并提出将它们的输出与相互排名融合结合使用，从而实现了最先进的检索效果，NDCG@3 相对于 TREC CAsT 2019 的最佳提交有 30％ 的提高。

May, 2020

该论文提出了一种名为 CQR-SQL 的方法，利用辅助对话问题改写（CQR）学习来显式地利用模式，并解耦文本 - SQL 语句的上下文依赖关系，从而增强 SQL 解析的能力。该方法在两个文本 - SQL 基准测试中取得了最新的最先进结果。

May, 2022

本文提出了一种名为 CONVSR 的新型框架，用于捕获并生成中间表示作为会话提示，以增强 QA 模型的能力以更好地解释不完整的问题，并讨论了如何利用该任务的优势设计更具吸引力和雄辩的对话代理程序。

Apr, 2023