本文提出了一种模型，通过最大化图像、期望回答和生成的问题之间的互信息，引入可变连续潜在空间来解决自然语言离散标记的无法计算问题，并通过第二潜在空间实现类似回答聚类，实现目标驱动的提取物体、属性、颜色、材质等信息，并在实测中实现获取之前未见过的视觉概念的目标。

Mar, 2019

本文研究了目标导向的视觉对话任务，提出了一种结合强化学习和正则化信息增益的端到端目标导向视觉对话系统，并在 GuessWhat？！数据集上进行了测试，取得了优于当前最先进模型的显著结果。

Jul, 2019

介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。

Oct, 2020

本文利用计算语用学中的技术，将语言生成模型的建模过程形式化为说话者和听者之间的游戏，通过两种语用建模方法，即保留信息和建模干扰项，来提高抽象概括和结构化含义表述的生成系统的性能。

Apr, 2019

在交互式环境中，为了获得更多信息，我们提出了一种能够提出更具信息性的开放式问题的方法，并发现现有的视觉问答模型经常产生预设错误。为了解决这个问题，我们提出了一种方法，在问题选择和信念更新中加入了预设处理的两阶段过程，通过自我对战和人类评估，我们展示了我们的方法在提问方面是成功的，准确率比过去的最先进方法提高了 14%，同时在人类评估中结果更高效。

Nov, 2023

本文介绍了在开放领域信息寻求对话系统中提出澄清问题的任务，并提出了一个离线评估方法和一个命名为 Qulac 的数据集，以便评估模型的性能，其实验表明优质问题有助于提高信息检索的效率，并提出一个由三个部分构成的检索框架，该模型显著优于竞争基线。

Jul, 2019

人们对问题的追问是出于好奇心驱动，这反映出创造性的人类认知过程。我们引入了现实世界信息寻求型追问问题生成（FQG）任务，旨在生成追问问题，以深入理解初始问题和答案。通过收集 Reddit 论坛上提供对开放式问题的通俗解释的超过 3K 个真实世界（初始问题，答案，追问问题）元组，我们构建了 FOLLOWUPQG 数据集。与现有数据集不同，FOLLOWUPQG 中的问题使用了更多多样化的语用策略来寻求信息，并显示了更高级的认知技能（如应用和关联）。我们评估了当前的问题生成模型在生成追问问题方面的效果，探索如何基于分步演示生成特定类型的追问问题。我们的结果验证了 FOLLOWUPQG 作为一个富有挑战性的基准，因为模型生成的问题虽然足够，但在信息量和复杂性方面远离了人类提出的问题。

Sep, 2023

本文提供实验证据表明，人类回答时过多信息的选择是由于考虑到与问答者目标的相关性，并根据问题使用的功能上下文灵活调整。本文进一步探究了最先进的神经语言模型的问答表现，并发现大多数模型无法像人类一样调整回答行为，倾向于包含无关信息。我们发现 GPT-3 对提示形式非常敏感，并且只有在有例子和认知动机的解释指导下才能实现类似于人类的回答模式。

May, 2023

本文提出一种深度增强学习框架，通过三种新的中间奖励来鼓励产生精简的问题，旨在解决图像问题中提出智能、目标导向的问题的挑战，同时在 GuessWhat?! 数据集上评估了该模型，结果显示相应的问题有助于在图片中识别特定的物体，并提高了成功率。

Nov, 2017

在知识驱动的对话背景下，我们探讨问题生成的可解释性和评估。通过在规划为基础的摘要生成工作的启发下，我们提出了一个模型，该模型先顺序预测一个事实，然后再预测一个问题，与仅生成问题的标准模型相比，虽然推理要求更高，但我们的方法在相关性、事实性和代词化方面的详细无参照模型行为评估方面表现相当。

Apr, 2024