本篇论文提出了一种建立对话式问答系统的新数据集 CoQA，包含来自七个不同领域的 8,000 个对话中 127,000 个具有答案的问题，分析表明，这些问题比现有的阅读理解数据集具有更多挑战性和难点，需要针对性的解决方案，评测结果显示目前最好的系统 F1 得分为 65.4％，仍然有大量的改进空间。

Aug, 2018

本文提出了一种用于对话式问答的多方面改进框架，通过 KL 散度正则化、后处理程序和课程学习策略等三个方面的改进，有效地解决了开放域问答过程中的一系列问题，并在公开数据集 OR-QuAC 上展现了比同类模型更好的性能表现。

Apr, 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

本文提出一种在 Common Crawl 项目的基础上，使用大规模、自然、多样化问答数据集进行领域内预训练的方法，该方法可以用于 open-domain question-answering 任务中的零样本、低资源和微调设置，展示了预训练在该任务中的潜力。

Oct, 2021

通过开发一种利用文本到文本转换模型的端到端系统，本文研究了常见问题解答（FAQ）的生成作为一项明确定义的自然语言处理（NLP）任务，并且通过对传统问答系统的文献综述提出了我们的系统，能够根据特定领域的文本内容构建相关的 FAQ，提高准确性和相关性。我们利用自定义算法获取信息的最佳表示形式并对问题 - 答案对进行排名，以提高人类理解能力。定性人体评估显示生成的 FAQ 构思良好，易读，并利用特定领域的构造来突出原始内容中的领域差异和行业术语。

Feb, 2024

本文提出了一种基于深度迁移学习的可调节联合学习方法，以有效地解决技术问答中的文档检索和阅读理解任务，并在 TechQA 上进行了实验验证，相较于现有方法表现更为优越。

Oct, 2020

本研究提出了一种知识辅助的开放域问答方法，通过考虑问题与文档之间的关系以及文档与文档之间的关系来构建问题 - 文档图和文档 - 文档图，使用知识三元组并结合文档检索和答案重新排名来提高文档检索和答案排序的性能，从而提高了开放域问答的整体性能。

Jun, 2020

本研究提出了一种名为对比领域自适应问答（CAQA）的新型领域适应框架，该框架结合了问题生成和域不变学习技术，用于在文本语料库受限的情况下回答域外问题，并且相较于现有技术取得了显著的效果改善。

Aug, 2021

本文介绍了一种基于迁移学习技术，将神经网络模型应用在生物医学领域的事实型问答系统上的方法，通过加入生物医学文本嵌入和一种新的回答列表问题的机制来改进该系统，避免了使用昂贵的特定领域本体论、解析器或实体标注器。结果表明，该系统在事实型问题上达到了最新水平，在列表问题上取得了竞争性的结果。

Jun, 2017

本研究提出了一种新的口头对话问答任务，能够使问答系统对给定的语音话语和文本语料库建模，其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率，同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力，并在实验中取得了优异的性能表现。

Oct, 2020