本文提出并研究了对话式机器阅读的开放检索设置。在这种场景下，系统需要从一组规则文本中检索问题相关证据，并以对话方式回答用户的高级问题。我们提出了一个名为 MUDERN 的多段落语篇感知蕴涵推理网络，在我们创建的 OR-ShARC 数据集上实现了最先进的表现，超过了现有的单一段落和新的多段落对话式机器阅读模型。

Feb, 2021

本文提出了一个新的对话式机器阅读模型，它可以从程序化文本中抽取一组决策规则，同时推论哪些受对话历史所涵盖，哪些需要编辑以创建用户的问题，并在最近发布的 ShARC 对话式机器阅读数据集上达到了最新的最佳性能，释放了我们的模型和实验源代码。

Jun, 2019

本研究提出了一种学习记忆包含关系和对话关系以实现人物 - 一致性对话任务的方法，通过自然语言推理数据集中的包含文本对应用于前提 - 假设生成任务，学习隐含包含关系，同时以类似架构的内存应用于对话中的话语信息，这两个记忆空间的正交性限制确保隐含的包含关系保持对话无关性，并在两个记忆的协作下获得包含和话语表示，使得对话一致性和回复连贯性得到更深入的理解。在 PersonaChat 和 DSTC7-AVSD 这两个大型公共数据集上的实验表明，该模型在人物一致性和响应连贯性方面表现优于几个强基线模型。

Jan, 2023

提出了一种基于共享参数机制的端到端框架，称为 ET5，用于会话式机器阅读理解，可以在完整利用涉入推理信息的情况下实现跨步问答，并在 ShARC 数据集上达到了新的最优结果。

Sep, 2022

使用 Discobert 模型从已修剪的子句中提取文本，通过基于结构的话语图来捕获在 BERT 中不能很好捕获的长程依赖关系，该模型在流行的摘要基准测试中表现出显着的优越性。

Oct, 2019

通过理解各种语篇连词，我们提出了 DiscoSense，这是一个公共常识推理基准。我们使用条件对抗过滤 (CAF) 生成引人入胜的干扰项，CAF 是对对抗过滤 (AF) 的扩展。我们表明，目前最先进的预训练语言模型在 DiscoSense 上表现良好，这使得该数据集成为评估下一代公共常识推理系统的理想数据集。

Oct, 2022

通过提出一种管道框架，将对话式机器阅读（CMR）中的文档与用户提供的信息进行明确对齐，使用轻量级多对多蕴含推理模块做出决策，并直接基于文档和之前的问题生成后续问题。我们的方法在微准确性上达到了最新水平，并在 CMR 基准数据集 ShARC 的公共排行榜上排名第一。

Oct, 2023

本文提出了一种新的对话式机器阅读框架，采用新型的明确内存跟踪器来跟踪规则文本中已满足的条件，以及利用句子级蕴含度分数来加权计算令牌级分布，从而生成澄清问题，并在 ShARC 基准测试集上实现了新的最优结果。

May, 2020

本文提出了一种使用基于话语的信息汇总处理逻辑推理 QA 的方法 ——DAGN，它将话语信息编码成一种图形式，并通过一个图形网络学习话语感知特征，实现了在两个 QA 数据集中具有竞争力的结果，源代码可在 https URL 上获得。

Mar, 2021

提出基于情绪认知理论的多轮递推式推理模块和上下文推理网络的设计，用于提取和整合情感线索以充分理解对话上下文，并在三个公共基准数据集上进行广泛实验，证明了模型的有效性和卓越性。

Jun, 2021