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

CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

Dec, 2021

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 ConvADR-QA，该方法在 Open-domain conversational question answering 中使用历史答案来提高文本检索和回答效率。通过引入 teacher-student 框架来减少上一轮的噪声，实验结果表明我们的模型在提取式和生成式读者设置方面均优于现有的基线模型，充分证明了历史答案在开放领域会话问答中的有效性。

Nov, 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

使用强化学习训练重写模型，以 QA 反馈作为监督信号，能够有效提高抽取式和检索式问答中的性能，并且人工评估表明该方法能够生成更准确和详细的重写，优于人工注释。

Oct, 2022

本文针对 ARCChallenge 数据集的超越式难题提出了一种系统，该系统利用查询重写、背景知识和文本属于性，成功地提高了端到端 QA 任务的性能，并超越了几个强基线。

Sep, 2018

提出使用问句重写作为预处理步骤来弥补人类在对话中提出的带上下文依赖但自动化系统无法理解的问题，使用人工标注的 CoQAR 语料库进行了实验，证明了该方法对于提高对话问答模型性能的有效性。

Jul, 2022

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

本论文介绍了一种利用输入段落生成大规模对话问答数据集的新型框架，该框架从段落中提取值得询问的短语，根据先前的对话生成相应的问题，并在生成问题后修订所提取的答案，从而显著提高合成数据的质量。实验结果表明，我们的简单答案修订方法可以带来显著的改进，并且我们证明了我们的框架可以有效地用于对话问答的领域自适应。

Sep, 2022