本文提出了一种基于元强化学习的 CQA 程序归纳方法，以解决常规神经程序归纳的性能不稳定的问题，并在使用较少训练数据的情况下实现了最先进的性能。

Oct, 2020

本文介绍了复杂问答（QA）的最新进展，分别从基于信息检索和神经语义解析两个方向出发，提出了未来研究的方向，并介绍了阿里巴巴团队提出的模型。

Jul, 2020

本文提出了一种基于程序传递的方法来帮助没有程序注释的低资源知识库中的程序感应，对于这一方法，我们设计了一个新的两阶段解析框架，具有高效的本体采导向修剪策略，实验表明，该方法在复杂网络问题和 WebQuestionSP 上优于 SOTA 方法，展示了程序传递和我们框架的有效性。

Oct, 2021

通过与知识库进行直接交互生成逻辑形式，我们引入了 Interactive-KBQA 框架来解决知识库问答领域的问题，该框架包括三种通用 API 用于知识库交互，通过步骤推理过程注释数据集，展示了我们模型的适应性和潜力，并在低资源场景中以极少的示例达到了优秀的结果。

Feb, 2024

本文提出一种基于元学习及相关性函数的 few-shot 元学习方法，将原先监督学习的每个样本视为一个独立的伪任务，经过实验验证，该方法在 WikiSQL 数据集上取得较好的成果。

Mar, 2018

本文提出了一种以问答对为基础的编码 - 解码模型，通过该模型的预训练策略，能够在单跳及多跳问题上达到强大性能，并进一步提高了对模型的解释和控制能力，缩小了与段落检索系统之间的性能差距。

Apr, 2022

本文介绍了一种基于元学习和数据检索的视觉问答方法，该方法不需要训练数据，能够使用外部数据来源来回答各种问题，实验表明该方法在 VQA-CP v2 基准测试中表现优异，并且对于迁移学习领域具有更强的稳健性。

Apr, 2019

本文介绍了一种基于控制语言 CNL 的知识编写和查询方法，通过对 KALM 系统的扩展，提出了可以回答更复杂问题的 KALM-QA，并与机器学习方法进行了对比，结果表明 KALM-QA 在回答电影相关问题方面能够达到 100% 的准确率。

Jul, 2019

该研究提出了一种基于学习的复杂查询回答模型，通过学习有限数据中的元操作符，并将其应用于不同实例的操作符以处理不完整的知识图中的复杂查询，从而提高模型的泛化能力。结果表明学习元操作符比学习原始 CQA 或元 CQA 模型更有效。

Mar, 2024

本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

Jan, 2018