本文提出了一种基于数据和文本的统一问答框架 UDT-QA，并使用数据到文本方法将 Wiki 百科中的表格和 Wikidata 中的图表达为口语化信息，以扩展知识索引。实验证明，该方法取得了自然问答 (Single-model state-of-the-art) 的最佳成果，并表明对于调整和热插拔的两种情况，口语化知识的优先考虑可以优化答案推理。

Oct, 2021

本文提出了基于 RNN 和神经模型的信息检索和理解两个步骤的开放域问答系统来解决信息检索的问题，并在 Wiki Movies 数据集上达到了最先进的表现，通过减少 40% 的错误率来证明了每个组件的重要性。

Mar, 2017

提出了一种名为 UnifiedTQA 的可信赖的问答框架，它能同时支持多种类型的结构化数据，并在评估中优于现有方法，具有潜力用于更广泛的问答任务。

Jun, 2024

本文介绍了 Uni-Parser，一种用于问答（QA）的统一语义解析器，旨在应对知识库（KB）和数据库（DB）中的结构化数据，通过引入原语的概念，使得候选逻辑形式数量线性增长，避免了指数级增长和泛化问题，并且实现了与原语不同操作的复杂逻辑形式的生成和预测，通过对比原语排名器的修剪，增强了其泛化能力，实现了在多个 KB 和 DB QA 基准测试中更为高效和有竞争力的结果，特别是在组合和零 - shot 设置方面。

Nov, 2022

本文研究了一种混合的提取式和生成式阅读器方法，以及如何结合这两种方法进行问答。我们通过一些新技术对预训练的神经语言模型进行了改进，证明了这种方法比以前最先进的模型效果更好，取得了 3.3 和 2.7 的提升。

Jan, 2021

UNIQORN 是一个基于图形方法的系统，它能够在混合的 RDF 数据和文本语料库以及单独的信息源中无缝地进行操作，该方法通过使用细化的 BERT 模型从 RDF 数据和文本语料库中检索与问题相关的证据来实时构建上下文图，然后使用基于图算法的 Group Steiner Trees 来确定上下文图中最佳答案候选项，实验结果表明其显著优于现有的异构数据源 QA 方法。

Aug, 2021

本文提出了 KGQAn，一个通用的 QA 系统，它不需要为每个目标 KG 进行定制，而是采用一种新颖的形式化方法将问题理解为一个文本生成问题，并通过神经序列到序列模型将问题转换为中间抽象表示。我们还开发了一个即时链接器，在查询时间使用 RDF 存储的公共可访问 API 和现有索引将抽象表示映射到特定 KG 的 SPARQL 查询，而无需任何预处理。我们在几个真实的 KG 上进行的实验表明，KGQAn 易于部署，对于任意的 KG 表现良好，优于现有的 QA 系统。

Mar, 2023

UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

Dec, 2022

本研究扩展了通用模式至自然语言问答领域，通过 Memory Networks 将文本和知识库中的大量事实相结合，实现了端到端方式的训练和对 SPADES 数据集的填空问答，并获得了比单独使用知识库或文本更好的效果和超越当前最新技术 8.5 个 F1 分数点的成绩。

Apr, 2017

UniOQA 是一个统一框架，通过整合两种互补的并行工作流程，利用大语言模型精确地回答问题，并采用直接回答预测过程作为一种成本效益的补充，通过改进问题表示能力和优化知识图谱，显著提升了 SpCQL 逻辑准确性达到 21.2% 和执行准确性达到 54.9%。

Jun, 2024