本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。

May, 2020

本文介绍了一种基于完全端到端的方式将开放检索对话式机器阅读（OR-CMR）建模为一个统一的文本到文本任务，并在 OR-ShARC 数据集上展示了其在两个子任务上的显著有效性和创新的最先进结果。

Oct, 2022

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

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

本文提出了 Discern，透过将文件拆分成 EDU 单元，进行前置训练的话语分割模型，并以弱监督方式预测 EDU 是否为对话中用户反馈的被蕴含，提高文件和对话的理解，取得最高决策准确度 78.3% 及跟进问题生成 BLEU1 64.0 的成果。

Oct, 2020

本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

Apr, 2021

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

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

本文提出了一种基于检索的系统和相关数据集，用于预测用户可能有的下一个问题，可以主动地帮助用户进行知识探索，引导用户进行更有意义的对话。该检索系统是在一个包含 14000 多组信息获取对话的数据集上进行训练的，该数据集包含一个有效的后继问题和一组无效候选问题。我们在 Follow-up Query Bank 数据集上训练了排名模型，并比较了监督和无监督方法的结果。结果表明，我们可以通过将有效后继问题排在更高的位置上进行检索，但进一步的知识构建可以提高排名性能。

Feb, 2023

本研究提出一种简单而有效的方法，通过使用监督多任务学习，将 IR 和 RC 任务结合起来，以考虑答案跨度来训练 IR 组件，实现大规模机器阅读，从而取得了最先进的表现。

Aug, 2018