HotpotQA 是一个新的基于维基百科的问题 - 答案对数据集，它具有多篇支持文献上的复杂推理和解释性问题，并提供了对推理所需的句子级支持事实，可以让 QA 系统进行强有力的推理，挑战了最新的 QA 系统。

Sep, 2018

针对开放域多跳问答中通过阅读理解模型识别终止段落锚点的新子问题，介绍了一种新的子问题解决方案 ——“桥接推理器” 。该推理器接受一定程度的监督，通常用于训练一个 “终止段落阅读器”，从一组起始段落中提取答案，实验结果在多个数据集上优于 Baseline 方法。

Sep, 2019

本文提出了一种方法，用于在大量知识库之中检索多个支持段落，以回答所提出的问题。该方法使用联合向量表示形式，并考虑知识源中段落的上下文句子表示形式。该技术在 SQuAD-Open 和 HotpotQA 的数据集上实现了开放域问答的最新成果。

Jun, 2019

我们提出了一种无监督的句子选择策略，可与任何有监督的 QA 方法配对使用，此方法在两个多跳 QA 数据集上均取得了不使用外部资源训练 QA 系统的新的最先进性能，并证明我们的句子选择方法比强大的信息检索基线选择的证明更具质量，更稳定跨域。

Nov, 2019

使用 BERT、命名实体识别、基于图的推理和问题分解等技术改进的最新多跳问题回答模型，设计复杂度高，但我们提出的名为 Quark 的简单模型表现出乎意料的优异，特别是在 HotpotQA 上，胜过了这些模型，并取得了非常接近 RoBERTa 模型的表现。

Apr, 2020

本文提出新的统一框架，比较了常见的 IR 度量和神经模型在多个句子对分数任务和数据集上的性能，并尝试通过发布新的数据集来改进比较。我们提出了一种统一的开源软件框架，具有易于插拔的模型和任务，使我们能够尝试使用训练好的句子模型进行多任务复用并在 Ubuntu 对话数据集上提出了新的最优结果。

Mar, 2016

本研究针对 HotpotQA 基准数据集，提出了两种扩展方式来改进基于 GNN 的 HGN 模型，包括在节点之间引入新的边缘，以及在图传播步骤中，扩展了一种名为 GATH 的嵌套图注意力机制，并且实验证明了这些改变能够有效提升模型的效率和能力。

Jan, 2023

该研究提出了用于 Web 规模下的当前答案句子选择（AS2）的 Passage-based Extracting Answer Sentence In-place (PEASI)，通过 Transformer-based 框架，它既重新排列检索到的问题的文本段，并在处理每个句子之前识别可能的答案，在多任务学习中对 PEASI 进行训练以获得最佳性能。实验表明，PEASI 比当前排名独立句子的点模型的表现高出 6.51％。同时，PEASI 在计算答案句子方面非常高效，仅需要～20％ 的推理。

Jan, 2022

本研究提出了一种基于知识库和相关文章文本联合的开放领域问答方法，通过检索和阅读一个包含文本段的图表结构，并采用跨相关段落传播信息的方式更新文本段落表示，从而在 WebQuestions、自然问题和 TriviaQA 三个任务的数据集上实现了 2-11% 的性能提升。

Nov, 2019

基于知识兼容性匹配的 COMBO 框架能够有效地利用两种信息源，改善开放领域的问答性能，并在四项测试问答基准中有三个的竞争对手表现更好，特别在存在较高程度知识冲突的场景中表现出更大的功效。

Oct, 2023