提出了一种通过可训练的问题分解器将多跳阅读理解问题分解为多个子问题，再利用序列到序列的阅读理解模型预测答案的学习方法，能够使语言模型更好地理解复杂的、组合性的多跳问题，并在 DROP 数据集的一难子集上比基线模型分别提高了 7.2 / 6.1 绝对 F1 点。

Nov, 2022

该研究通过将复杂问题分解为多个单一问题并利用单一问题回答模型回答得出答案，提出了一种多跳阅读理解系统，并提出了一种新的全局重新打分方法，大大提升了系统准确度。

Jun, 2019

该研究提出了一种基于 Query Focused Extractor (QFE) 模型的可解释的多跳问答系统，使用多任务学习并结合了问答模型进行证据点提取，实验结果表明该模型在 HotpotQA 和 FEVER 任务中达到了最佳证据提取效果。

May, 2019

本文提出了一种基于抽象意义表征的问题分解方法，通过将多跳问题分解成简单的子问题并按顺序回答它们，实现了可解释的推理过程。实验结果表明，这种方法在可解释的推理方面具有竞争力，并且由 QDAMR 生成的子问题形式良好，优于现有的基于问题分解的多跳 QA 方法。

Jun, 2022

本研究提出了一种名为 FE2H 的简单而有效的多跳问答（QA）框架，其采用迭代式文档选择和渐进式学习策略，分阶段进行文档选择和阅读，并在单跳 QA 数据集中训练 QA 读取器，成功应用于 HotpotQA 数据集，并在百分之六十七点一的准确率上超过现有的其他 QA 方法。

May, 2022

在多次阅读和推理的问题中，通过 HotpotQA 我们证明单次推理可以解决比之前认为的更多的数据集并且设计了一个基于 BERT 的单次推理 RC 模型，达到了 67 个 F1 值，在多次推理的错误分析中这些结果提示我们应该更加注重证据在多次推理中的作用，可能甚至转向信息检索风格评估大而多样的证据收集。

Jun, 2019

本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

Nov, 2018

本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

Mar, 2022

本文提出了 Graph-Hop 多链式及多跳式检索和推理范式，建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理，论证其在推理多样性和规模方面的优势，并在现有证据检索和推理模型上进行了彻底的评估。

May, 2023

本论文探讨了利用多跳问题分解来探究神经问答模型的解释性，通过人类实验证明这种方法可以提高用户预测系统在某个问题实例上的性能，并且可以用来改进问答系统。

Apr, 2022