本研究提出了一种灵活和高效的架构，旨在通过考虑问题、回答预测和置信度得分来从候选答案中选出最佳答案，将专家代理与该架构相结合，从而在多域和多数据集方案中实现了先前的多代理和多数据集方法所不能达到的表现。

Dec, 2021

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

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

该论文介绍了一种名为 QUEST 的方法，该方法通过计算来自不同文档的部分结果的相似度连接，从而直接从文本源中回答复杂问题。

Aug, 2019

本文的主要研究领域是关于自动问答，重点介绍了知识图谱、非结构化文本和混合语料库等来源的家族算法，并讨论了每个子主题中涉及的复杂性问题和系统中介绍的可解释性和互动性程度，最后总结了 QA 领域的最具前景的新兴趋势。

Apr, 2020

本文综述了近年来解决复杂问题的知识库问答的最新进展，介绍了语义分析和信息检索方法，总结了这两类方法在回答复杂问题时遇到的挑战，并详细解释了现有工作中使用的先进解决方案和技术，最后探讨了与复杂 KBQA 相关的若干有前途的研究方向。

Aug, 2021

本论文总结了解决复杂知识库问答任务所面临的挑战及其解决方案，介绍了语义解析方法和信息检索方法两种主流方法，并从两种方法的角度全面地回顾了高级方法及其解决方案，最后总结并讨论了未来研究的一些有前途的方向。

May, 2021

该论文提出了一种新模型 Graft-Net，应用于 Open Domain Question Answering 问题，该模型结合了文本和知识库并利用子图表示法以提高效率和准确度

Sep, 2018

为了解决模型训练的数据和资源浪费问题，本文提出了一项新的挑战 —— 通过自然语言与现有智能体通信以完成复杂任务。通过设计一个综合性的基准测试 ——CommaQA，该基准测试包括三项复杂的推理任务，旨在通过与现有的 QA 智能体进行沟通来解决这些任务。研究表明，传统的黑盒模型在使用现有智能体的知识和金标事实监督时也难以从头开始实现此任务。相比之下，学会与代理通信的模型表现更好，即使没有任何辅助监督和数据，这种通过与现有代理完成复杂任务的学习仍然是非常困难的。本文提供了 CommaQA 基准测试和组合泛化测试集，以推动这方面的研究。

Oct, 2021

通过引入几个新的挑战任务，探索了目前最先进的 QA 模型是否具有有关单词定义和词汇推理的通用知识，结果表明，基于 Transformer 的 QA 模型已经更容易识别某些结构词汇知识，但在分类结构的层次增加或更具挑战性的干扰先决条件问题涉及到的问题上存在较大的改进空间。

Dec, 2019