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

本文研究了多跳问题回答的模型，调研表明多个现有的多跳 QA 模型无法准确回答子问题，说明其只是通过一些简单的线索来回答问题，而非真正理解推理路径，同时，本文提出的神经解析模型能显著提高子问题的回答性能，推动了向可解释的多跳 QA 系统的建设迈进。

Feb, 2020

本文提出了一个多跳问题回答（Multi-Hop QA）的具体与形式化定义，并对现有的 Multi-Hop QA 框架进行了组织和总结，同时介绍了创建多跳问题回答数据集的最佳方法，以系统全面地介绍这个有趣而具有挑战性的任务。

Apr, 2022

本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

Aug, 2022

通过引入 “分解和查询”(D&Q) 框架，使得大规模语言模型在回答问题时能够避免幻觉，通过引导模型思考并利用外部知识，同时限制其思考范围在可靠信息内，从而有效减轻了幻觉的风险。实验证实了 D&Q 的有效性：在我们的 ChitChatQA 数据集上，D&Q 在 67％的情况下不输给 ChatGPT；在 HotPotQA 的仅问题设置下，D&Q 获得了 59.6％的 F1 得分。我们的代码可在此 https URL 找到。

Nov, 2023

本文提出了一种新的两阶段可解释问答框架 RoHT，该框架借助问题分解进行异构知识的集成，从而有效地回答复杂问题，并在 KQA Pro 和 Musique 等数据集上显著优于现有技术，证明了问题分解对知识集成和 RoHT 框架的有效性。

May, 2023

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

本文研究发现，生成式问答模型的多跳推理能力非常有限，但可以通过训练拼接单跳问题或逻辑形式的方式进行改进。

Oct, 2022