介绍了 INQUISITIVE 数据集，该数据集包含～19,000 个问题，是读者在阅读文档时 elicited 的。与现有数据集相比，INQUISITIVE 的问题更加注重文本的高层（语义和话语）理解，并根据基于 GPT-2 的问题生成模型评估了该任务的挑战性，强调了上下文对生成 INQUISITIVE 问题的重要性。

Oct, 2020

探索生成通常由多个句子回答的开放性问题的任务，定义一个新的问题类型本体论、提出了一种新颖的基于问题类型感知的问题生成框架并使用语义图形表示，进一步利用示例和自动生成的模板来提高可控性和多样性。在两个新收集的大规模数据集上进行实验，表明我们的模型在自动评估指标上改善了问题质量。最后，我们的模型变体可以产生具有增强的可控性和多样性的问题。

Jul, 2021

这项研究通过引入一个新的指导属性 “问题明确度”，旨在丰富 NLP 中问题生成（QG）的可控性，提供了在特定的叙事元素下生成问题的显式和隐式 wh-questions 的控制方法，代码公开于 github。

Jun, 2023

本文介绍了一个针对好奇性问题的显著性预测器 QSALIENCE，该预测器通过我们的数据集进行指导调整，数据集中有 1766 个语言学注释的显著性得分（上下文，问题），并展示了高显著性问题在同一文章中更有可能得到回答，从而将潜在问题与讨论中的问题联系起来。此外，通过展示回答显著性问题是新闻摘要质量的一个指标，进一步验证了我们的发现。

Apr, 2024

本文介绍一种基于序列到序列模型（seq2seq model）的问题生成方法，该方法可以根据输入答案和上下文自动预测问题类型，然后将问题类型带入模型中，解决了问题类型与答案不匹配的问题，并在 SQuAD 数据集上取得了最优结果。

Aug, 2019

我们提供了一个名为 NewsQs (新闻提示) 的数据集，其中提供了多篇新闻文档的问题 - 回答对。通过在 News On the Web 语料库的 FAQ 样式新闻文章上对 T5-Large 模型进行微调，我们创造了 NewsQs，并自动生成了问题。我们证明，使用控制代码对模型进行微调可以生成更容易被人们接受的问题，与没有使用控制代码的相同模型相比，在人类评价中表现更好。我们使用与人类注释具有高相关性的 QNLI 模型来过滤数据。我们将我们的最终高质量问题、答案和文档聚类数据集作为资源，用于未来的基于查询的多文档摘要研究。

Feb, 2024

本文提出了一种模型，能够从单个图像中生成具有不同类型的视觉问题。通过采样最可靠的问题类型来自动生成问，该方法在两个真实世界数据集上的实验结果表明，我们的模型在正确性和多样性方面都优于最强基线。

Dec, 2016

本文研究了问题生成中的控制性和难度问题，提出了一种基于关键词的问题生成模型，并通过实验证明了该模型能够显著提高问题生成的多样性和可控性。

Dec, 2021

本文提出了一种名为 ACS-QG 的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题 - 答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成 280 万个高质量的问题 - 答案对。

Jan, 2020

SG-CQG 是一个用于回答无答案设置下如何生成与要求自然的对话的方法，它通过语义图和具有明确控制信号的分类器来解决 what-to-ask 和 how-to-ask 的挑战。同时，提出了新的评估指标 Conv-Distinct，并在实验中取得了最先进的表现。

May, 2023