这篇论文提出了在产品领域上回答主观归纳问题（SUBJPQA）的新任务。针对这类问题，答案并不唯一，可以从多个角度解释。为了解决这一新任务，作者提出了一种三步法，涉及知识源的检索、问题的关联和多角度答案的生成。此外，作者构建了一个大规模的数据集，并展示了方法的有效性。

Sep, 2023

本文研究无监督文本生成技术中的优化问题，提出利用学习模型平滑启发式搜索目标函数中的噪声以及与原始目标函数相结合来指导搜索，实验表明，这种方法可以略微提高搜索性能。

Mar, 2022

该论文描述了使用用户定义标签进行有监督学习的挑战，提出了对于主观标签所产生的偏差和操作提供了一个检测框架，帮助数据挖掘从业者在项目的早期检测出主观类问题，并避免使用传统机器学习技术处理主观类问题时浪费宝贵的时间和资源。

Mar, 2020

该研究探讨主观性和问答之间的关系，并基于顾客评论发布了一个包含 6 个领域主体性注释的问答数据集（SubjQA）。

Apr, 2020

提出了一种面向教育领域的预训练方法 QuesNet，利用统一的框架整合含有异构输入的问题信息并设计了两种级别的预训练算法来学习基础语言特征、领域逻辑和知识，证明了其在问题理解和应用方面的有效性和优越性。

May, 2019

该研究提出了一种新颖的方法，利用标注类别的图像和未标注文本语料库，为视觉问题回答中出现的未查询过的物体提供支持。通过实验验证和分析，表明该方法能够显著提高模型的鲁棒性和性能。

Apr, 2017

该论文提出了一种基于 ONUS 算法的无监督学习方法，通过将复杂问题分解为多个子问题，并利用互联网上的数据，来改善问答系统的性能。该方法得到了在多个测试集上的验证，并在流畅度上超越了监督和启发式分解方法。

Feb, 2020

本文提出了无需注释的可扩展伪查询文档对训练方法，包括查询提取和转化查询生成两种。通过使用这些方法，研究展示出比其他方法更好的检索表现。

Dec, 2022

本文提出了一个基于客户评论和 FAQ 的交互式对话模型，主要通过围绕知识检索、知识选择和响应生成的三个阶段进行改进。我们主要针对知识选择模块的改进以提高整个系统的性能，我们提出了实体检索方法，其中基于命名实体识别的实体检索方法的搜索速度比基准模型提高了 7 倍。除此之外，我们还探索了一个关键词提取方法，该方法可以提高知识选择的准确性，初步结果显示知识选择任务的准确匹配得分提升了 4%。

Mar, 2023

本文提出了 ReSEval，这是一种开源框架，可从 Python 直接快速部署 crowdsourced 主观评估，以方便研究人员运行主观评估以及通过共享配置文件和音频、图像、文本或视频文件来重现彼此的主观评估。

Mar, 2022