该研究提出了一种基于概率的方法来训练可解释的多跳问答系统，该系统可以在无需基于理由的监督的情况下进行训练。该方法将理由明确建模为集合，能够在文档之间以及文档内部的句子之间进行交互和多跳推理，这种方法在选择理由方面比之前的方法更加准确。

May, 2023

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

本研究创建了一个名为 2WikiMultiHopQA 的新的多跳问题回答数据集，使用结构化和非结构化数据生成问题 - 答案对，并提供包含推理路径的证据信息以提供预测的全面解释并评估模型推理技能。通过实验，我们证明了我们的数据集对于多跳模型来说具有挑战性，并确保需要使用多跳推理。

Nov, 2020

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

我们引入了一个逐步重写的端到端问题重写模型，通过逐步重写来增加问题的复杂性。实验结果证明我们的模型在生成复杂问题方面的有效性，并且生成的多跳问题对于训练问题回答模型也是有益的。

Mar, 2024

本文研究两个新的数据集对于多跳推理问题，探究了句子分层模型和无标记版本中的伪相关性。结果表明，高绩效模型可能没有像以前想象的那样学到足够的多跳推理。

Apr, 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

该论文提出了一种在多步问题回答中维护显式推理过程的方法。该方法提取一个离散的推理链，并将其提供给一个基于 BERT 的 QA 模型来进行最终答案预测。我们的方法在两个近期提出的大型多跳问题回答数据集 ——WikiHop 和 HotpotQA 上进行了测试，并取得了令人瞩目的成果。

Oct, 2019

构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

Nov, 2023

本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

May, 2019