在本文中，我们介绍了第一个自动评估 QUD 解析的框架，将 QUD 的理论约束转化为具体的协议。我们提出了 QUDeval，一个细粒度评估的 QUD 问题数据集，其中包含来自经过微调的系统和 LLMs 生成的 2,190 个 QUD 问题。使用 QUDeval，我们发现满足 QUD 的所有约束对于现代 LLMs 仍然具有挑战性，并且现有的评估指标很难近似解析器的质量。令人鼓舞的是，由人工撰写的 QUD 问题在我们的人类评估者中得到了很高的评分，这表明在语言建模方面取得进一步的进展可以改善 QUD 解析和评估。

Oct, 2023

本文提出了一种新的方法来收集关于新闻文件的提问，带有上下文关联且没有标注答案的开放性问题数据集 (DCQA)，并结合现有的问答资源进行了预训练，以有效帮助回答这类开放性问题。

Nov, 2021

本文提出了一种深度顺序模型，用于解析多方对话的话语依赖结构，并利用预测的依赖关系和结构类型共同和交替地构建话语结构，实现基于序列扫描的话语依赖树构建。实验结果表明，该模型的性能优于所有最先进的基线。

Dec, 2018

研究讨论将拓展式简化与 QUD 框架相结合，通过问题生成对其进行明确建模，以提高拓展式简化的质量和理解。

May, 2023

本研究提出了一种名为 SCUD 的新的语言依存注释标准，并提供了 ConvBank 数据集，以用于在人机对话方面训练依存句法分析模型。实验表明，将模型预训练于公共数据集并在 ConvBank 数据上进行微调可以取得最好的结果，达到了 85.05％的未标注和 77.82％的标注连接准确率。

Sep, 2019

研究发现，多语言自然语言问答技术仍存在困难，我们提出了一种利用 DUDES 和 MCMC 方法建立模型的 QALD 管道，成功将自然语言问题转换为可执行的 SPARQL 查询，并且在英语、德语和西班牙语环境下进行了测试。

Feb, 2018

本文旨在建立一个语义依赖关系框架，并研究基于此框架的语料库进行多元语言分析，为依步性分析提供数据基础。

Jan, 2021

该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

May, 2022

基于修辞结构理论的话语解析（RST-DP）探索了子句、句子和大文本跨度如何组成整个话语，并将修辞结构呈现为一个分层树。现有的 RST 解析流水线在构建修辞结构时缺乏对文档级内容结构的了解，导致在预测大文本跨度的话语关系时性能相对较低。为了识别高级内容相关信息在促进话语关系识别方面的价值，我们提出了一种新颖的 RST-DP 流水线，该流水线结合了从新闻话语建模任务中得出的具有结构意识的新闻内容句子表示。通过仅添加了少量的附加层，这个增强的流水线在各种 RST 解析指标上表现出了很有前景的性能。

Sep, 2023

QED 是一个基于语言学的可扩展框架，为问答提供解释，提高了调试能力、扩展性和信任度，可以根据规范的语义概念如引用相等性、句子性和蕴含关系说明问题和答案之间的关系，进行问波应答和解释生成的试验表明，训练涉及 QED 数据的模型可以显著提高问答能力，在大量测试中，通过 QED 解释可以显著提高非专业用户改正强神经基线所犯错误的能力。

Sep, 2020