本研究通过提出一种新的 GenQA 训练范式，利用自动 QA 评估模型（GAVA）中的监督进行知识转移，比以往的基于 AS2 模型的抽取式 QA 方法有更高的准确率，方法包括：用由 GAVA 标记的 GenQA 模型生成的答案增加训练数据，使用 GAVA 分数加权生成器损失以及动态标记生成的答案。

May, 2023

本文通过提出一种基于序列到序列变换器模型的答案生成方法，从 AS2 候选中生成答案，并在三个英文 AS2 数据集上进行测试，结果显示本方法的准确率在现有技术水平上提高了 32 个绝对值的水平。

Jun, 2021

该论文通过显式地合并问题上下文和答案上下文，利用最优传输和图卷积网络来改进候选句的评分，进而在 WikiQA 和 WDRASS 等流行的 AS2 基准测试上取得了最新的最佳效果。

Jun, 2023

本文研究了答案句子选择（AS2）模块中选择正确答案句子的联合模型，构建了一个三路多分类器，以支持、反驳或与其他答案中性的方式决定一个答案。通过将最新的 AS2 模型与多分类器和联合层相结合，实现了效果显著的答案集的开发，并在 WikiQA、TREC-QA 和实际数据集上进行了测试，结果表明它具有新的 AS2 技术水平。

Jul, 2021

我们提出了一种无监督训练 QA 模型的方法，该方法使用生成的伪数据训练，为 QA 训练生成问题，通过对相关检索到的句子应用简单模板，而非原始上下文句子来实现，从而使模型能够学习更复杂的上下文问题关系。 使用这些数据训练 QA 模型可在 SQuAD 数据集上获得 14％的 F1 分数相对提高，并且在答案为命名实体时提高 20％，从而实现无监督 QA 的最新性能。

Apr, 2020

该研究研究了基于图的方法，用于回答句子选择 (AS2)，这是构建基于检索的问答系统的重要组成部分。我们的模型创建一个相关训练图，以执行更准确的 AS2。实验表明，我们的方法一致优于最先进的模型。

Feb, 2022

本文介绍了一种在 AS2 模型中有效地结合上下文信息的方法，通过使用无监督相似性技术从源文档中提取相关句子，然后将其馈送到经过微调的高效 transformer 架构中，我们的最佳方法使用多路注意力框架来有效地编码上下文，改进了 AS2 的非上下文状态最佳结果的 6％至 11％，并对系统延迟影响不大。

Jan, 2021

本文探究了迁移学习在问题回答方面的应用，使用两种问题回答模型，在 TOEFL 和 MCTest 数据集上通过简单的迁移学习技术从 MovieQA 数据集中学到的知识显著提高了性能，尤其是其中一种模型在所有目标数据集上取得了最佳效果，对于 TOEFL 听力理解测试，它的性能比以前的最佳模型提高了 7%。最后，我们证明了即使在目标 QA 数据集示例的正确答案不可用的无监督情况下，迁移学习也是有帮助的。

Nov, 2017

该研究提出了三个预训练目标，旨在模拟上下文 Answer Sentence Selection 的下游微调任务，并应用于 RoBERTa 和 ELECTRA 等模型，达到一定的准确率提升。

May, 2023

本文利用数据编程技术设计了一种有效方法，可以使用知识库获得的上下文信息来进行 transformers 在回答句子选择 QA 任务中的精细调整，模型优化效果在 WikiQA 和 TrecQA 基准测试中比 SOTA transformer 方法提高了 2.0％ p@1、1.3％ MAP、1.1％ MRR、4.4％ p@1、0.9％ MAP、2.4％ MRR，同时添加了自己的 Alexa QA 数据集。该方法能够使得模型在已有 transformer 工作流程上增加使用知识库上下文后的改进结果，而无需附加任何的延迟或实施成本

Mar, 2022