本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

Apr, 2021

本研究提出一种基于知识驱动的 follow-up question 生成框架，结合知识选择模块和生成模型来提高开放域 follow-up question 的质量。实验证明，与 GPT 基线相比，该框架在客观评估和人类实验评估中都具有更好的性能。

May, 2022

本文介绍了在开放领域信息寻求对话系统中提出澄清问题的任务，并提出了一个离线评估方法和一个命名为 Qulac 的数据集，以便评估模型的性能，其实验表明优质问题有助于提高信息检索的效率，并提出一个由三个部分构成的检索框架，该模型显著优于竞争基线。

Jul, 2019

人们对问题的追问是出于好奇心驱动，这反映出创造性的人类认知过程。我们引入了现实世界信息寻求型追问问题生成（FQG）任务，旨在生成追问问题，以深入理解初始问题和答案。通过收集 Reddit 论坛上提供对开放式问题的通俗解释的超过 3K 个真实世界（初始问题，答案，追问问题）元组，我们构建了 FOLLOWUPQG 数据集。与现有数据集不同，FOLLOWUPQG 中的问题使用了更多多样化的语用策略来寻求信息，并显示了更高级的认知技能（如应用和关联）。我们评估了当前的问题生成模型在生成追问问题方面的效果，探索如何基于分步演示生成特定类型的追问问题。我们的结果验证了 FOLLOWUPQG 作为一个富有挑战性的基准，因为模型生成的问题虽然足够，但在信息量和复杂性方面远离了人类提出的问题。

Sep, 2023

该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

May, 2018

本文提出一种基于语义知识排名模型和知识融合模型的开放领域问答方法，该方法通过整合基于 Lucene 的信息检索系统检索的知识和 BERT 语言模型中的外部检索知识，以正确回答问题。研究表明，基于知识融合模型的方法优于之前的尝试。

Apr, 2020

本文提出了一种新的 open domain question answering 方法，利用问题 - 回答对来同时学习 retriever 和 reader，将 Wikipedia 中的证据检索视为潜在变量，并通过 Inverse Cloze Task 进行预训练。我们的方法在五个 QA 数据集上进行测试，表明在用户真正寻求答案的数据集上，学习检索至关重要，完全匹配方面的得分比传统的 IR 系统（如 BM25）高达 19 个点。

Jun, 2019

提出了一种基于未监督信息检索和 BERT 模型的 FAQ 检索系统，用于回答用户的查询，该系统通过计算用户问题和问题之间的相似度以及问题和答案之间的相关性来检索数据。该系统在两个数据集评估中表现出了优异的性能表现。

May, 2019

该研究提出了一种基于知识图谱的问答生成系统（KBQG），通过识别结构化知识图中最相关的关系，以更细的粒度建模用户偏好，进而生成个性化的解决方案，从而实现更准确的推荐。在真实数据集的实验中，该系统的表现优于现有的对话型推荐系统。

May, 2021

为了实现对话系统的智能回答，文中设计了 DRKQG，该系统能够根据上下文信息，在没有提前准备知识库的情况下通过搜索引擎检索相关知识，并利用生成模块同时考虑上下文信息和检索知识生成回答，实验结果表明，该模块在自动评估和人工评估两方面取得了优异的成绩。

Jul, 2022