本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。

Jan, 2018

本文提出了一个新的任务——对话式问题生成（CQG），研究了如何使用增强动态推理（ReDR）网络来生成针对给定文本和对话历史的问题，使用QA模型提供反馈，经过与各种基线和模型变量的比较得出新方法的有效性，并将其应用于SQuAD的多轮问答对话中。

Jul, 2019

本文介绍了ParaQG, 一种基于序列到序列技术的Web服务，通过交互式界面，从句子和段落中生成问题，并利用多种分组和过滤技术使生成问题的过程用户友好化。

Sep, 2019

本文提出了一种名为ACS-QG的问题生成系统，使用信息抽取、神经网络生成器和质量控制器自动生成高质量、多样化的问题-答案对，该系统超越了现有神经网络问题生成模型，并能从较少的数据中生成280万个高质量的问题-答案对。

Jan, 2020

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

本研究关注对话式问题生成作为一种产生训练和评估目的的合成对话的手段，并设计了ChainCQG作为一种跨多个对话回合学习问题-答案表征的系统，显著优于SOTA基线并能够生成各种类型的问题。

Feb, 2021

提出了一种具有层次变化的生成模型，利用潜在变量在三个层次上表示三元组的共享背景，并在PQ和QA对中使用一对多的语义映射，以解决在开放领域中生成问题的相关问题，并在大规模CQG数据集上进行实验验证。结果表明，该方法在流畅度、连贯性和多样性方面显著提高了问题质量。

Jun, 2021

本研究提出了一种名为CoHS-CQG的两阶段交谈问答生成框架，其中采用CoHS模块来缩短输入的上下文和历史，以优化对话对齐属性。该模型在CoQA的答案感知和答案不感知情况下均取得了最先进的性能。

Sep, 2022

本文提出了一种新的方法合成用于CQA的数据，其中包括开放式，封闭式和无法回答的问题，通过为每种问题类型设计不同的生成流程并将它们有效地结合在单个共享框架中，同时设计了分层回答分类模块，提高了合成数据的质量，手动检查发现我们的框架生成的合成数据具有非常类似于人类生成的对话的特征，在四个领域中，使用我们的合成数据训练的CQA系统的表现确实接近于使用人工注释数据训练的系统。

Oct, 2022

本研究针对传统对话问题生成（CQG）在引导对话达成特定结论方面的局限，提出了一种以结果为导向的对话问题生成（CCQG）方法。通过将蒙特卡洛树搜索（MCTS）算法与大型语言模型（LLMs）相结合，提出了主动对话问题规划与自我反思（PCQPR），有效预测未来对话并优化问题策略。研究结果表明，PCQPR在实现目标导向型对话方面显著优于现有方法，具有重要的应用潜力。

Oct, 2024