本文提出了 ConvADR-QA，该方法在 Open-domain conversational question answering 中使用历史答案来提高文本检索和回答效率。通过引入 teacher-student 框架来减少上一轮的噪声，实验结果表明我们的模型在提取式和生成式读者设置方面均优于现有的基线模型，充分证明了历史答案在开放领域会话问答中的有效性。

Nov, 2022

本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。

May, 2020

通过研究状况下的密集通道检索（DPR）检索器和解码中的融合（FiD）阅读器的流程，我们提出和评估了强大而简单高效的基准线，通过在检索器和阅读器之间引入快速重新排列组件并执行有针对性的微调步骤，改进了现有方法的性能，并减少了阅读器的延迟 60%。

Oct, 2023

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

本文提出了一种基于数据和文本的统一问答框架 UDT-QA，并使用数据到文本方法将 Wiki 百科中的表格和 Wikidata 中的图表达为口语化信息，以扩展知识索引。实验证明，该方法取得了自然问答 (Single-model state-of-the-art) 的最佳成果，并表明对于调整和热插拔的两种情况，口语化知识的优先考虑可以优化答案推理。

Oct, 2021

提出一种新颖的开放领域问答框架，使用中介模块对异构知识源上的单跳 / 多跳问题进行回答。在预训练语言模型的基础上，通过将检索到的证据与其相关的全局上下文链接到图中，并将它们组织成候选证据链，实现了竞争性的性能。在两个 ODQA 数据集 OTT-QA 和 NQ 上，我们的模型显著优于之前最先进的方法，在 OTT-QA 上具有 47.3 的精确匹配分数（相对增益 45%）。

Oct, 2022

我们提出了一个面向开放域会话问答 (OCQA) 的会话动作链 (Conv-CoA) 框架，用于解决现有文献中的三个主要挑战：与实时或领域事实不一致的虚假幻觉、会话场景中弱推理能力以及在会话信息检索方面表现不理想。我们的关键贡献是一种动态推理检索机制，它提取问题的意图，并将其分解为通过系统提示、预先设计的操作、更新上下文知识集 (CKS) 和一种新颖的 Hopfield 检索器来解决的推理链。在方法论上，我们提出了一种资源高效的 Hopfield 检索器，以增强我们的操作中会话信息检索的效率和准确性。此外，我们提出了一种会话多参考信任分数 (Conv-MRFS)，以验证和解决会话中检索到的知识与答案之间的冲突。在实证方面，我们在五个不同的研究方向和两个公共基准上将我们的框架与 23 种最先进的方法进行比较。这些比较表明我们的 Conv-CoA 在准确性和效率两个维度上优于其他方法。

May, 2024

本研究提出了一种模块化召回器，使用自监督预训练和多个开放领域问题回答数据集的微调，实现了最先进的检索性能。

May, 2023

本文研究了利用随机策略训练模型存在识别高语义重叠无关文本摘录能力不足的重要局限性，并发现了一种有效的方法来训练模型以识别此类摘录，通过利用 SQuAD 2.0 数据集的不可回答配对，我们的模型在面对这些具有挑战性的文本摘录时实现了近乎完美的准确性（约 100%）。

Mar, 2024

CONQRR 使用强化学习训练了一个新的查询重写模型，使得原本用于非对话查询的信息检索引擎能够在对话的语境下得到有效的应用，并在最近的 CQA 数据集中实现了最新的成果，同时对于领域外的对话和零查询重写监督具有可靠性。

Dec, 2021