本文介绍一种用于自然语言界面的结构化查询的方法，解决有限数据领域适应问题，包括源领域语义解析的有效通用知识学习和目标域的数据增强，使用 SQIN 和 AugmentGAN 方法提高学习效果，在 GeoQuery、Overnight 和 WikiSQL 上获得了最先进的性能结果。

Dec, 2018

本研究提出了一种基于 instruction-tuning 语言基础模型的 Zero-shot 能力和称为 LATIN-Prompt 的布局及任务感知的指令提示的方法，通过 OCR 工具中适当的空格和换行符从文本段中恢复布局信息，通过具体的任务描述确保模型生成满足格式要求的答案，提高了指令调整语言基础模型在文档图像问答上的零 - shot 性能，表现与基于预训练 - 微调范例的最新技术水平相当。

Jun, 2023

本文研究指令优化对增强模型转移学习和增强其在不同自然语言处理任务方面的效果，并表明在使用指令的预微调下，模型在单任务和多任务方面的性能都得到了提高。

May, 2023

通过在文档训练之前进行问答配对，提出了一种称为 PIT（pre-instruction-tuning）的方法，能够显著提高大型语言模型从新文档吸收知识的能力，比传统的指令调整方法的性能提高了 17.8%。

Feb, 2024

本文提出 Comprehensive Instruction (CINS) 方法，利用预训练语言模型 (PLMs) 的额外任务特定指令，用序列到序列模型 (T5) 解决 ToD 中的三个任务，并在少量验证数据的现实少样本学习场景中进行了实验。实证结果表明，相比于使用原始输入或短提示调整 PLMs 的技术，该方法不断改进，并显著提高了 ToD 任务的性能。

Sep, 2021

TANQ 是第一个需要从多个源中提取信息构建表格作为答案的开放领域问题回答数据集，我们在开放、正式和闭卷的场景中使用顶尖的语言模型进行评测，最好的基准模型 GPT4 的综合 F1 得分为 29.1，相较于人类表现差了 19.7 个百分点，我们分析了在这个任务中所需的不同技能以及模型生成答案的常见失败，指出 TANQ 是一个具有许多挑战的复杂任务。

May, 2024

提出了一种新的口语会话问答任务（SCQA），旨在使系统能够模拟复杂的对话流程，以便处理音频记录中的对话式问题，并探索从不同模态提供更多线索，通过 DDNet 方法有效地摄取跨模态信息以实现语音和语言模态的细粒度表示，并通过双向关注机制鼓励更好的音频和文本之间的对齐，以简化知识转移过程。通过 Spoken-CoQA 数据集，证明了跨模态信息融合的必要性，同时证明了提出的方法在口语会话问答任务中具有卓越的性能表现。

Apr, 2022

该研究提出了一种名为 CADNet 的方法，该方法使用上下文化注意力分层蒸馏技术，从而在 SCQA 任务中更好地抵御 ASR 噪声，最终在 Spoken-CoQA 数据集上实现了显著性能提升。

Oct, 2020

本研究提出了一种新的口头对话问答任务，能够使问答系统对给定的语音话语和文本语料库建模，其中使用了新的统一数据精炼方法 DDNet 直接融合音频文本特征以减少语音识别错误率，同时运用 Spoken-CoQA 数据集评估系统的对话式互动能力，并在实验中取得了优异的性能表现。

Oct, 2020

本文提出了一个新的 QA 数据集 TAT-QA，并提出了一个新的 QA 模型 TAGOP，该模型可以同时推理表格和文本的含义，但该模型的 F1 值达到了 58.0％，距离专家水平还有较大的差距（90.8％），本文提供的 TAT-QA 可以作为处理混合形式数据的 QA 模型的基准。

May, 2021