提出一种通过生成 dialog 数据来解决 ConvQA 系统缺乏训练数据的问题的技术 --dialog inpainting，并将其应用于来自维基百科和互联网的篇章中，生成了两个数据集：WikiDialog 和 WebDialog，共 19m 条对话数据，相对于现有数据集增加了 1000 倍，进而预训练 ConvQA 检索系统，在三个基准测试中（QReCC，OR-QuAC，TREC CAsT）实现了显著提升，最高可达 40%。

May, 2022

为了解决 Conversational question answering (ConvQA) 中的数据稀缺问题，我们提出了一种名为 Dialogizer 的新型框架，能够从文本源自动生成具有高上下文相关性的 ConvQA 数据集。框架中结合了两种训练任务：question-answer matching (QAM) 和 topic-aware dialog generation (TDG)。在推理阶段，基于生成的问题的上下文相关性进行重排。通过使用多个领域的文档作为主要来源，使用我们的框架，我们生成了四个 ConvQA 数据集。通过多样化指标的自动评估以及人工评估，我们验证了我们提出的框架相较于基线对话修复模型具有更高质量的数据集生成能力。

Nov, 2023

该研究介绍了 QAConv，这是一个新的基于对话的问题回答（QA）数据集，通过长、复杂、异步和涉及强领域知识的信息型对话提供了一个新的训练和评估测试平台来促进 QA 在对话研究中的应用。

May, 2021

对多轮对话数据生成进行了系统综述，包括开放领域对话系统、任务导向对话系统和信息搜索对话系统，提出了一个概括对话数据生成系统主要原则的通用框架，并探讨了合成对话数据的评估指标和方法、当前领域的挑战以及未来研究的潜在方向。

May, 2024

本研究通过自监督学习方式，包括不连贯性识别，插入检测以及问题预测，明确捕捉口语对话文档之间的指代消解和对话连贯性，提高了口语对话的意义和连贯性。在 Spoken-CoQA 数据集上取得了最先进的结果。

Jun, 2021

本文介绍了如何使用合成领域特定数据集来改进问答的性能，通过实验表明使用该方法 fine-tune 下游模型的表现得到了显著的提升。

Nov, 2022

本论文介绍了一种利用输入段落生成大规模对话问答数据集的新型框架，该框架从段落中提取值得询问的短语，根据先前的对话生成相应的问题，并在生成问题后修订所提取的答案，从而显著提高合成数据的质量。实验结果表明，我们的简单答案修订方法可以带来显著的改进，并且我们证明了我们的框架可以有效地用于对话问答的领域自适应。

Sep, 2022

本文提出了一种将 QA 应答置于 SEQ2SEQ NLG 方法内以生成流畅语法的答案，同时保持正确性的方法，并使用数据增强和 BERT-based 分类器对其进行排名，人工评估结果表明该模型在对话响应生成方面优于基线模型。

May, 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

本研究提出了 CONVINSE，一种面向杂多数据源的对话问答系统，对来自知识库、文本和表格等多种异构数据源相应回答问题，并通过构建 ConvMix 基准测试平台，验证了该系统的优越性能。

Apr, 2022