Retrieval Question Answering paper

层级Transformer多文档摘要

Hierarchical Transformers for Multi-Document Summarization

段落排序-> 取top段落 -> encoder -> decoder -> summary

BART：在长文建模效果不好，主观性、事实一致性好
GPT：事实性、忠实度、一致性差。
改进：层次的多文档编码器。

检索辅助生成

REALM: Retrieval-Augmented Language Model Pre-Training

同时预训练检索器和语言模型，可以联合训练。两个模型的更新：检索用Maximum Inner Product Search MIPS; 每训练几百步异步更新索引和embedding系统。更新后的索引和embedding系统可以更好的支持模型。

1. 预训练时，使用无监督的数据MASK部分数据。先从检索器中根据MIPS检索出相关的paragraph，把句子和相关paragraph送到encoder中，预测被[MASK]的数据。 2. finetune时，使用有监督的QA数据集。先从检索器中根据MIPS检索出相关的paragraph，把句子和相关paragraph送到encoder中，预测answer。

Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（RAG）

根据 query，从检索器中用MIPS检索出最相关的topN个document，根据N个document生成。利用多个document生成的方式有两种，RAG-Seq