Fluent Response Generation for Conversational Question Answering
seq2seq模型，----针对span 抽取模型的对nlg的忽略，生成流畅的模型，
训练目标是：
对问题+专家短语（简单答案），预测出一个流畅的合法句子。
思路为： 使用句法迁移模型或者指针网络生成多个句子，再使用分类器选择最优的句子。
会涉及到词向量的迁移。
20210113 整理
Good Question! Statistical Ranking for Question Generation
2010
问题生成
论文主要论述三种QA的思路：
1. 分两步模型： step 1 检索阶段，从大量的包含答案的文档中检索出top n。主要使用算法为，TF-IDF或BM25等。 step 2. 阅读模块从给定的段或文档中读取答案。一般使用自然语言的月度模型
2. 低密度检索和端到端训练：
使用低维向量训练检索器，并在低维向量空间检索。通常会包括庞大的向量空间
3. 无训练模型
使用大规模的预训练模型作为知识库，在推断的时候不再访问文本数据。
20210113整理
MIX : a Multi-task Learning Approach to Solve Open-Domain Question
Answering
1.
整理20211014
Squad: 100,000+ questions for machine comprehension of text
hrase-Indexed Question Answering: A New Challenge for Scalable Document Comprehension
定义Extractive question answering任务为一个对于（s,e）的分布概率。
目标是：预测目标，在给定参数下，使得记分函数分别最大的a为预测值。
1. 设计计分函数，以往的思路是，使用问题和答案做一个注意力连接。缺点在于，1. 预训练要计算问题对于每个文档，2. 不能独立的访问模型理解的文档。
2. 新的思路是把计分函数分为两部分：G(Q),H(D,a), 积分函数为G,H的內积。H独立与问题来建模文档。
语言理解能力与独立于终点任务的文本表示相关。
模型架构的主要组件为：1. 问提表示，使用LSTM+注意力，2. 文档表示 使用LSTM+注意力。3. 答案表示 a(s,e),
整理20210118
QANET: COMBINING LOCAL CONVOLUTION WITH GLOBAL SELF-ATTENTION FOR READING COMPREHENSION
BI-DIRECTIONAL ATTENTION FLOW FOR MACHINE COMPREHENSION
4. Attention Flow Layer.： 与传统的注意力模式不同。不是把查询向量和上下文向量统计到一个单一的向量中。
输入是上下文H,查询U，输出是向下文U的对查询相关的表示
从两个方向计算上下文: 上下文-查询， 查询到上下文
整理20210122
Exploiting WordNet Synset and Hypernym Representations for Answer Selection
1. wordNet在概念和语义关系上增加知识。使用同义词和上位词增加词语的表示，并统计这个两个概念对于注意力机制算出的分数。
算法包括四部分：wordNet增强的词表示，句子编码器，Wordnet增强的注意力机制，分层的文档编码
Answer selection 被称为看作，从文档中选择一个句子，并进行排序的问题，
不同于基于社区的问答系统，所有的答案来自于同一篇文档，并且候选答案于问题语义相关。
整理20210213
Point-of-Interest Oriented Question Answering with Joint Inference of Semantic Matching and Distance Correlation
目标是：通过生成一系列的兴趣点来回答用户提出的问题。比如在，纽约附近有什么好玩的？回答可能是一些列的兴趣点，比如一系列的餐厅，饭店等。
Answering Product-related Questions with Heterogeneous Information
产品评论相关问答，
自然文本和属性值---优势在于一个集成的框架处理不同的信息源。
Bridging Question Answering and Discourse: The case of Multi-Sentence Questions
多句问答
Contextualized Sparse Representations for Real-Time Open-Domain Question Answering
通过检索的方式，在以前的检索的算法精确度低，通过上下文的表示来提高算法的精度。
Real-Time Open-Domain Question Answering with Dense-Sparse Phrase Index 【2019】
端到端的检索方式。
Reading Wikipedia to Answer Open-Domain Questions 【2017】
稀疏向量表示
Learning to Identify Follow-Up Questions in Conversational Question Answering
后续问题的解决
Query Graph Generation for Answering Multi-hop Complex Questions from Knowledge Bases
Bridging Anaphora Resolution as Question Answering
回指，一个名称，在前面段落中，代表什么？
Span Selection Pre-training for Question Answering
bert用于阅读理解，不是生成答案，而是在span 抽取方式。
DeFormer: Decomposing Pre-trained Transformers for Faster Question Answering
对bert模型的改进，是的更加的快，并且该变了他的目标loss
Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings
Template-Based Question Generation from Retrieved Sentences for Improved Unsupervised Question Answering
无监督学习，给定一段文字，抽取一个问答对，是的答案是给定的一段里面。
Crossing Variational Autoencoders for Answer Retrieval
用深度学习对语义进行解析，-----todo
FEQA: A Question Answering Evaluation Framework for Faithfulness Assessment in Abstractive Summarization
一种新的评估方式
Logic-Guided Data Augmentation and Regularization for Consistent Question Answering
很多问题，需要定性、定量或逻辑比较在两个实体或事件之间。
Probabilistic Assumptions Matter: Improved Models for Distantly-Supervised Document-Level Question Answering
远程监督+span抽取方式
Selective Question Answering under Domain Shift
在没有正确答案的死后，如何弃权，以提高准确性
The Cascade Transformer: an Application for Efficient Answer Sentence Selection
Transformers to Learn Hierarchical Contexts in Multiparty Dialogue for Span-based Question Answering
WinoWhy: A Deep Diagnosis of Essential Commonsense Knowledge for Answering Winograd Schema Challenge
Harvesting and Refining Question-Answer Pairs for Unsupervised QA
对无标注问答对的处理
R4C: A Benchmark for Evaluating RC Systems to Get the Right Answer for the Right Reason
一个评估方式
Aligned Dual Channel Graph Convolutional Network for Visual Question Answering
给定一个图片做问答
Multimodal Neural Graph Memory Networks for Visual Question Answering
给图片做问答
QUASE: Question-Answer Driven Sentence Encoding
qa是否对其他的任务有效？
Talk to Papers: Bringing Neural Question Answering to Academic Search
从一堆论文中精确的找出答案，
Entity-Enriched Neural Models for Clinical Question Answering
在医学问答中，对主任务加入逻辑形式的训练目标，并组成逻辑增强模型
视频
Using Large Pretrained Language Models for Answering User Queries from Product Specifications
对产品规格的问答
SimsterQ: A Similarity based Clustering Approach to Opinion Question Answering
相似的基于观点的问答
Answering Complex Questions by Combining Information from Curated and Extracted Knowledge Bases
策划回答复杂问题
TYDI QA: A Benchmark for Information-Seeking Question Answering in Typologically Diverse Languages
Learning to Explain: Datasets and Models for Identifying Valid Reasoning Chains in Multihop Question-Answering
为什么答案是正确的？
Self-Supervised Knowledge Triplet Learning for Zero-Shot Question Answering
所有问答系统是推广为出现问题。标注昂贵，而且还可能引起非计划内的偏差。一种启发式的方法。
More Bang for Your Buck: Natural Perturbation for Robust Question Answering
标注很昂贵，提出人工选择一些种子，并在相反的一些方向做出一些扰动，来够着语料，
Event Extraction by Answering (Almost) Natural Questions
在时间抽取过程中，实体识别是一个重要的步骤，因为可能导致错误传递，
把他看成问答方式，按照端到端的方式进行提取。
MUTANT: A Training Paradigm for Out-of-Distribution Generalization in Visual Question Answering
视觉问答方面
Look at the First Sentence: Position Bias in Question Answering
在一般的qa模型里面，抽取式问答，预测位置。位置便宜较大的情况下，如何考虑，测试偏移的问题
ProtoQA: A Question Answering Dataset for Prototypical Common-Sense Reasoning
问答数据库
Unsupervised Adaptation of Question Answering Systems via Generative Self-training
Scalable Multi-Hop Relational Reasoning for Knowledge-Aware Question Answering
推理方面的，
If Beam Search is the Answer, What was the Question?
产品相关的问答，如何取得一个准确的问答，
Context-Aware Answer Extraction in Question Answering
基于上下文的问答抽取
What do Models Learn from Question Answering Datasets?
Don’t Read Too Much Into It: Adaptive Computation for Open-Domain Question Answering
开发领域的问答读写与机器阅读的区别在于，答案是从文档还是从段落中读取。
3、在ODQA中调整计算。对小答案集合中预料在每个transform层中建立Tower，以减少计算。记录被处理的tower和最后的值，
Deeply Embedded Knowledge Representation & Reasoning For Natural Language Question Answering: A Practitioner’s Perspective
知识的表示和推理很难有一个好的鲁棒性。目前有一些追求通用的表示，但是也与现实有一定的差距。
目标是，不依赖于解析建立一个知识推理和表示模型。使用神经网络代替解析。 目标神经网络和一个可解释的逻辑形式。
对知识库的描述：如果存在问题和知识被表示为R，则存在算法A，能够计算出答案。目前没有一个端到端的模型能保存精度对其进行表示。
提出一个知识表示和推理方案，并使得他在神经网络中模拟运行。
有三种设计方案： 1. 如果编码一个符号到要给表示到向量R里面，使得特定的过程能把他解释为原始符号。2. 构造一个神经网络作为对向量R的一个反馈。 3，使用算法进行计算。
A KR Solution：是一个解析转化器：把自然语言输入和一些规则，然后得到给定的答案。
数据的表示和推断，
----表示的形式，
----推断：
They Are Not All Alike: Answering Different Spatial Questions Requires Different Grounding Strategies
Multi-Task Learning using Dynamic Task Weighting for Conversational Question Answering
多任务的组合方式
Learning Semantic Textual Similarity with Structural Representations
Using the Poly-encoder for a COVID-19 Question Answering System
Poly-encoders: architectures and pre-training strategies for fast and accurate multi-sentence scoring
两种典型的fine-ture结构，双向编码和交叉编码。
1148
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
