摘要

长篇问答（Long-form Question Answering, LFQA）旨在为给定问题生成一段长度适中的回答。尽管当前基于大规模预训练生成模型的LFQA方法在生成流畅且具有一定相关性的内容方面已取得显著成效，但一个核心挑战在于如何生成忠实度高、幻觉内容较少的答案。为此，我们提出了一种全新的端到端框架，该框架联合建模答案生成与机器阅读过程。其核心思想是向生成模型中引入细粒度、与答案高度相关的关键信息，从而强化对事实性内容的聚焦与依赖。在ELI5和MS MARCO两个主流LFQA数据集上的实验结果表明，我们的方法在自动评估与人工评估指标上均显著优于多个强基准模型，展现出卓越的性能。进一步的详细分析也验证了该方法在生成流畅、相关且更具忠实性的回答方面具有突出能力。