这是陈丹琦博士（四舍五入可以算作学姐了？）的论文。
论文名称：通过阅读维基百科来回答开放性问题。
1.维基不想其他的kb数据库那样方便计算机处理，（kb中的关系对于open-domin的问答很稀疏，并不好用）
2.定义一个过程叫做machine reading at scale (MRS):In order to answer any question, one must first retrieve the few relevant articles among more than 5 million items, and then scan them carefully to identify the answer.
3.像 IBM’s DeepQA，它其实是依赖于大量的知识，不仅仅是维基，还包括文章、新闻等。但是我们现在想通过单一的信息来源，比如维基，获取答案，这就要求机器一定能读懂文章，而不是简单的信息检索。
4.现有的一些数据集，比如SQUAD，它们的设置是答案就在给定的一小段文本中，这就有点easy了。现有的模型已经能够做得很好。
5.我们的模型分为两部分：Document Retriever和 Document Reader，其中Retriever已经优于维基内置的搜索引擎。并且我们的效果经过了多个数据集的检验，重点是我们用了multitask learning。
那么什么是multitask learning呢？
https://zhuanlan.zhihu.com/p/27421983该文章讲的很详细，总结来说就是 主任务（main tasks）使用相关任务（related tasks）的训练信号（training signal）所拥有的领域相关信息（domain-specific information），做为一直推导偏差（inductive bias）来提升主任务（main tasks）泛化效果（generalization performance）的一种机器学习方法。
6.回到论文中来，