1、Pre-training on high-resource speech recognition improves low-resource speech-to-text translation
迁移学习的一种，有代码。顾名思义。
https://aclweb.org/anthology/papers/N/N19/N19-1006/
2、Topic-Guided Variational Auto-Encoder for Text Generation
一种用于文本生成的主题引导的变分自动编码器（TGVAE）。神经主题模块和基于VAE的神经序列模块是联合学习的。
https://aclweb.org/anthology/papers/N/N19/N19-1015/
有代码。
3、Simple Question Answering with Subgraph Ranking and Joint-Scoring、
基于知识图的简单问答（KBSQA）问题。
https://aclweb.org/anthology/papers/N/N19/N19-1029/
通过新颖的排名方法改进子图选择，并通过提出具有新的损失函数的联合评分CNN模型来利用主题 - 关系依赖性，该模型强制执行分数的良好顺序。我们的方法在SimpleQuestions数据集上实现了新的技术水平（准确度为85.44％）。
但这个没有代码，看一看有没有别的SQA的工作。
数据集：
Q/A 数据集：
1、FreebaseQA: A New Factoid QA Data Set Matching Trivia-Style Question-Answer Pairs with Freebase.
2、ComQA: A Community-sourced Dataset for Complex Factoid Question Answering with Paraphrase Clusters