【摘要】问题生成的目标是生成有意义且流畅的问题，以增加可用数据来解决问答类型标注语料库的缺乏问题。以带有可选答案的未注释文本作为输入内容，问题生成可以根据是否提供答案分为两种类型：有答案型和无答案型。即使在提供答案的情况下，生成问题也是具有挑战性的，更不用说在没有提供答案的情况下，对于人类和机器来说生成高质量的问题更加困难。为了解决这个问题，我们提出了一种名为QGAE的新型端到端模型，它能够通过直接提取候选答案，将无答案的问题生成转化为有答案的问题生成。这种方法有效地利用未标记的数据来生成高质量的问答对，其端到端的设计使其比多阶段方法更加方便，后者需要至少两个预训练模型。此外，我们的模型获得了更好的平均分数和更大的多样性。我们的实验结果表明，QGAE在生成问答对方面取得了显著的进展，成为了一种充满潜力的问题生成方法。