训练大规模问答系统是一项复杂的任务，因为训练数据源通常只能覆盖可能问题的一小部分范围。本文研究了多任务学习和迁移学习对简单问答的影响；在这种设置下，回答问题所需的推理相对容易，只要能够根据问题检索到正确的证据即可，但在大规模条件下这可能会变得困难。为此，我们引入了一个包含10万个问题的新数据集，并将其与现有的基准测试结合使用。我们在Memory Networks（西斯通等人，2015年）的框架内进行这项研究，因为这一视角使我们最终能够扩展到更复杂的推理，并展示了Memory Networks可以成功训练以实现卓越性能。