Leseverständnis-QA-Aufgaben haben in letzter Zeit an Popularität gewonnen, jedoch haben die meisten Arbeiten sich auf faktensuchende extraktive QA konzentriert. Wir fokussieren uns stattdessen auf eine anspruchsvollere mehrstufige generative Aufgabe (NarrativeQA), die das Modell dazu veranlasst, unzusammenhängende Informationen im Kontext zu analysieren, zu sammeln und zu synthetisieren, um eine Antwort zu erzeugen. Diese Art der mehrstufigen Analyse erfordert oft auch das Verstehen impliziter Beziehungen, die Menschen durch externe, allgemeine Alltagswissen lösen. Zunächst präsentieren wir ein starkes generatives Baseline-Modell, das einen Mehrfach-Aufmerksamkeitsmechanismus verwendet, um mehrere Schritte der Analyse durchzuführen, und einen Pointer-Generator-Dekoder, um die Antwort zu synthetisieren. Dieses Modell übertrifft die bisherigen generativen Modelle erheblich und ist mit den aktuellen Standards der Span-Vorhersagemodelle wettbewerbsfähig. Als Nächstes führen wir ein neues System zur Auswahl von fundiertem mehrstufigem relationalem Alltagswissen aus ConceptNet ein, das auf einem punktweisen gegenseitigen Informationsgehalt und einer Term-Frequenz-basierten Bewertungsfunktion beruht. Schließlich nutzen wir dieses extrahierte Alltagswissen effektiv, um Lücken in der Analyse zwischen den Kontextschritten zu schließen, indem wir einen selektiv-gesteuerten Aufmerksamkeitsmechanismus verwenden. Dies verbessert die Leistung des Modells erheblich (auch durch menschliche Bewertung bestätigt) und etabliert einen neuen Stand der Technik für diese Aufgabe. Darüber hinaus zeigen wir vielversprechende erste Ergebnisse zur Übertragbarkeit unserer Erweiterungen des Hintergrundwissens, indem wir Verbesserungen beim QAngaroo-WikiHop-Datensatz nachweisen, einem weiteren Datensatz für mehrstufige Analyseaufgaben.