本篇论文提出了一种新的深度学习模型，用于联合文档级别实体消歧，该模型以学习到的神经表示为基础。该方法通过实体嵌入，对本地上下文窗口进行神经注意机制，以及可微分的联合推理阶段进行消歧，将深度学习的优势与传统的图形模型和概率提及实体映射的方法相结合。广泛的实验表明，我们能够在中等计算成本下获得有竞争力或最先进的准确性。

Apr, 2017

本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010 数据集的最新技术水平。

Jan, 2016

CLOCQ 是一种基于 KB 感知信号的高效方法，通过 score-ordered KB 列表的前 k 个查询处理器，将语义匹配、与问题相关性、候选项间的协同性以及 KB 图的连接性信号相结合，剪枝掉搜索空间中的非相关部分，实验表明 CLOCQ 在复杂问题的 QA 基准测试中表现优于现有的基线。

Aug, 2021

本篇论文提出了多任务模型将直接语音翻译和命名实体识别相结合，并与传统串行方法进行了对比，在不降低翻译质量的情况下，在命名实体识别任务上显著提高了性能。

Oct, 2022

本研究提出了一种基于 BERT 的全球实体消岐模型，通过考虑实体作为输入 token 来捕捉全局上下文信息，通过对称地解决提到的实体并在每个步骤中使用已解决的实体作为输入来解决任务，使用维基百科获得大量的实体注释语料库进行模型训练，结果在五个标准 ED 数据集上实现了新的最先进结果。

Sep, 2019

通过引入无监督变分自编码器和外部类别内存，本文提出了一种新的实体消岐方法，名为 CoherentED，以提高实体预测的一致性。该模型在流行的实体消岐基准测试中取得了最新的成果，并在具有挑战性的长文本场景中表现出卓越的性能。

Nov, 2023

本文解决了 Entity Disambiguation 方向在仅仅使用 Wikipedia 标题作为文本表示的情况下，标题信息不足或相互区分度不够的局限性，并探讨了更加丰富的文本表达方式如何解决这一问题。作者认为，相比其他方法，采用 extractive formulations 和更具表达力的文本表示策略可以使模型在处理实体消歧任务上发挥更好的性能，从而在几个标准任务上取得了前沿的效果。

Oct, 2022

该研究提出了一种多任务神经网络方法，通过对话系统中的语音识别输出进行上下文语言纠正和语言理解以改善两个任务的性能，从而提高自动语音识别的质量。

Jan, 2020

该论文介绍了一种基于深度神经网络和语义知识图谱的深层语义相关性模型（DSRM），用于测量实体之间的语义相关性以进行话题连贯性建模，相比于现有方法，DSRM 在两个公开数据集上减少了 19.4％和 24.5％ 的实体消岐错误率。

Apr, 2015

本研究提出一种基于强化学习的方法，将实体链接转换为序列决策问题，全局考虑前面提及的实体，并探索当前选择对后续决策的长期影响，实验证明该模型比现有系统表现更好且具有更好的泛化性能。

Feb, 2019