介绍了 TypeNet 数据集，该数据集由 1941 个类型组成，通过人工注释从 1081 个 Freebase 类型映射到 WordNet。本文还探讨了几种与先进系统可比的模型，以及在标准提及类型损失的基础上结合层次结构损失的技术，是未来研究的第一步。

Nov, 2017

本文提出一种新的层次实体分类方法，该方法在训练和预测期间均考虑本体结构，其中我们的新颖多级学习排名损失根据类型树将正类型与负同级进行比较；在预测期间，我们定义一个由粗到细的译码器，基于已预测的父类型限制每个本体级别上的可行候选项。我们在多个数据集上实现了最先进的性能，尤其是在严格准确性方面。

Apr, 2020

该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

Sep, 2019

本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。

Mar, 2019

通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

Sep, 2019

介绍了一种新的实体类型任务，使用头词来进行大规模远程监督，利用多任务目标训练模型，实现对实体类型的预测，对这一方法进行了实验评估并提供相关数据和模型。

Jul, 2018

本文提出了一种无监督实体类型框架，通过结合符号和分布语义，使用语言结构学习通用的嵌入，并开发了一种新型的联合层次聚类和链接算法来对所有提及进行类型。该框架不依赖于任何注释数据、预定义的打字架构或手工特征，因此可以快速适应新的领域、体裁和语言。同时，它具有很大的灵活性，可以包括语言结构等来改进特定上下文表示。

Mar, 2016

本文研究了采用双曲嵌入表示大型实体类型库中的层次信息，以捕捉上下文中提及和目标类型之间的层次关系，从而提高实体类型命名性能。研究表明，双曲模型在不同的技术和数据集上表现出提高的效果，但在技术代码和数据集细节方面的差异也存在影响。

Jun, 2019

DeepType 是一种将符号信息显式地集成到神经网络推理过程中的模型，它通过构建类型系统并将其用于限制神经网络输出的符号结构来解决判断结构以及有效地捕捉信息的问题。在实验中，它用于 Entity Linking 任务，优于人工设计类型系统或最近使用深度学习相似性度量的方案，同时使用符号信息可以无需重新训练即可集成新实体。

Feb, 2018

本文研究自然语言中实体的多层表示学习方法，包括字符级、单词级和实体级。我们比较了各级别上的现有学习方法，确认每个级别的表示都提供互补信息，同时提出将三个级别的表示联合起来可以大幅度提高细粒度实体类型识别的性能，而添加实体描述信息能够进一步增强多层次的实体表示。

Jan, 2017