本文提出了一种新的分割超图表示法来建模大量实际数据集中普遍存在的重叠实体提及，在此基础上构建的模型具有比以前的模型更好的表示能力，且推理复杂度低。配合特征学习的神经网络，我们的模型在三个带有重叠提及的基准数据集上实现了最新的性能。

Oct, 2018

提出了一种新的基于 span 的模型，旨在准确地识别重叠和不连续的命名实体，并通过关系分类判断实体片段之间的关系。实验结果表明，这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。

Jun, 2021

该研究聚焦于识别不连续实体，通过使用新的超图表示方法来编码不连续且重叠的实体，形成一个独特的模型。研究结果表明，该模型在处理大量不连续实体的数据时显示出较强的优势。

Oct, 2018

本论文介绍了一种可扩展的过渡算法，用于模拟实体提及可以递归包含其他提及的嵌套结构，其在 ACE 数据集上的最新结果表明了其探测嵌套提及的有效性。

Oct, 2018

本文提出了一种神经网络模型来识别医学文档中具有不连续序列和重叠结构的实体，通过将这个问题分解成两个子任务：检测所有重叠跨度，并将这些跨度组合成不连续的实体。使用两个神经组件学习这些子任务的过程，并能够在标准数据集上实现最先进的性能。

Sep, 2019

本篇论文提出了三种基于神经网络的提及检测方法，并在共指消解和 NE 嵌套任务中进行了评估和应用，基于最佳方法得出的模型在提高性能方面表现出色。

Jul, 2019

提出一种使用自我注意力编码器模型同时预测文档中所有提及对之间关系的关系抽取方法，通过聚合提及对以形成实体对表示进行多实例学习，并增加弱标签数据来适应无提及级别注释的设置，实验证明该方法在生物文本信息抽取任务中达到了最先进性能。

Feb, 2018

本研究介绍了一种新的标记多词表达式的方法，利用了一种具有语言独立性和语言学可解释性的深度学习架构，特别针对了计算处理多词表达式中不连续性这一尚未充分开发的领域。本文提出了两种神经网络结构：图形卷积网络（GCN）和多头自注意力，通过门控机制将两者的互补信息结合在一起，并在标准多语言动词 MWE 数据集上进行实验，结果表明我们的模型不仅在不连续的 MWE 情况下表现更好，同时在整体 F-score 上也表现优异。

Feb, 2019

本文利用强化学习方法，提出一种基于动作的新颖方案用于实体识别的任务，并使用训练集生成实例级别的事件，同时还使用奖励模型获得正确标记完成的实例，从而提高了长实例的内部结构并且结果与竞争性有监督的对照组相当。

Mar, 2017

提出了一种基于最近邻法的实体链接方法，该方法通过建立一个上下文相关的提及编码器，学习将相似的提及放置在比不同实体的提及更接近的向量空间中，从而利用所有实体的提及作为 “类原型”，通过对训练集中标记的实体的提及集合进行检索，并应用最近的提及邻居实体标签进行推理。通过对维基百科超链接的提及对的大型多语言语料库进行训练，该模型在一个包含 7 亿个提及的索引上进行最近邻推理。该方法训练简单，预测可解释性更强，并在两个多语言实体链接基准测试中优于所有其他现有方法。

Jun, 2021