本文研究了在先进的共指消解器中使用大量词汇特征的一个缺点，即如果核心语义分辨器主要依靠词汇特征，它们几乎无法推广到未见过的领域。此外，我们还展示了当前的共指消解评估存在明显缺陷，因为只针对一个特定数据集中的特定拆分进行评估，在训练、开发和测试集之间存在显着重叠。

Apr, 2017

本研究介绍了一个新的基准数据集WinoBias，用于解决与性别偏见有关的指代消解问题。通过数据增强方法，结合现有的词嵌入去偏置技术，可以消除核心指代消解系统对WinoBias数据集中男女刻板定型实体的偏见，同时不会显著影响系统的表现。

Apr, 2018

本文提出了一个包含两层模型的代词共指消解模型，使用了上下文信息以及外部知识，其中一个使用注意力机制的知识模块被设计来根据不同的上下文内容确保模型能够使用合适的外部来源。实验结果表明，该模型的有效性和优越性优于现有的模型。

May, 2019

本文探索了如何利用不同类型的知识图谱来更好地解决代词共参问题，并提出了一种知识注意力模块，以选择性地使用信息化知识来增强模型，实验结果表明，在不同领域的两个数据集上，我们的模型优于现有技术，并在跨领域的情况下也表现出更好的性能。

Jul, 2019

提出了一种基于谓词模式和受限优化框架的代表性算法，用于解决自然语言理解中的指称消解问题，特别是针对代词的困难实例。该算法通过无监督方式获取知识，编译自动约束，显著提高了“Winograd-style”难例的性能，并在标准指称消解数据集上表现出最先进的水平。

Jul, 2019

本研究探讨了现有最佳表现的指代消解系统的端到端核心指代消解模型的两个组件：提及检测器和提及链接器，并分析它们的行为，强调了精度和召回率的平衡问题，以及精度检测器的困难以及链接器的改进空间，提出了有前途的下一步研究方向。

Sep, 2020

本文介绍了一个基于Transformer预训练语言模型的简单而有效的代替神经指代消解模型的baseline，证明合理简化已有模型可以取得与复杂模型相媲美的性能表现。

Jul, 2021

本研究提出了一种新方法，通过引入修辞信息到神经共指消解模型中，来明确捕获层次化语篇中的指代选择， 并使用多语言实体感知语言模型 LUKE，在 RuCoCo-23 共指消解任务上评估了该方法的性能。实验表明，使用修辞距离的最佳模型在开发集 (74.6 % F1) 上排名第一，在测试集 (73.3 % F1) 上排名第二。希望我们的研究能够激发对于神经共指消解模型中引入语篇信息的进一步研究。

Jun, 2023

本研究旨在解决存在于Winogender数据集中对代词不同语法形式的处理不一致、模板约束的违反和排版错误等问题，从而影响性别偏见测量的可靠性。我们提出了一个新的数据集Winogender 2.0，并提出一种新的方法评估核心指代中的代名词偏见，显示偏见特征不仅在代词集之间差异明显，而且在这些集的表面形式之间也存在变化。

Sep, 2024

本研究针对使用 Winogender 模式评估核心指代解析中的性别偏见时存在的数据问题进行了深入分析，包括代词形式的等价处理、模板约束违反及排版错误。我们提出了新数据集 WinoPron，并开发了一种新的评估方法，以更全面地衡量核心指代解析中的代名词偏见，发现偏见特征不仅因代词集而异，也因其表面形式而异。

Sep, 2024