本文研究了在具有限或无训练数据的情况下，通过重用和调整同一领域或相关领域数据集 D_S 的训练数据，是否可以在数据集 D_T 中训练良好的机器学习分类器，并提出了用于处理此类情况的五种算法。在五个不同领域的 12 个数据集上进行了全面的实验，结果表明，该算法提供了显著的好处，如在固定训练数据大小的情况下提供卓越的性能。

Sep, 2018

本文介绍了一种名为 DeepER 的新型实体解析（ER）系统，该系统利用了先进的深度学习技术，通过使用递归神经网络（RNN）和分布式表示（即向量）等方法。提高了解析准确性、效率和易用性，相比传统机器学习方法无需人工标记数据和手工制定特征和相似性函数阈值。在多个数据集上进行测试的实验结果表明，DeepER 优于现有的解决方案。

Oct, 2017

该研究探讨了一种无监督学习的方法，使用高斯混合模型等工具实现了基于相似度向量的实体解析算法，该算法不需要标注数据，但能够实现与有标注数据的算法相近的性能表现，且在五个基准数据集上的表现优于现有的无监督方法。

Aug, 2019

本研究提出了四种评估 13 个常用数据集难易度和适用性的方法，并发现大多数数据集对于评估基于机器学习的匹配算法来说过于简单。因此，提出了一种新的方法来生成更具挑战性的基准数据集。

Jul, 2023

本研究提出一种新的迁移学习算法以应对实体解析在面临的挑战，即异构数据源数量上升导致监督学习中的训练数据成本过高的问题。该算法采用快速凸优化来进行训练，实现线性标记成本下保持不变的准确度。

Aug, 2012

本文首次提供现代实体解析工作流的全面视图，并介绍了实体索引和匹配方法的新颖方面，旨在同时应对多个大数据特征的挑战。文章从数据库、语义 Web 和机器学习三个方面分别阐述了基本概念、处理步骤和任务策略，并最终提供了现有方法的综合讨论，最后详细介绍了未来研究方向。

May, 2019

本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

Jun, 2021

实体消解是确定两个实体是否指向相同基础实体的问题。本章将讨论在个人知识图谱（PKG）环境下的命名实体消解问题，包括问题的形式化定义、进行高质量和高效实体消解所需的组件、面临的挑战、现有技术在 PKG 中的应用、一些应用案例以及未来研究的方向。

Jul, 2023

通过使用先前训练的语言模型的深度学习方法，本研究提出了一种解决实体匹配问题的新的主动学习方法，该方法利用实体匹配的独特属性进行选择机制，将低资源实体匹配问题视为一种战舰游戏，通过感知潜在空间，并仔细规划下一个采样迭代来捕捉指示性样本。经过广泛的实验分析，该算法优于最先进的主动学习解决方案，并且尽管使用更少的样本，可以与最先进的完全训练已知算法一样成功。

Nov, 2023

综合研究了如何开发一种经济高效的批量提示方法来进行实体解析，通过引入批处理和选择演示来支持批量提示，并探索了不同的设计选择。通过广泛的实验证明，与基于 PLM 的方法和手动设计提示的 LLM-based 方法相比，批量提示对于实体解析非常具有成本效益。

Dec, 2023