本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

Aug, 2018

该综述评估了现有的上下文嵌入模型，跨语言多语预训练，上下文嵌入在下游任务中的应用，模型压缩和分析。

Mar, 2020

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

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

本文提出了一种自学习方法 STAMO 来学习新兴实体的实体链接特征，通过多槽位优化以及消除标签错误等策略，成功地解决了由于新兴实体缺少特征而导致实体链接模型无法正确链接的问题，并在两个实体链接数据集上实验验证了其有效性。

Aug, 2022

综述了自 2015 年以来，神经实体链接 (EL) 系统的最新发展，目的是系统化神经实体链接系统的设计特征，并将其性能与常见基准测试中的经典方法进行比较。该文从候选生成、提及 - 上下文编码和实体排名等方面讨论了神经 EL 系统的通用架构，总结了每个方法的突出特点。

May, 2020

本文介绍了 LIEL，一种语言无关的实体链接系统，通过使用区分重排框架和许多不受领域和语言限制的特征函数，它可以在多种不同的语言中工作。在各种基准数据集上的实验表明，该系统在英语上表现出色，在训练过英语的情况下，也可以很好地工作在西班牙语上，这证明了该方法的可行性。

Dec, 2017

本文提出一种神经实体链接模型，通过多种角度训练查询和候选文档之间的细粒度相似性和不相似性，并结合卷积和张量网络，在多语言语境下实现跨语言实体链接，并证明该英文训练的系统可以通过使用多语言嵌入进行零 - shot 学习。该提议系统在英语以及跨语言测试中取得 state-of-the-art 的结果 (例如：西班牙语和汉语 TAC 的 2015 数据集)。

Dec, 2017

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

该研究使用二进制新闻分类和产品评论情感分析两个任务，评估了两个最先进的深度上下文语言表示，ELMo 和 DistilBERT 的健壮性，旨在探索自然语言处理系统在通向适用于实际场景的系统的过程中的代表性能力的极限。结果显示，DistilBERT 在泛化到跨上下文设置时明显优于 ELMo。

Mar, 2023