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

本文提出了一种针对数据集资源匮乏的实体消歧问题的深度学习方法，通过转移学习和主动学习的结合，构建了一个可迁移的模型用于适应缺乏标记数据的场景，并通过有针对性地选择信息样本进行微调，验证表明该方法在实际应用中比当今学习方法使用的少数标记数据量的性能要好得多。

Jun, 2019

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

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

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

本文探讨了联邦学习中实体匹配的问题，发现错误的实体匹配会对学习器的分类器、损失函数、一般性能产生影响，并提出了一种更好的实体匹配方法来优化学习过程，实验结果表明，在保证实体匹配准确率的情况下，使用类别信息可以显著提高学习效果。

Mar, 2018

本文将根据实体解析问题（ER），研究匹配和合并函数的性质并基于此将匹配和合并黑盒建模为部分群。通过定义天然偏序，引入四个重要性质并通过选取归纳关系 ，我们证明了部分群是 ER 的另一种一般设置。

Mar, 2023

本文研究使用围绕众包的启发式算法解决实体识别问题，分析了常见的算法并提供了实验和信息理论下界的支持。

Feb, 2017

本文提出了一种低成本的实体解析框架，通过使用用户的隐式和显式反馈信号生成特征，生成相关数据集来测量实体解析性能，并引入了一组度量标准来准确地测量 ER 系统在各个维度上的表现。这些度量标准提供了很大的可解释性，可以深入挖掘和识别 ER 问题的根本原因，无论问题出在相关性生成或者排名上。

May, 2022