本研究研究了交叉语言实体链接在资源匮乏情况下的应用，提出了三种改进方法，通过实验在四种极度低资源语言中取得了 6-23% 的端到端链接准确率提高。

Sep, 2019

本文主要研究 Cross-lingual Entity Linking 领域中的一些技术问题，例如应用于小型 Wikipedia，以及如何选择英文维基百科标题来对应一个外文提及的实体等。作者提出了使用外部跨语言资源的解决方案 QuEL，并通过对多种语言的实验得到了较好的实验效果。

May, 2020

本篇论文针对跨语言实体链接领域中的候选生成问题，提出了一种基于简单的索引构建的解决方法，特别适用于低资源语言，并在 9 个真实世界数据集上进行了充分的实证分析，结果表明在几乎所有数据集和查询类型中，该方法在质量和效率方面均优于现有方法。

Jun, 2022

本文提出了一种结合多种语言监督信息的跨语言实体链接方法，极大地提高了低资源语言中实体表达的识别准确率，在多语言环境下训练的模型也表现出了明显的优势。同时，在零样例和低资源情境下也做出了相应的分析，证明了该模型的鲁棒性与适用性。

Sep, 2018

本研究探讨了零资源语言的跨语言实体链接问题，利用高资源语言建立了基于字级别神经实体链接模型的枢轴式实体链接框架，实现了跨 54 种语言的零 - shot transfer，并在 9 种低资源语言上进行了实验，相比于基线系统，平均提高了 17% 的实体链接准确性。同时，文章还探讨了语言通用音韵表示的使用，在不同语言之间转移时将平均准确率提高了 36%。

Nov, 2018

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

研究了 Tweet 领域中实体链接方法的挑战，提出了一种使用来自维基百科的长上下文表示的混合解决方案，经过实验评估和比较，取得了 0.93 的召回率。

Oct, 2022

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

该研究提出了一种基于实体建模的候选实体检索范式，该范式首先将 Wikidata 实体及其文本字段索引到文本搜索引擎中，再使用序列到序列模型生成目标实体的摘要，从而查询已索引的搜索引擎以检索候选实体，最后结合交叉注意力重新排序器，实现了在三个基于 Wikidata 的数据集上的最先进效果和在 TACKBP-2010 上的强劲表现的高度有效的混合方法候选实体检索和实体链接框架。

Feb, 2022

我们提出了一个高效的建模框架，用于半结构化文本数据中的跨语言命名实体识别。我们的方法依赖于知识蒸馏和一致性训练，并且利用预训练在源语言上的大型语言模型（XLMRoBERTa）的知识，通过学生 - 教师关系（知识蒸馏）。学生模型在低资源目标语言上采用无监督的一致性训练（使用 KL 散度损失）。我们使用两个独立的 SMS 数据集，分别是英语和阿拉伯语，每个数据集都携带有半结构化的银行交易信息，并侧重展示从英语到阿拉伯语的知识传递。通过仅使用 30 个标记样本，我们的模型可以将商家、金额和其他字段的识别从英语推广到阿拉伯语。我们的实验表明，在低资源语言的少量标记样本的情况下，学习在英语中识别实体就足以在低资源语言中达到合理的性能。该提出的框架对于开发多语言应用程序，尤其是在数字化努力依赖英语和一种或多种低资源语言的地理区域具有重要意义，有时与英语混合使用或独立使用。

Jul, 2023