介绍了 TypeNet 数据集，该数据集由 1941 个类型组成，通过人工注释从 1081 个 Freebase 类型映射到 WordNet。本文还探讨了几种与先进系统可比的模型，以及在标准提及类型损失的基础上结合层次结构损失的技术，是未来研究的第一步。

Nov, 2017

介绍了一种新的实体类型任务，使用头词来进行大规模远程监督，利用多任务目标训练模型，实现对实体类型的预测，对这一方法进行了实验评估并提供相关数据和模型。

Jul, 2018

通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

Sep, 2019

本文提出了一种无监督实体类型框架，通过结合符号和分布语义，使用语言结构学习通用的嵌入，并开发了一种新型的联合层次聚类和链接算法来对所有提及进行类型。该框架不依赖于任何注释数据、预定义的打字架构或手工特征，因此可以快速适应新的领域、体裁和语言。同时，它具有很大的灵活性，可以包括语言结构等来改进特定上下文表示。

Mar, 2016

本研究基于嵌入式方法，提出了 FIGMENT 来解决语料库实体类型划分问题，并在知识库完成中应用。FIGMENT 由全局模型和上下文模型组成，分别得分后进行综合评分，其性能优于依赖于开放信息提取系统获取关系的实体类型划分方法。

Jun, 2016

该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

Sep, 2019

这篇论文提出了一种上下文相关细粒度实体类型标注的方法，通过基于知识库提取实体和其类型，限制在本地上下文中可以推导的标签集，实验结果表明可以有效改善标注的精度。

Dec, 2014

本文提出了一种神经架构模型，用于将 fine-grained 语义类型分配给实体提及，并学习利用比以前更多的语义上下文信息（文档和句子级别）的分布式语义表示。实验结果表明，该方法在三个基准数据集上取得了最先进的结果，而不需要手工特征。

Apr, 2018

本文提出 FIGMENT 模型解决了基于语料库的实体类型问题。该模型使用多层次的实体表示和远程监督的噪声缓解算法，实现了知识库完成的任务。在基于 Freebase 的大型实体类型数据集中，该模型表现出很好的效果。

Aug, 2017

介绍了 CLUE 组织发布的 NER 数据集 CLUENER2020 ，它是一个细粒度的、为中文命名实体识别而设计的数据集，包含 10 类别，并且更具挑战性。针对该数据集，实现了几种当前最先进的序列标记任务方法，报告了人类表现及其分析，并发布了该数据集、基线和排行榜。

Jan, 2020