引入一种全可微分的高阶推理近似方法，用于指代消解，该方法使用跨度排名架构中的前先分布作为注意机制来迭代地改进跨度表示，从而允许模型对预测聚类中的多个跳进行软考虑，同时引入了粗到细的方法来降低计算成本。与现有的跨度排名方法相比，我们的模型在英语 OntoNotes 基准测试上显著提高了准确性，同时更加计算效率。

Apr, 2018

本文利用神经方法中自动构建的语篇分析树，在两个基准实体共指数据集上展示了显著的改进，探讨了相关提及类型对结果的影响。

Apr, 2021

本文介绍了第一个端到端的共指消解模型，并展示了它在不使用句法分析器或手工制作的提及检测器的情况下，明显优于所有以前的工作。模型的关键思想是直接将文档中的所有跨度作为可能的提及，并学习每个可能的先行词的分布。模型计算跨度嵌入，将依赖于上下文的边界表示与定位注意机制相结合。它被训练成最大化核对聚类中的黄金先行跨度的边际可能性，并分解以便于对可能存在的提及进行积极修剪。实验表明，尽管这是第一个成功训练不使用外部资源的方法，它仍可以在 OntoNotes 基准测试上获得 1.5 F1 分数的增益，并使用 5 个模型集合获得 3.1 F1 分数的提升。

Jul, 2017

本文提出了一种新的统一实体关系抽取方法 HIORE，该方法利用高阶交互来捕捉更丰富的信息，并在三种基准测试中取得了最先进的性能表现，相对于之前的最优模型提高了 1.1~1.8 F1 分数。

May, 2023

采用多种核指模型测试增量聚类方法，得出使用 coref-hoi 模型的簇合并版本与 Workspace Coreference System 结合可以将解析准确度提升至 10.33%。将核指类型分类与核指模型训练的学习目标结合，从而实现了关于议论的代词消解。

Jan, 2023

通过结构化文本知识，我们提出了一个系统且统一的框架 (RmLR) 来提高人物 - 物体交互检测，通过分析相互作用信息的损失并生成更全面的视觉表示，设计了更精细的句子 - 词级对齐和知识传递策略以有效解决多个交互和多个文本之间的匹配问题，进而提高了对交互的理解。实验结果表明我们的方法在公共基准测试上实现了最先进的性能，并进一步分析了我们方法的各个组成部分对效果的影响，为其功效提供了洞察。

Jul, 2023

提出了一种基于聚类排名的共指解析方法，该方法结合了提及排名和实体 - 提及模型的优点，并通过两个扩展来改进聚类排名者的性能： (1) 词汇化和 (2) 通过联合建模代表性确定和共指解析来结合关于先行词类型的知识。实验结果表明，与竞争方法相比，此方法具有卓越的性能，并且我们的两个扩展措施是有效的。

Jan, 2014

本文介绍了一个基于 Transformer 预训练语言模型的简单而有效的代替神经指代消解模型的 baseline，证明合理简化已有模型可以取得与复杂模型相媲美的性能表现。

Jul, 2021

本文提出了一个基于生成模型，引入 resolution mode 变量的无监督排名模型，用于实体的共指消解。该无监督系统在 CoNLL-2012 共享任务的英文数据上，通过 CoNLL 指标得分为 58.44%，超过了 Stanford 确定性系统（Lee et al.，2013）3.01% 的得分。

Mar, 2016

通过使用神经网络和学习搜索算法，本研究提出了一种基于实体级信息的代指消解系统，其在 CoNLL 2012 共享任务数据集的英语和中文部分上，即使使用了很少的手工特征，也显著优于当前最先进的技术。

Jun, 2016