本研究提出了一种新方法，通过引入修辞信息到神经共指消解模型中，来明确捕获层次化语篇中的指代选择， 并使用多语言实体感知语言模型 LUKE，在 RuCoCo-23 共指消解任务上评估了该方法的性能。实验表明，使用修辞距离的最佳模型在开发集 (74.6 % F1) 上排名第一，在测试集 (73.3 % F1) 上排名第二。希望我们的研究能够激发对于神经共指消解模型中引入语篇信息的进一步研究。

Jun, 2023

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

本研究探讨了一种模型，利用包括字符，子词，单词，句子和句对级别的不同粒度的文本表示来更好地表示文本，该模型在隐含关系识别中取得了 48% 以上的最新成果。

Jul, 2018

本文分析了 higher-order inference（HOI）对共指消解任务的影响，发现在已有高性能编码器的情况下，HOI 对该任务的影响为负向至一定程度，提供了一个新的任务视角。使用集群合并的最佳模型在 CoNLL 2012 英语共享任务数据集上显示出 80.2 的平均 F1。

Sep, 2020

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

本文提出了一种针对 NLP 中需要汇总来自远处的同一实体的信息的情况的循环层，该层使用外部系统提取的指代注释连接属于同一簇的实体提及，并将其合并到最先进的阅读理解模型中，从而改善了 Wikihop、LAMBADA 和 bAbi 人工智能任务的性能，并且可在数据稀缺时获得大的收益。

Apr, 2018

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

通过对任务特定特征进行扩展，我们将 Lee 等人（2018）的基于跨度的实体共指模型应用于对话中的端到端篇章指代解析任务，并提出了 dd-utt 模型。该模型在 CODI-CRAC 2021 共享任务的四个数据集上取得了最先进的结果。

Nov, 2022

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

通过使用基于潜在嵌入空间的实体 / 事件建模和只对难负例进行训练的分类器，以及在多个语料库上训练，对跨文档基准测试进行核心参考解决方案的分类效果进行了改进。

Oct, 2021