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

本文提出了一种统一的端到端生成省略和共指技术模型，来解决对话中省略和共指的问题，并通过多任务学习框架将其集成到一个端到端的任务导向的对话中，实验结果表明，该模型在识别省略和共指问题上表现显著优于 seq2seq 基线模型，并且结合 GECOR 的多任务学习方法在任务完成比 TSCP 更高的成功率。

Sep, 2019

本文提出了一种针对在线解码的指代消解方向，其针对包含对话在内的实时生成输入的场景，在每个对话轮次上，该模型接受一个话语和其过去的语境，然后查找当前话语中的提及以及它们的指代。该文章提出了基线和四个增量更新的模型，适应于提到链接范式的新设置，其中包括单一实例、说话人定位编码和跨轮次提及的情境化。在 Friends、OntoNotes 和 BOLT 这三个数据集上评估我们的方法，结果表明每个方面都带来了稳定的改进，我们最好的模型比基线高出 10％以上，是这个场景的一个有效系统。进一步分析突出了任务特点，例如解决提及回忆的重要性。

May, 2022

本文提出了一种基于 DistilBERT 的多标签分类器，在有限的标记数据上采用多标签分类和主动学习来检测对话问答中省略和共指的现象，大大提高了分类器的性能。

Jul, 2022

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

本文旨在通过回顾研究中所采用的数据集、评估指标和研究方法来澄清名词消解中两个任务的范围，以提供对此 NLP 问题的清晰理解和需要关注的问题。

May, 2018

提出了一种基于问题回答 (QA) 架构的英语省略解析替代方法，单任务模型表现优于现有技术且与辅助 QA 和指代消解数据集联合训练的模型可以高效解决 Sluice Ellipsis 和 Verb Phrase Ellipsis 等英语省略现象 (效衡值从 70.00 提升至 86.01 和从 72.89 提升至 78.66)。

Aug, 2019

本文提出了基于演员 - 评论家学习的混合规则 - 神经共指消解系统，它通过利用启发式规则和神经共指消解模型的优点来实现更好的共指性能。此端到端系统还可以通过使用联合训练算法执行提及检测和消解，并使用 BERT 模型生成输入跨度表示。我们的模型在 CoNLL-2012 Shared Task 英文测试集上使用 BERT 跨度表示实现了最新的最佳性能。

Dec, 2022

本文提出了一种名为 ExCorD 的新型框架，旨在解决会话依赖性的问题，通过通过生成自包含的问题和使用一种基于一致性的正则化器来训练 QA 模型，显著提高了 QA 模型的性能。

Jun, 2021

研究神经方法在抽象对话摘要模型中显式地结合指代信息的不同方法来解决对话中的核心参照问题，发现这样的模型在追踪对话过程中的信息流和关联与对应的讲话者和人物提及方面需要更准确且精确。

Jun, 2021