本文探讨基于单个数据集训练的核心参考消解（Coreference resolution，COREF）学术神经模型的可迁移性，通过评估在多个包含不同注释指南和领域的数据集上的表现来建立新的性能基准。

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

本研究提出了一种混合训练的方法，旨在解决针对不同领域的 8 个共指消解数据集在模型的零 - shot 迁移表现上存在的问题，并构建了一个新的数据集，取得了多个最先进的结果。

Sep, 2021

这篇论文提出了一种通过多任务学习方法学习单例以及实体类型和信息状态等特征的共指模型，在 OntoGUM 基准上取得了新的最高分（+2.7 分），并在多个领域的数据集上提高了鲁棒性（平均 + 2.3 分），可能是由于更大的指称检测的泛化能力和更多单例数据的利用所致。

Sep, 2023

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

该研究探讨了当前代表性的共指消解模型中的误差与不同数据集、核心共指类型的操作方式有关的程度，并对现有模型在各种共指类型下的表现进行了分类，结果表明在不同共指类型下的表现存在差异，这可以为未来的核心共指解析模型开发提供参考。

Mar, 2023

基于 CorefUD 数据集和通用形态句法和共指注释，我们通过研究核心指代在不同语言、不同语体和不同层次上的特点，对 SotA 系统无法解决的最具挑战性情况进行错误分析，然后从通用形态句法注释中提取特征，并将这些特征集成到基线系统中，结果显示我们的最佳配置特征提高了 0.9% 的 F1 得分。

Oct, 2023

本研究探讨使用不同语料库训练的最新词性标注模型在 Reddit 论坛讨论帖子等用户生成数据中的表现，发现即便少量的 in-domain 数据，也能胜过大量来自其他 Web 领域的数据，同时也提出多种错误类型的分类，并使用集成学习法提高了模型的性能。

Apr, 2020

本研究建立了一个新的语料库 LongtoNotes，其中包含了英语文本中多种类型，长度不同的文档，并在其中评估了最新的神经共指系统，分析了模型结构 / 超参数与文档长度对性能和效率的影响，还提出了长文档共指建模中的改进问题。

Oct, 2022

本文提出一种句子增量神经代词消解系统，成功地融合了两种最新的技术：非增量模型和内存网络模型，在 OntoNotes 和 CODI-CRAC 2021 中达到了更好的结果。

May, 2023