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

本文提出了一种基于条件训练的无向图模型的整合推理方法，用于信息提取和指代消解。结果表明，在引用研究论文数据集上，利用提取的不确定性来提高指代消解匹配精度和利用指代消解来提高提取字段的准确性，可以显著减少错误。

Jul, 2012

本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

Apr, 2021

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

本文旨在从多个句子构成的文档中提取关系事实。通过使用异构图构建和核心指代消解处理，作者提出了一个基于图推理网络的注意指代消解的方法来增强语义信息和降低噪声，并在 DocRED，DialogRE 和 MPDD 三个公共数据集上进行了实验，证明其在文档关系抽取领域超越了目前最先进的技术水平。

Feb, 2022

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

使用循环神经网络直接学习实体群集的全局表示，尤其对于代词提及的预测特别有用，可以整合到端到端的指代系统中，不需要任何其他搜索，表现优于现有技术。

Apr, 2016

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

本研究提出了一种利用自动带引的潜在文档级图进行跨句子的关系推理的方法，并通过增量聚合相关信息来提高多跳推理的准确性，取得了在 DocRED，CDR 和 GDA 数据集上的最新最优性能。

May, 2020