为了解决细粒度实体类型任务中的噪声标注问题，引入了 Co-Prediction Prompt Tuning 方法，利用多个预测结果来识别和纠正错误标签，并设计了优化目标以考虑训练过程中的不一致预测，实验结果表明该方法显著提高了各种类型的训练样本的质量。

Oct, 2023

本文提出了一个新的架构，包括两个模块：（1）实体类型标签解释模块，自动学习将类型标签与词汇表相关联的方法，（2）基于类型的上下文实例生成器，根据给定实例生成新实例，以扩大训练集以获得更好的泛化能力。在三个基准数据集上，该模型的性能明显高于现有方法。

Jun, 2022

OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

Oct, 2023

通过使用超细粒度实体类型数据训练一个具有极广泛类型覆盖的实体类型模型，然后在新设计的细粒度实体类型模式下，通过少量手动标注的样本对先前训练的模型进行微调，我们提出了一种新的方法，能够避免在新类型架构时创建远距离标记数据的需求，并在低样本学习设置下实现出色的细粒度实体类型识别性能。

Dec, 2023

本文提出了一种基于神经网络的模型，联合学习实体提及及其上下文表示，通过使用非参数的变体铰链损失函数解决训练数据含噪的问题，并证明了该模型表现优于现有技术，同时可以实现知识迁移。

Feb, 2017

本研究提出了一种基于神经网络模型的端到端解决方案，使用一种变种的交叉熵损失函数来处理上下文外标签，并使用分层损失规范化来处理过于特定的标签，利用公共词嵌入来训练单标签，从而同时学习实体提及及其上下文的表示，实验证明该方法对噪声具有鲁棒性，并在任务的已有基准测试中持续超过现有技术水平。

Mar, 2018

本文提出了一种本体导向的零样本方法 OntoType，使用多个预训练的语言模型和头部单词生成一组类型候选，并使用一个自然语言推理模型在本地上下文中对其进行分类，其表现优于其他零样本细粒度实体类型方法，同时实验还表明，对现有本体结构进行细化处理将进一步提高实体类型的细化。

May, 2023

该论文提出了一种类型丰富的层次对比策略用于细粒度实体类型，使模型直接区分不同层次的类型差异并提高了区分多粒度相似类型的能力。在 BBN、OntoNotes 和 FIGER 三个基准上的实验结果表明，该方法通过有效地建模类型差异在 FET 上实现了显著的性能提升。

Aug, 2022

本文提出了一种基于图卷积网络的方法，通过关注语料库级别的上下文提示来提炼含噪声的命名实体类型，实验证明该方法相对于现有研究提高了 10.2％和 8.3％的总体宏 / 微 F1 得分。

Apr, 2020

本研究针对远程监督 Fine-grained 实体类型标注（FET）中存在的错误实体类型标签问题，提出了 Compact Latent Space Clustering（CLSC）方法来进行正则化，并借助标签传播推断出嘈杂数据，在嵌入空间中鼓励具有相似语义的实体提供更好的分类性能，且实验证明此方法在标准基准上普遍优于最先进的远程监督实体类型标注系统。

Apr, 2019