本研究介绍了 ReFinED：一个高效的实体链接模型，使用细粒度实体类型和实体描述执行链接。该模型执行单向传递，可在文档中对所有提及进行提及检测、细粒度实体类型划分和实体消歧，使其比竞争性现有方法快 60 倍以上。ReFinED 在标准实体链接数据集上的性能优于最先进性能平均提高了 3.7 个 F1，具有良好的泛化能力和零 - shot 实体链接。该研究的组合可获得速度，精确性和规模，因此是从网络规模数据集中提取实体的一种有效和成本效益的系统。

Jul, 2022

本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

Aug, 2018

本研究探讨生物医学实体链接领域和命名实体识别和消歧方面的问题，分析了在局部知识库推理的情况下，EL 模型的性能下降严重，提出了两种简单而有效的方法来解决 NIL 问题。

Mar, 2023

该研究介绍了 Lithium EDL 系统和算法，它是一个高吞吐量、轻量级、语言无关的实体消岐和链接系统，比现有的系统解析正确率高 75% 且运行速度显著更快，可用于 Knowledge Base、文本分类和 NLP 任务。

Mar, 2017

介绍了一种名为 EDIS 的跨模态图像搜索数据集，包括一百万个来自实际搜索引擎结果和策划数据集的 Web 图像，并与文本描述配对，旨在鼓励开发可以同时处理跨模态信息融合和匹配的提取模型，实验证明纯文本和视觉特征的融合对性能有很大影响。

May, 2023

提出了基于 BERT 的实体链接方法 BLINKout，该方法结合了 NIL 表示、NIL 分类和同义词增强等多种技巧，能够识别没有对应知识库实体的提及，并通过本体修剪和版本控制等策略，从正常的知识库内实体链接数据集中构建出不在知识库内的提及。在 4 个医学本体数据集上的实验结果表明，BLINKout 方法在 UMLS 和 SNOMED CT 等医学本体的不在知识库内提及检测方面表现优异。

Feb, 2023

该研究提出了一种基于聚类的推理模型，可以在生物医药领域的文本中实现实体链接，将多个提及归为一组，有望提高独立预测精度。

Oct, 2020

本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010 数据集的最新技术水平。

Jan, 2016

本研究旨在探究使用现代实体链接方法对博物馆收藏数据进行丰富的可能性，结果表明，正交纠正的实体链接模型在该领域的性能明显优于其他现有方法。

May, 2023

该研究提出了一种基于 transformer 的实体链接模型，可在信息稀缺的情况下进行 NIL 预测，并且在自动提取资金信息，实体链接等方面具有显著的优势。

Sep, 2022