本文介绍一种基于 BERT 的实体链接模型，采用两阶段的零样本链接算法，通过双编码器进行实体检索，并进一步用交叉编码器对候选实体进行重排序。经实验证明，这种方法不需要显式实体嵌入或手动工程化的实体表，已超越最近的零样本评估和已建立的非零样本评估（如 TACKBP-2010），并且具有速度快的优点。

Nov, 2019

本文提出了未知实体发现与索引（EDIN）基准测试方法，并基于稠密检索实体链接技术提出了端到端的 EDIN 流程，以检测、聚类和索引上下文中的未知实体，实验结果显示，将每个实体的嵌入整合起来得到单个嵌入的方法优于独立检索每个提及。

May, 2022

本论文提出了一种基于词典的粗粒度到细粒度检索器，在两个层次上进行检索，以有效地检索实体候选项，并利用实体描述来消除与现有流行实体重名的尾部或新实体的歧义性，实验结果表明，我们的方法在不需要进行大量微调的情况下可以获得卓越的性能，在中文 Few-shot 和 Zero-shot 实体链接的 NLPCC 2023 共享任务 6 中名列第一。

Aug, 2023

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

ELQ 是一种快速的端到端实体链接模型，使用双编码器同时执行提及检测和链接，可用于提高下游问题回答系统的性能。

Oct, 2020

本文提出 REFinD 数据集，该数据集为金融文档中的大规模关系注释数据集，可用于信息检索、语义搜索、问题回答和文本蕴含等任务，同时对各种最先进的深度学习模型进行实证评估并强调数据集带来的挑战。

May, 2023

通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

Sep, 2019

该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

Sep, 2019

REXEL 是一种高效准确的模型，可以在单个前向传递中执行提及检测、实体类型识别、实体消歧、共指消解和文档级关系分类等多个任务，将事实完全链接到参考知识图谱，具有速度和准确性的组合使得 REXEL 成为一种准确且具有成本效益的用于在 Web 规模上提取结构化信息的系统。

Apr, 2024

零摒弃实体链接是指将实体提及与未见过的实体对齐以挑战泛化能力。本文提出了一种读取和选择（ReS）框架，通过建模实体消歧的主要组成部分，即提及 - 实体匹配和跨实体比较，从而在候选检索和候选排序阶段均具备较好的性能，无需繁琐的多阶段预训练，展示了提及 - 实体和跨实体交互的有效性。

Oct, 2023