本文提出了一个新的数据集，其中包含 100 部英文小说的 29,103 个指代注释，涵盖了 210,532 个标记。这个数据集对比以前的数据集不同的地方在于包含了平均长度为 2,105.3 个单词的文档，是其他基准数据集的四倍长（OntoNotes 为 463.7），并且包含了文学中常见的难度指代问题的示例。这个数据集可以评估指代消解任务的跨领域性能，并分析长距离文档内指代的特征。

Dec, 2019

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

本文提出了一种基于内存增强神经网络的长文档共指消解方法，通过仅跟踪少量数量的实体，保证了线性运行时间，并且在 OntoNotes 和 LitBank 数据集上表现优异，同时学习到一种优秀的内存管理策略。

Oct, 2020

本文介绍了 OntoGUM 数据集作为新的非开放领域的 OntoNotes 核指代解析任务的基准，证明了最新的基于神经语言模型的端到端系统对领域外数据的破坏很大，深度学习系统和确定性规则系统都有着近 15-20% 的性能下降。

Jun, 2021

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

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

通过玩游戏来标注语料库是一种有效的方法，本文提出了一种用于指代和共识关系的语料库，相对于先前发布的语料库，它具有更广泛的领域、更多的标记、更长的文档和更高的标注速度。

Oct, 2022

该研究通过使用三种简单技术在 OntoNotes 5.0 语料库中检测注释错误，对英文命名实体识别（Named Entity Recognition，NER）的训练集、开发集和测试集进行了大量修正，提高了 1.23% 的整体 F 分数，对某些实体类型的改进超过 10%。这些技术可应用于其他 NER 数据集和其他序列标记任务。

Jun, 2024

该研究论文提出了一种通过考虑近似一致性和桥接关系来扩展传统身份关系范围的新闻文章共指注释方案，并详细描述了如何使用相应的注释工具 Inception 来设置，如何注释新闻文章中的实体，如何将它们与不同的共指关系联系起来，并链接到 Wikidata 的全球知识图谱。本文讨论了这种多层次的注释方法在媒体偏见问题中的应用，并提供了一种创建多样性跨文档共指语料库的方法，该方法可以用于通过词选择和标注来分析媒体偏见。

Oct, 2023