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

介绍了一种利用维基百科有效获取跨文档事件同指关系大规模数据集的方法，并提供了一个性能优秀的算法进行了基准实验。

Apr, 2021

提供一个新的众包数据集，用于多句理解文本，涉及复杂的指代消解，旨在评估阅读模型解决指代消解的能力，与现有的基准模型相比，该模型表现显著更好。

Aug, 2019

本文提出了一种新的架构，用于存储和访问实体提及，在进行在线文本处理过程中，通过将记忆操作编码为可微分的门，可以通过使用监督语音解析目标以及辅助语言模型目标来对模型进行端对端的培训，并通过代词 - 名称照应的数据集评估，证明了在完全增量文本处理中具有强大的性能。

Feb, 2019

本文在共指消解和自然语言推理领域引入了一个目标针对常识理解和世界知识的新基准，即 Knowref。我们提出了一个包含超过 8,000 个文本段落的语料库，用于研究具有歧义的代词指代的核心指代功能。我们发现，各种核心参考系统（基于规则的、特征丰富的或神经网络的）在该任务上的表现都比人类差得多，而这可能是因为这些模型缺乏上下文信息。我们还提出了一种数据增强技巧 antecedent switching，并展示了它在其他任务中取得了有 promising 的结果。

Nov, 2018

基于机器学习的自动事实核查是识别网络上的虚假信息的一种有希望的方法，针对现有的事实核查语料库规模小、注释不详细、局限于单一领域等问题，本研究提出了一个大规模、多领域的可信事实核查语料库，并进行了模型构建和分析。

Oct, 2019

本研究通过引入大小适中，精度高的 WikiCREM 数据集以及基于语言模型的方法，对代词消岐问题进行了研究，并在 GAP、DPR、WNLI、PDP、WinoBias 和 WinoGender 等七个数据集上取得优秀的表现。同时，我们提供了可直接使用的模型以解决代词消岐问题。

Aug, 2019

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

通过使用指令跟踪模型（GPT-4）和递归批评和改进循环，我们开发了一个高质量数据集，该数据集包含超过 250 个包含共指的问题 - 回答对，以满足共指解析在问答任务中的信息检索需求。

Nov, 2023

本文介绍了 Wiki-Reliability 数据集，该数据集是由标记为具有广泛内容可靠性问题的英文维基百科文章构建的，主要应用于内容可靠性预测的机器学习和信息检索算法的研究。

May, 2021