该研究提出了一种用于波斯语代词消解的端到端神经网络系统，利用预训练的 Transformer 模型如 ParsBERT。我们的系统同时优化了提及检测和先行链路，相比前期依赖基于规则和统计方法的最新系统，在 Mehr 语料库上实现了 3.37 F1 分数的提高。这一显著改进展示了将神经网络与语言模型结合的有效性，可能标志着波斯语代词消解领域的显著进展，并为进一步的研究铺平了道路。

May, 2024

该研究综述了核指消解领域的现有语料库和评估指标，提供了基于规则的方法到最新的深度学习技术的核指算法概述，并调查了波斯语的核指消解和代词消解系统。

Nov, 2022

提出了一种基于谓词模式和受限优化框架的代表性算法，用于解决自然语言理解中的指称消解问题，特别是针对代词的困难实例。该算法通过无监督方式获取知识，编译自动约束，显著提高了 “Winograd-style” 难例的性能，并在标准指称消解数据集上表现出最先进的水平。

Jul, 2019

本文旨在从多个句子构成的文档中提取关系事实。通过使用异构图构建和核心指代消解处理，作者提出了一个基于图推理网络的注意指代消解的方法来增强语义信息和降低噪声，并在 DocRED，DialogRE 和 MPDD 三个公共数据集上进行了实验，证明其在文档关系抽取领域超越了目前最先进的技术水平。

Feb, 2022

该论文研究了指代消解的一个子任务，代词消解，并描述了他们基于 BERT 的方法，该方法能够在性别平衡的情况下，达到 92％的性能得分和更低的性别偏差。

Jun, 2019

本文中，我们提出了一种通过 fine-tuned pre-trained BERT 模型并使用抽取式问答形式的代替先前的基于 coreference resolvers 的代词消歧任务，从而克服这个性别偏见问题的解决方案，该模型可以在无需先验知识的情况下，在性别平衡的数据集上取得明显的结果 (F1 值的绝对改善率达到 22.2%)，还提出了通过 ensemble 模型结合多项选择和序列分类等方法进一步提高表现 (F1 值的绝对改善率达到 23.3%)，该模型已在第一届 ACL 会议关于自然语言处理的性别偏见共享任务中获得第九名的成绩。

Jun, 2019

本文旨在通过回顾研究中所采用的数据集、评估指标和研究方法来澄清名词消解中两个任务的范围，以提供对此 NLP 问题的清晰理解和需要关注的问题。

May, 2018

该论文提出了一种序列到序列的学习方法，探究了利用先进的自然语言处理（NLP）技术，特别是 Bi-LSTM 和 BERT 预训练语言模型，解决阿拉伯语代词消解问题的有效性。作者建议的方法在 AnATAr 数据集上进行了评估，并与包括传统机器学习模型和手工特征模型在内的数个基准模型进行了比较。实验结果表明，建议的模型在所有指标上都优于比较模型，包括 KNN、逻辑回归和 SVM。此外，作者还探究了多个对模型的修改对性能的影响，结果显示，这些修改显著提高了模型的性能，达到了 81％的 MRR 和 71％ 的 F1 得分，同时还表现出更高的精确度，召回率和准确性。该发现表明，作者建议的模型是解决阿拉伯语代词消解问题的有效方法，也展示了利用先进的 NLP 神经模型的潜在优势。

May, 2023

本文提出了一个包含两层模型的代词共指消解模型，使用了上下文信息以及外部知识，其中一个使用注意力机制的知识模块被设计来根据不同的上下文内容确保模型能够使用合适的外部来源。实验结果表明，该模型的有效性和优越性优于现有的模型。

May, 2019

本文探索了如何利用不同类型的知识图谱来更好地解决代词共参问题，并提出了一种知识注意力模块，以选择性地使用信息化知识来增强模型，实验结果表明，在不同领域的两个数据集上，我们的模型优于现有技术，并在跨领域的情况下也表现出更好的性能。

Jul, 2019