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

该研究论文介绍了一种用于跨媒体实体一致性验证的新方法，并应用于真实世界新闻中，旨在支持人类评估多媒体信息的整体消息，特别是在偏见或情感方面。该方法通过使用最先进的方法和几种不同措施计算跨媒体相似性，其中包括使用命名实体链接从新闻文本中提取人物，位置和事件。该论文的数据集和代码均公开，并展示了该方法在不同语言，主题和领域的两个新数据集上的可行性。

Mar, 2020

多模态实体集扩展（MESE）的研究旨在通过整合多模态信息来扩展语义类别中的种子实体，构建了 MESED 数据集并提出了强大的多模态模型 MultiExpan，实验证明了数据集的高质量以及 MultiExpan 的有效性，并指出了未来的研究方向。

Jul, 2023

我们研究了零样本组合图像检索任务，提出了一种知识增强的双流零样本组合图像检索框架（KEDs），该框架通过数据库丰富了伪词令牌，并采用额外的流来对伪词令牌与文本概念进行对齐，从而在细粒度语义中显式地识别出参考图像。大量实验证明，KEDs 优于之前的零样本组合图像检索方法。

Mar, 2024

提出了一种可在符号知识库中通过推理以完全可微的方式连接实体的实体消歧模型，该模型可以使用所有 KB 信息，超过六个著名实体消歧数据集中的现有模型，并在基于不常见和模糊实体的 ShadowLink 数据集中提高 12.7 F1。

Jul, 2022

本文解决了 Entity Disambiguation 方向在仅仅使用 Wikipedia 标题作为文本表示的情况下，标题信息不足或相互区分度不够的局限性，并探讨了更加丰富的文本表达方式如何解决这一问题。作者认为，相比其他方法，采用 extractive formulations 和更具表达力的文本表示策略可以使模型在处理实体消歧任务上发挥更好的性能，从而在几个标准任务上取得了前沿的效果。

Oct, 2022

本研究基于用户评论、文本会话和电话会话等多种非正式、异构数据，提出了一个大规模的汉语事件检测数据集，并通过实验证明了非正式和异构数据的挑战性，为多源非正式事件检测提供了新的探索。

Nov, 2022

本研究提出利用网络和社交媒体数据来学习多模态图像和文本嵌入，旨在将在文本领域中学到的语义知识转移至用于语义图像检索的视觉模型。研究结果表明，利用带有相关文本的图像进行无监督学习的流程能够在三个基准测试中学习五种不同的文本嵌入，并在面向文本的图像检索任务中表现出与受监督方法竞争性的性能。在目标数据中训练时，我们在 MIRFlickr 数据集中明显优于现有技术。进一步，我们展示了如何使用学习到的嵌入执行语义多模态图像检索，超越了传统的实例级检索问题。最后，我们提出了一个新的数据集（InstaCities1M），由 Instagram 图像及其相关文本组成，可用于公平比较图像 - 文本嵌入方法。

Aug, 2018

本研究提出采用多模态模型、排序学习以及基于知识的方法来进行词义消歧，并在 SemEval 2023 视觉词义消歧共享任务中荣获波斯语赛道的冠军以及多语言赛道的第三名。

Apr, 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