通过使用神经网络和学习搜索算法，本研究提出了一种基于实体级信息的代指消解系统，其在 CoNLL 2012 共享任务数据集的英语和中文部分上，即使使用了很少的手工特征，也显著优于当前最先进的技术。

Jun, 2016

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

本文提出了一种针对在线解码的指代消解方向，其针对包含对话在内的实时生成输入的场景，在每个对话轮次上，该模型接受一个话语和其过去的语境，然后查找当前话语中的提及以及它们的指代。该文章提出了基线和四个增量更新的模型，适应于提到链接范式的新设置，其中包括单一实例、说话人定位编码和跨轮次提及的情境化。在 Friends、OntoNotes 和 BOLT 这三个数据集上评估我们的方法，结果表明每个方面都带来了稳定的改进，我们最好的模型比基线高出 10％以上，是这个场景的一个有效系统。进一步分析突出了任务特点，例如解决提及回忆的重要性。

May, 2022

通过将来自现有嵌套 NER 系统的预测提及与来自 OntoNotes 句法树的特征结合，我们在接近 OntoNotes 数据集中带有所有单例提及的情况下，实现了对黄金单例的 94％召回率。然后，我们提出了一个名为 SPLICE 的两步神经提及和共指解析系统，并在 OntoNotes 测试集和域外 OntoGUM 语料库的两种情况下将其性能与端到端方法进行比较。结果表明，重构的单例训练在 OntoNotes 中产生了与端到端系统相当的结果，同时提高了域外稳定性（+1.1 平均 F1）。我们对提及检测进行了错误分析，并探讨其对共指聚类的影响，发现提高精度可为解决共指链提供更实质性的益处。

Mar, 2024

使用循环神经网络直接学习实体群集的全局表示，尤其对于代词提及的预测特别有用，可以整合到端到端的指代系统中，不需要任何其他搜索，表现优于现有技术。

Apr, 2016

提出一种基于全连接网络和卷积神经网络的单一提及检测模块，采用手工制作的特征、上下文信息和词嵌入，应用于使用核指代注释的包括 3.6K 个句子和 78K 个标记的印地语数据集，显著提高了核指代解析过程的性能表现。

Jan, 2023

本文提出了一种针对 NLP 中需要汇总来自远处的同一实体的信息的情况的循环层，该层使用外部系统提取的指代注释连接属于同一簇的实体提及，并将其合并到最先进的阅读理解模型中，从而改善了 Wikihop、LAMBADA 和 bAbi 人工智能任务的性能，并且可在数据稀缺时获得大的收益。

Apr, 2018

本篇论文介绍了一种轻量级端到端的共指消解模型，该模型不再需要手工特性和启发式算法，也省去了动态构建范围和范围对表示所需的内存，相比当前标准模型具有更简单和高效的特点。

Jan, 2021

我们提出了一种基于多任务学习的神经模型，用于解决桥接参照的问题，解决了缺乏大型标注数据集和不同语料库之间定义不同的挑战，通过使用多任务学习和语料库无关特征实现了很高的性能。

Mar, 2020

提出了一种基于聚类排名的共指解析方法，该方法结合了提及排名和实体 - 提及模型的优点，并通过两个扩展来改进聚类排名者的性能： (1) 词汇化和 (2) 通过联合建模代表性确定和共指解析来结合关于先行词类型的知识。实验结果表明，与竞争方法相比，此方法具有卓越的性能，并且我们的两个扩展措施是有效的。

Jan, 2014