在这篇论文中，我们提出了一种基于实体记忆的编码器 - 解码器框架，名为 EDMem，将实体知识以潜在表示的形式存储在内存中，与编码器 - 解码器参数一起在维基百科上进行预训练。通过设计三种解码方法来约束实体生成，并在各种实体密集型问答和生成任务中使用。实验证明，EDMem 优于基于记忆的自动编码器模型和非记忆编码器 - 解码器模型。

Oct, 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

本研究提出了一种基于 BERT 的全球实体消岐模型，通过考虑实体作为输入 token 来捕捉全局上下文信息，通过对称地解决提到的实体并在每个步骤中使用已解决的实体作为输入来解决任务，使用维基百科获得大量的实体注释语料库进行模型训练，结果在五个标准 ED 数据集上实现了新的最先进结果。

Sep, 2019

通过引入无监督变分自编码器和外部类别内存，本文提出了一种新的实体消岐方法，名为 CoherentED，以提高实体预测的一致性。该模型在流行的实体消岐基准测试中取得了最新的成果，并在具有挑战性的长文本场景中表现出卓越的性能。

Nov, 2023

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

本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

Aug, 2018

提出了一种简单而有效的方法，Informed Named Entity Recognition Decoding (iNERD)，将命名实体识别视为一种生成过程，利用近期生成模型的语言理解能力，并采用了基于信息提取的有限文本生成的解码方案，以提高性能和消除幻觉风险，我们在合并的命名实体语料库上训练了模型，评估了五个生成语言模型在八个命名实体识别数据集上的表现，并取得了显著的结果，特别是在未知实体类别集的环境中，展示了该方法的适应性。

Aug, 2023

使用 ShadowLink 数据集评估实体链接 (EL) 系统的性能，结果显示先验概率偏差和实体遮蔽对较常见实体和较少见实体的准确性都有很大影响。

Aug, 2021

本文旨在探讨网络规模的视觉实体识别，介绍了一个名为 GER 的新型实体识别框架，通过学习自动解码一个语义和区别性的 “编码” 来识别目标实体，并证明其在应对网络规模识别复杂性方面具有优势。

Mar, 2024

本研究提出了一种基于 BERT 的双编码器模型，可一次处理文档中的多个关键词，解决了现有模型效率低的问题，在生物医学实体链接领域取得了与现有模型相当的准确性，并对其进行了改进，实现了端到端生物医学实体链接，表现出更好的性能.

Mar, 2021