文章综述了记录链接、实体解析、概率论、聚类和规范化等领域的历史发展、目前应用和未来研究方向。

Aug, 2020

本文针对实体链接系统的评估存在的问题，提出了更具意义和公正的方法，通过多个广泛使用的基准测试和两个新的基准测试，评估了多种现有的端到端实体链接器的强弱点及其可重复性。

May, 2023

本研究提出了四种评估 13 个常用数据集难易度和适用性的方法，并发现大多数数据集对于评估基于机器学习的匹配算法来说过于简单。因此，提出了一种新的方法来生成更具挑战性的基准数据集。

Jul, 2023

本文提出了一种低成本的实体解析框架，通过使用用户的隐式和显式反馈信号生成特征，生成相关数据集来测量实体解析性能，并引入了一组度量标准来准确地测量 ER 系统在各个维度上的表现。这些度量标准提供了很大的可解释性，可以深入挖掘和识别 ER 问题的根本原因，无论问题出在相关性生成或者排名上。

May, 2022

本文提出了一种可解释的评估方法，用于对自然语言处理任务中的命名实体识别进行分析，以帮助读者更好地理解不同模型及其相对优劣之处。通过将我们的分析工具提供给其他研究人员，我们希望能推动这一领域的进步。

Nov, 2020

研究了两类从知识图谱中丰富信息的方法：链接预测和实体对齐的评估，分析了现有评估措施的信息量，提出了评估的调整建议，并证明这有助于公平、可比和可解释的模型性能评估。

Feb, 2020

本文研究使用围绕众包的启发式算法解决实体识别问题，分析了常见的算法并提供了实验和信息理论下界的支持。

Feb, 2017

通过引入一个黑盒子基准，并对所有最先进的实体链接方法进行全面评估，本文解决了近年来实体链接系统发展中缺乏统一框架的问题。研究发现实体链接系统对候选集的依赖性及其对各个系统的普适性的限制，提出了一种替代候选集的方法，并展示了某些模型在更宽松的候选集、增加推理时间和内存占用之间的权衡关系。

Apr, 2024

本文首次提供现代实体解析工作流的全面视图，并介绍了实体索引和匹配方法的新颖方面，旨在同时应对多个大数据特征的挑战。文章从数据库、语义 Web 和机器学习三个方面分别阐述了基本概念、处理步骤和任务策略，并最终提供了现有方法的综合讨论，最后详细介绍了未来研究方向。

May, 2019

该研究论文提出了一种新方法来解决 NLPCC 2015 中的实体识别和链接挑战问题，通过扩展现有知识库并利用外部知识识别候选实体，提高了召回率，同时利用支持向量回归和多增加回归树作为评分函数来过滤结果，应用规则进一步优化结果并提高精确度，该方法计算效率高，F1 得分为 0.535。

Sep, 2023