事件指代消解的提问式模板方法（CorefPrompt）在单一模板中实现了事件建模和指代消解，并通过两个辅助任务明确展示了推理过程，提高了模型的预测能力。

Oct, 2023

本研究通过引入事件图的图形化表示 X-AMR 以及使用一种新型的多跳共指算法简化了事件共指消解，从而使其成为 LLM 成本效益高、可组合和可解释的，并且易于注释，进一步使用 GPT-4 与人类进行比较评估，分析了其局限性，旨在推进有效的事件共指消解技术并揭示当前 LLM 在此任务中的潜在缺陷。

Mar, 2024

使用自然语言处理（NLP）中的事件核指消解（Event Coreference Resolution）技术，通过利用现代自回归语言模型生成的假设自由文本（abductive free-text rationales）作为小型学生模型的远程监督，进行事件的跨文档核指消解（cross-document coreference），以提高核指消解的性能。

Apr, 2024

本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

Jun, 2019

本文提出了一种端到端的事件共指方法 ——E3C 神经网络，它可以联合建模事件检测和事件共指解析任务，并自动从原始文本中学习抽取特征。在我们的 E3C 神经网络中，进一步提出了一种类型引导的事件共指机制。实验证明，我们的方法在两个标准数据集上实现了新的最佳性能。

Sep, 2020

Event Coreference Resolution (ECR) is addressed through the development of EasyECR, an open-source library that standardizes data structures, abstracts ECR pipelines, integrates representative pipelines and benchmark datasets, and enables fair evaluation, revealing the need for evaluating ECR pipelines on multiple datasets and ensuring consistency when comparing models within the pipelines.

Jun, 2024

本研究针对交叉文档事件共指消解（CDCR）任务，提出三个 CDCR 语料库的一致性评估，比较特征模型和神经模型的性能，发现特征模型在多个语料库上具有更加稳定的表现，而神经模型在不同语料库之间的表现存在差异。此研究强调了 CDCR 的通用性以及必要性，为未来的研究提供了有价值的探索性数据。

Nov, 2020

本文提出了一种新的 Event Coreference Resolution（ECR）方法，通过词形匹配、过滤和平衡训练集等步骤，实现了对跨文档和同一文档内事件提及的链接，减少了计算需求，并在两个常用 ECR 数据集上获得了与当前先进水平相当的结果。

May, 2023

提出一种新的迭代方法，通过采用同一链中和跨事件链中的事件提及之间的相互依赖性逐渐构建事件聚类，并使用两个不同的成对分类器来区分同一链中和跨文档事件指称之间的事件指称，并交替进行聚类后合并，最终执行事件链之间的进一步合并，从而在 WD 和 CD 事件共指解析的联合任务中胜过现有方法。

Jul, 2017

本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

Apr, 2021