The Elephant in the Coreference Room: Resolving Coreference in Full-Length French Fiction Works
Lattice (CNRS & ENS-PSL & Université Sorbonne Nouvelle)（Lattice（法国国家科学研究中心 & 巴黎高等师范学院-巴黎-索邦大学））
本文提出一个包含三部全长法语小说、超过285,000词元的新标注语料库，并开发模块化指代消解流水线，在长文档中实现竞争性性能，同时用于推断虚构人物性别，服务于文学分析与下游NLP任务。
2025-10-17 cs.CL
Narrowing the Modeling Gap: A Cluster-Ranking Approach to Coreference Resolution
传统的基于学习的共指消解器通过训练提及对模型来确定两个提及是否共指。虽然概念简单，易于理解，但提及对模型在语言上相当不吸引人，并且在复杂性方面远远落后于前统计NLP时代提出的基于语义的共指模型。最近的两个独立的研究试图改善提及对模型，一个是通过获取提及排名模型来对给定的回指语进行排名，另一个是通过训练实体提及模型来确定前面的集群是否与给定的提及相关。我们提出了一个集群排名的方法来解决共指消解，它结合了提及排名模型和实体提及模型的优势，因此在理论上比这两个模型更有吸引力。此外，我们试图通过两个扩展来改进聚类排序：（1）词汇化和（2）通过联合建模回指确定和共指消解来整合回指知识。ACE数据集上的实验结果表明，优越的性能的集群排名竞争的方法，以及我们的两个扩展的有效性。
2014-01-16 cs.CL
Incorporating Context and External Knowledge for Pronoun Coreference Resolution
The Hong Kong University of Science and Technology（香港科技大学）；Tencent AI Lab（腾讯人工智能实验室）
在许多情况下，将代名词表达与正确的指称联系起来需要更好地分析上下文信息和外部知识。本文提出了一个同时利用语境和外部知识的代词共指消解的两层模型，并设计了一个知识注意力机制，以确保模型根据不同的语境利用适当的外部知识源。实验结果表明，我们的模型的有效性和有效性，它优于国家的最先进的模型由一个很大的利润。
2019-05-24 cs.CL
BenCoref: A Multi-Domain Dataset of Nominal Phrases and Pronominal Reference Annotations
North South University（北南大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）
本文提出了孟加拉语多领域指代消解数据集 BenCoref，包含 5200 个提及标注和 502 个提及簇，并通过多模型实验揭示了英语零样本跨语言迁移效果不佳，强调需要更多孟加拉语专用资源。
2023-07-03 cs.CL
Investigating the Role of Centering Theory in the Context of Neural Coreference Resolution Systems
定心理论（CT; Grosz等人，1995）提供了对话语结构的语言学分析。根据该理论，语篇的局部连贯性取决于连续话语对同一实体的指称方式和程度。本文研究了中心化理论与现代共指消解系统之间的联系。我们提供了一个可操作的中心和系统的调查，如果神经共指解析器坚持以中心理论的规则，通过定义各种话语指标和开发一个基于搜索的方法。我们的信息理论分析揭示了一个积极的相互依存关系和中心，但也表明，高质量的神经相互依存解析器可能不会受益于明确建模中心的想法。我们的分析进一步表明，情境化嵌入包含大量的一致性信息，这有助于解释为什么CT只能为使用预训练表示的现代神经共指解析器提供很少的增益。最后，我们讨论的因素，有助于共指，而不是由CT模型，如世界知识和近因偏见。我们制定了一个版本的CT，也模型的近因，并表明它捕获的共指信息更好地相比，香草CT。
2022-10-26 cs.CL
Second Order WinoBias (SoWinoBias) Test Set for Latent Gender Bias Detection in Coreference Resolution
University of Guelph（圭尔夫大学）；Vector Institute（向量研究所）
我们观察到一个实例的性别引起的偏见在下游的应用程序，尽管没有明确的性别词在测试用例。我们提供了一个测试集SoWinoBias，用于测量共指消解系统中的此类潜在性别偏见。我们评估目前的去偏置方法的性能SoWinoBias测试集，特别是在参考方法的设计和改变嵌入空间属性。请参阅https://github.com/hillarydawkins/SoWinoBias。
2021-09-28 cs.CL
Quotations, Coreference Resolution, and Sentiment Annotations in Croatian News Articles: An Exploratory Study
Faculty of Humanities and Social Sciences, University of Zagreb（萨格勒布大学人文与社会科学学院）
本文提出了一个语料库注释的任务，直接语音提取在克罗地亚。本文主要对SETimes新闻语料库中克罗地亚语的引文标注、共指消解和情感标注进行研究，并分析其与英语的语言差异。由此，推导出在执行这些注释时需要特别注意的现象的列表。所生成的带有引文特征注释的语料库可以用于自然语言处理领域的多个任务。
2022-12-14 cs.CL
Named Person Coreference in English News
University of Pennsylvania（宾夕法尼亚大学）
在诸如搜索和信息抽取之类的任务中，人通常是感兴趣的实体。在这些任务中，目标是找到尽可能多的信息，关于他们的名字指定的人。然而，在文本中，一些对人的引用是代词（她，他的）或一般描述（教授，德国总理）。因此，重要的是，共指消解系统能够将这些不同类型的提及与正确的人名联系起来。在这里，我们评估两个国家的最先进的共指消解系统的子任务命名的人共指，在其中，我们有兴趣确定一个人的名字提到，以及所有其他提到的人，代词或通用名词短语。我们的分析表明，标准的共指指标并没有充分反映在这项任务中的要求：他们不惩罚系统没有识别任何提到的名字，他们奖励系统，即使系统找到正确的提到同一个实体，但未能将这些链接到一个适当的名称（她-学生--没有名字）。我们引入新的指标来评估命名的人共指，解决这些差异。我们提出了一个简单的基于规则的命名实体识别驱动的系统，它优于目前国家的最先进的系统，这些特定任务的指标，并与他们在传统的共指评价。最后，我们提出了类似的评价共指消解的其他命名实体，并表明基于规则的方法是有效的，只有人命名的共指，而不是其他命名实体类型。
2018-11-20 cs.CL
Anaphora and Coreference Resolution: A Review
VIT University（韦洛尔理工大学）；Nanyang Technological University（南洋理工大学）
实体解析的目的是解决文档中对实体的重复引用，是自然语言处理（NLP）研究的核心内容。这一领域具有巨大的潜力，以提高其他自然语言处理领域的性能，如机器翻译，情感分析，释义检测，摘要等领域的实体决议在自然语言处理已经看到扩散的研究在两个独立的子领域，即：照应解决和共指消解。通过这篇综述文章，我们旨在澄清这两个任务在实体解析中的范围。我们还对解决这一NLP问题所采用的数据集、评估指标和研究方法进行了详细分析。这个调查的目的是让读者清楚地了解什么构成了这个NLP问题，以及需要注意的问题。
2018-05-30 cs.CL
Closing the Gap at CRAC 2026: Two-Stage Adaptation for LLM-Based Multilingual Coreference Resolution
Lattice (CNRS UMR 8094 & ENS-PSL & Université Sorbonne Nouvelle)（Lattice（CNRS UMR 8094 和 ENS-PSL 和 索邦学院新欧））
本文提出了一种基于LLM的多语言核心指代解析方法，通过两阶段适应策略，在CRAC 2026共享任务中取得了74.32的平均CoNLL F1分数，排名第一。
2026-05-21 cs.CL
Multimodal Coreference Resolution for Chinese Social Media Dialogues: Dataset and Benchmark Approach
针对真实社交媒体对话多模态共指消解研究数据匮乏的问题，构建了首个中文社交媒体多模态共指数据集TikTalkCoref，提出聚焦名人领域的基准方法并给出实验结果，将开放数据集以推动相关研究。
2025-05-19 cs.CL
Reasoning over Object Descriptions Improves Coreference Resolution in Task-Based Dialogue Systems
本文提出一种单模态测试时推理方法，通过详细物体元数据和对话历史推理提升指代消解，实验表明在SIMMC 2.1数据集上效果显著，且在少样本设置下能有效泛化到新场景和物体。
2026-04-30 cs.CL
A Circuit for Plural Reference: How LLMs Represent and Retrieve Singular and Plural Entities
Utrecht University（乌得勒支大学）；Queen Mary University of London（伦敦玛丽女王大学）
本研究结合机制可解释性与注意力分析，探究LLMs复数指代的单复数实体表征与检索机制，发现负责共指信息处理的注意力头及与人类一致的复数代词偏好规律。
2026-09-04 cs.CL
Disambiguating Reference in Visually Grounded Dialogues through Joint Modeling of Textual and Multimodal Semantic Structures
Nara Institute of Science and Technology（奈良科学技術研究所）；Guardian Robot Project（守護機器人計劃）；RIKEN（理化学研究所）；Kyoto University（京都大學）；Institute of Science Tokyo（東京科學研究院）
本文提出一个统一文本和多模态指代消解的框架，通过将提及嵌入映射到对象嵌入并基于相似性进行选择，实验证明结合共指消解等文本指代关系能有效提升多模态指代消解性能，减少视觉基础对话中的歧义。
2025-06-01 cs.CL
Enhancing Coreference Resolution with Pretrained Language Models: Bridging the Gap Between Syntax and Semantics
Tianjin University（天津大学）；University of Florida（佛罗里达大学）；UCLA（加利福尼亚大学洛杉矶分校）；Amazon（亚马逊）；Huazhong University of Science and Technology（华中科技大学）
本文提出一种结合句法解析、语义角色标注与预训练语言模型及注意力机制的共指消解框架，在多个数据集上超越传统系统并提升指称消歧准确率。
2025-04-08 cs.AI cs.CL
Multilingual Coreference Resolution in Low-resource South Asian Languages
针对南亚语言共指消解资源匮乏问题，该研究构建了31种南亚语言的翻译数据集TransMuCoRes，训练现成模型并在印地语黄金集上取得LEA F1为64、CoNLL F1为68的成绩，同时指出了现有评估指标在处理分裂先行词时的局限性。
2024-03-23 cs.AI cs.CL
Seeing the Forest and the Trees: Detection and Cross-Document Coreference Resolution of Militarized Interstate Disputes
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
以前的努力，以自动检测文本中的社会和政治事件主要集中在识别事件中描述的单个句子或文件。在文档语料库中，这些自动化系统无法链接事件参考-识别多个句子或文档中的单个事件。计算语言学中关于事件共指消解的单独文献试图将文档内（和跨文档）的已知事件彼此联系起来。我提供了一个数据集，用于评估方法，以确定某些政治事件的文本和链接相关的文本到另一个基于共享的事件。该数据集，战争标题，是建立在军事化的州际争端数据集，并提供标题分类的争端状态和标题对标记的共指指标。此外，我还介绍了一个能够完成这两项任务的模型。多任务卷积神经网络被证明是能够识别事件和事件共指给定的标题的文本和出版日期。
2020-05-06 cs.CL cs.CY
Free the Plural: Unrestricted Split-Antecedent Anaphora Resolution
Queen Mary University of London（伦敦玛丽女王大学）；UKP Lab, Technische Universität Darmstadt（德国达姆施塔特工业大学UKP实验室）
由于照应的简单形式上的共指消解器的性能有了很大的提高，所以更多的注意力集中在照应照应的更复杂的方面。几乎所有的共指消解模型都有一个局限性，那就是只关注单个先行照应词。有多个先行词的复数回指词--所谓的分裂先行回指词（如约翰遇见玛丽。他们去看电影）还没有得到广泛的研究，因为他们没有在ONTONOTES注释，并在其他语料库中相对较少。在本文中，我们介绍了第一个模型的无限制的解决分裂先行回指。我们从一个强大的基线增强BERT嵌入，并表明，我们可以通过解决稀疏性问题，大大提高其性能。为了做到这一点，我们的实验辅助语料库中的分裂先行回指的人群进行了注释，并与迁移学习模型使用元素的桥接参考和单一先行共指作为辅助任务。对黄金注释的ARRAU语料库的评估表明，最佳模型使用三个辅助语料库的组合，当在宽松和严格设置下评估时，分别达到70%和43.6%的F1分数，即，与我们的基线相比，增长了11和21个百分点。
2020-10-31 cs.CL
Bridging Context Gaps: Leveraging Coreference Resolution for Long Contextual Understanding
针对大型语言模型在长上下文理解和问答中的困难，提出长问题共指适配（LQCA）方法，通过子文档共指解析等四步骤提升模型指代管理能力，在OpenAI-o1-mini等模型上取得显著效果。
2025-08-15 cs.AI cs.CL
A Rule Based Solution to Co-reference Resolution in Clinical Text
Baylor College of Medicine（贝勒医学院）；VA HSR&D Center of Excellence（退伍军人事务部卫生研究与发展卓越中心）
本文面向生物医学临床文本，利用2011年 i2b2 挑战赛数据构建基于人工规则的共指消解系统，在多个医学数据集上达到89.6%的总体性能，验证了规则方法的有效性。
2025-03-12 cs.AI cs.CL
Cross-Document Contextual Coreference Resolution in Knowledge Graphs
Amazon（亚马逊）；University of Florida（佛罗里达大学）；UCLA（加利福尼亚大学洛杉矶分校）；Huazhong University of Science and Technology（华中科技大学）；Tianjin University（天津大学）
本文提出一种结合动态链接机制、上下文嵌入与图推理的知识图谱跨文档共指消解方法，在基准数据集上显著提升了精确率与召回率。
2025-04-08 cs.CL cs.MA
Applying Reliability Metrics to Co-Reference Annotation
对制约指称等语篇现象的语境和语言因素的研究越来越依赖于注释语料库。在准备语料库时，重要的是要评估注释的可靠性，但这样做的方法还没有现成的。在这份报告中，我提出了一种计算共指标注可靠性的方法。首先，我回顾了一种方法，应用信息检索的召回率和精度指标的共指标注马克Vilain和他的合作者提出的。我展示了这种方法如何使它有可能构建列联表计算科恩的Kappa，一个熟悉的可靠性指标。通过在相同的数据集上比较查全率和查准率与可靠性，我还表明，查全率和查准率可能会高得令人误解。由于Kappa因子在编码器之间的机会协议，这是一个更好的措施，开发注释语料库中没有预先存在的目标注释存在。
1997-06-10 cmp-lg cs.CL
Three New Methods for Evaluating Reference Resolution
无法手动评估扩展文本（数千个引用）的引用分辨率。一个评价算法已被提出的MUC测试，使用等价类的共指关系。然而，我们在这里表明，这种算法是过于放纵，即使是穷人的决议战略产生良好的成绩。我们阐述了同样的形式主义，提出了两个新的评价算法，比较他们首先与MUC算法，然后在各种例子的结果。第三个算法只使用分布比较等价类的最后描述，它评估的召回率与精度错误的相对重要性。
2002-08-21 cs.CL
Discourse structure interacts with reference but not syntax in neural language models
Cornell University（康奈尔大学）
在大量文本上训练的语言模型（LM）被认为可以获得抽象的语言表示。我们的工作测试的鲁棒性，这些抽象的LMs学习不同的语言表示之间的相互作用的能力。特别是，我们利用刺激心理语言学研究表明，人类可以条件参考（即共指消解）和句法处理相同的话语结构（隐含的因果关系）。我们比较了Transformer和长短期记忆LM，发现与人类相反，尽管模型表征编码了必要的话语信息，但隐式因果关系仅影响LM行为以供参考，而不是句法。我们的研究结果进一步表明，LM的行为可以矛盾，不仅学到的话语表示，但也句法协议，指出标准的语言建模的缺点。
2020-10-10 cs.CL
Inside CORE-KG: Evaluating Structured Prompting and Coreference Resolution for Knowledge Graphs
Department of Computer Science（计算机科学系）；George Mason University（乔治·马歇尔大学）
本文通过系统消融研究量化CORE-KG框架中共指消解与结构化提示的贡献，发现二者分别显著影响节点重复和噪声节点，为法律文本知识图谱构建提供实证依据。
2025-11-08 cs.AI cs.CL cs.IR
Multi-task Learning Based Neural Bridging Reference Resolution
Queen Mary University of London（伦敦玛丽女王大学）
我们提出了一个基于多任务学习的神经模型，用于解决桥接引用，解决两个关键挑战。第一个挑战是缺乏带有桥接参考注释的大型语料库。为了解决这个问题，我们使用多任务学习来帮助桥接参考解析与共指消解。我们表明，高达8 p.p.的大幅改善，可以实现全桥接分辨率与此架构。第二个挑战是不同语料库中使用的不同桥接定义，这意味着手工编码的系统或使用为一个语料库设计的特殊功能的系统不能很好地与其他语料库一起工作。我们的神经模型只使用了少量的语料库无关的特征，因此可以适用于不同的语料库。对非常不同的桥接语料库（ARRAU，ISNOTES，BASHI和SCICORP）的评估表明，我们的架构在所有语料库上都同样有效，并在所有语料库的完全桥接分辨率上达到了SoTA结果，比最好的报告结果高出36.3 p.p.。
2020-10-31 cs.CL
Deictic Codes, Demonstratives, and Reference: A Step Toward Solving the Grounding Problem
University of Cyprus（塞浦路斯大学）；American College of Thessaloniki（塞萨洛尼基美国学院）
本文针对体验性概念的奠基问题，提出通过自下而上的非概念空间与客体注意机制形成客体文件，建立表征与世界的因果关系，从而在前概念层面解决指称确定问题。
2025-03-05 cs.CL
Aligned but Not Partner-Specific: How Multimodal LLM Agents Succeed in Reference Games Without Forming Conceptual Pacts
National Taiwan University（国立台湾大学）；Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所）；Radboud University（拉德堡德大学）；Institut Jean Nicod（让·尼科研究所）
通过约束伪对基线方法，区分多模态LLM智能体在参考游戏中的标签对齐是源于伙伴特定交互还是共享任务词汇，发现智能体通过冗长描述而非压缩表达实现协调。
2026-10-02 cs.AI cs.CL
You Frame It: How Conceptual Representations Shape LLM Detection and Reasoning about Antisemitism
Goethe University, Frankfurt（法兰克福歌德大学）；HTW Berlin（柏林工业大学）
研究不同形式概念基础对四个先进大语言模型检测反犹主义及解释行为的影响，用两个专家注释数据集比较不同表征，发现细粒度分类表征能提高召回率但降低精度，还揭示了模型解释存在的局限。
2026-09-22 cs.CL
Meaning without reference in large language models
University of California, Berkeley（加州大学伯克利分校）；DeepMind（深度思维）
大语言模型（LLM）的广泛成功一直受到怀疑，认为它们拥有任何类似人类的概念或意义。相反，声称LLM没有任何意义，我们认为，他们可能会捕捉到意义的重要方面，而且工作的方式，近似一个令人信服的人类认知的解释，其中的意义产生于概念的作用。因为概念角色是由内部表征状态之间的关系定义的，所以意义不能从模型的架构、训练数据或目标函数中确定，而只能通过检查其内部状态如何相互关联来确定。这种方法可以澄清为什么以及如何LLM如此成功，并建议如何使它们更像人类。
2022-08-12 cs.AI cs.CL
CORE-KG: An LLM-Driven Knowledge Graph Construction Framework for Human Smuggling Networks
George Mason University（乔治·马歇尔大学）
提出CORE-KG框架，通过类型感知共指消解和领域引导提取两步流水线，从法律文本构建知识图谱，显著减少节点重复和法律噪声，为分析复杂犯罪网络奠定基础。
2025-06-20 cs.AI cs.CL cs.LG
Resolving References to Objects in Photographs using the Words-As-Classifiers Model
Bielefeld University（比勒费尔德大学）
语言的一个常见用法是指视觉上呈现的对象。在计算机中模拟它需要模拟语言和感知之间的联系。扎根语义学的“词为量词”模型将词视为感知语境的量词，通过组合词的指称来构成短语的意义。它最近被证明在具有少量对象类型的游戏场景中表现良好。我们将其应用于两大组真实世界的照片，这些照片包含更多类型，并且可以使用引用表达式。使用预训练的卷积神经网络来提取图像特征，并使用图片中的位置信息来增强这些特征，我们表明该模型在参考分辨率任务（给定表达式，找到其参考对象的限界框）中实现了与现有技术竞争的性能，同时，正如我们所认为的，在概念上更简单，更灵活。
2016-06-03 cs.CL
