共指消解

1. 共指消解的一些基本概念。

实体(entity)：知识库中完整定义的，唯一存在的条目，在coreference resolution这个任务中，每一个实体都可以看作是指代它的名词短语或代词构成的集合(巴拉克－奥巴马={美国总统, 奥巴马, 第44任美国总统, 他})

指称(mention)：实体在自然语言文本中的别名或另一种指代形式，美国总统, 奥巴马, 第44任美国总统, 他 等都是mention。mention的类型一般有3类：专有名词（proper noun，巴拉克－奥巴马），名词性词（nominal, 第44任美国总统），代词（pronominal, 他）

共指(corefer)：如果文本或句子中的两个mention指代的是同一个entity，那么它们之间存在着一种共指(corefer)关系。美国总统与第44任美国总统 即是共指的两个mention

 spans: “我”，“爱北京”，“北京”

回指语：简略的表达，需要依赖先行语来进行解读。

先行语：

 2. 指代消解

https://blog.csdn.net/muumian123/article/details/85616175

 指代消解就是寻找篇章中先行语与照应语之间的关系，并明确给出照应语所指向的先行语的过程。

分类：预指消解；回指消解（按着先行词与照应语的顺序）

　　名词，代词，零代词。普通名词消解（按着照应语的抽象程度）

       共指消解（共指关系在脱离上下文的语义仍旧独立存在，与上下文关系较弱。）

　　非等价消解（存在着非对称的关系并且和上下文的语义有着紧密联系，在不同的语义和语境下照应语指代的先行语不同）

3.指代消除的方法

基于启发式语言学规则的消解方法：早期 Hobbs算法、基于中心理论等算法；近期基于层次过滤消解模型的方法。

 

4.  共指消解的模型：

指代：不只是代词能够指代其他事物，所有格和其他名词性短语也可以。但是并不是所有的NP都在指代。

传统的指代消解方法：Hobb 规则集消解；知识库的代词消解；

指代消解模型：

 Mention Pair models；Mention ranking models；Entity-Mention models；监督Mention-Pair Model

神经网络指代消解模型：虽然直觉上，联合学习所有mention之间的指代关系肯定比单个二分类要好，global比local肯定要好。但实际上没有试验数据能够支撑这一点，所以虽然有global RNN等更强大的模型，效果最好的依然是mention-pair或mention-ranking模型。

 

用得比较多的是：监督Mention-Pair Model。每个mention（指代）与之前的mention做二分类决策，当然如何识别mention是另外一个问题。

 参考：

https://blog.csdn.net/github_36088377/article/details/52496142