本文提出了一种端到端生成省略和共指技术模型，结合多任务学习框架，显著提高了对话中的省略和共指识别能力。同时，研究探讨了文档连贯性评估方法和基于强化学习的翻译优化，提升了多语种文档的凝聚力和连贯性。

本文综述指代消解研究进展：seq2seq模型在CoNLL-2012上达到83.3 F1；GPT-2等大模型零样本提示可泛化，但受提示敏感性限制；新文学数据集含2.9万指代注释，文档更长；机器翻译学习共指能力弱于专用模型；CRAC 2022多语任务获胜系统超基线12个百分点；微调阶段加入指代信息效果更佳；新评估方法更可解释；seq2seq微调无需专用模型。

本文提出了一种结合BERT和RGAT的解析器，用于研究句法依赖信息对共指消解任务的影响。实验结果表明，该模型能够提高性能。