本研究提出了一种创新框架，结合语法解析和语义角色标记，利用预训练语言模型提升共指解析的准确性。实验结果显示，该方法在多个数据集上超越传统系统，显著提高了引用歧义的识别准确率。

本研究开发了一种针对生物医学领域的共指解析系统，采用手动构建规则的方法，在多个医疗数据集上实现了89.6%的性能，验证了该方法的有效性。

本研究推出了首个法律文档数据集LegalCore，解决了法律领域事件共指解析数据不足的问题，提供全面标注，旨在挑战大型语言模型，为法律文本理解与处理提供参考。

本研究探讨自然语言处理(NLP)在自动提取文学角色网络中的应用，重点分析命名实体识别(NER)和共指解析的作用。研究结果表明，NER的性能显著影响角色检测，单独使用NER可能会遗漏角色共现，因此需要依赖共指解析进行补救。此外，传统NLP管道在召回率上优于基于大型语言模型的方法。

本研究提出新基准IdentifyMe，评估大规模语言模型在共指解析中的表现，发现开放模型与封闭模型之间存在显著差距，尤其在人称代词解析方面表现较差。

本研究通过分析文献中的共指关系，填补了传统共指解析的局限。我们从3000万份生物医学摘要中提取共指链，构建概念关系图，发现数据驱动本体与人工本体显著重叠，为生物医学领域提供了新见解。

本研究提出了一种长问共指适应（LQCA）的方法，优化共指解析以提升大型语言模型在长文本理解和问答中的表现。实验显示，LQCA在多个数据集上优于传统方法。

DWIE是一个多任务数据集，包括命名实体识别、共指解析、关系抽取和实体链接。该数据集提出了一种新的度量标准和基于图神经网络的模型，取得了5.5个F1的提升，具有研究潜力。