该研究使用双编码器模型实现实体链接，通过在相同的向量空间中对实体和提及进行编码，并使用近似最近邻搜索检索候选实体。该方法在维基百科数据集上的实验中表现优于其他方法，并且可以快速检索候选者。无监督的负采矿算法在该任务中起到重要作用。

本文介绍了一种通过多阶段训练扩大双编码器模型规模的方法，解决了双编码器在不同域上的推广问题。该方法在域外泛化和检索性能方面取得了显著提高，优于现有的检索模型。消融研究还发现该方法在数据效率方面非常高效。

该文介绍了使用双编码器模型实现实体链接的方法，通过在相同的密集向量空间中对实体和提及进行编码，并使用近似最近邻搜索检索候选实体。该方法优于离散别名表和BM25基线，并且可以快速检索候选者，并可以很好地推广到从Wikinews推导出的新数据集。同时，无监督的负采矿算法在这一任务中也发挥了重要作用。

本文介绍了GTR模型，它是一种双编码器模型，通过多阶段训练并扩大模型规模，在保持瓶颈嵌入大小不变的情况下，成功挑战了双编码器无法推广到其他域的观念。GTR在域外泛化方面表现出显著的检索性能提高，并且在BEIR数据集上优于现有的稀疏和密集的检索模型。消融研究表明，GTR在数据效率方面非常高效，只需要MS Marco 10％的监督数据即可实现最佳的跨域检索性能。

该文介绍了使用双编码器模型实现实体链接的方法，通过在相同的密集向量空间中对实体和提及进行编码，并使用近似最近邻搜索检索候选实体。该方法通过使用维基百科中的锚文本链接训练双编码器，优于离散别名表和BM25基线，并可以快速检索候选者，并可以很好地推广到从Wikinews推导出的新数据集。同时，无监督的负采矿算法在这一任务中也发挥了重要作用。