本研究提出KGMEL框架，解决多模态实体链接中对知识图谱三元组结构的忽视。通过生成高质量三元组和重新排名，显著提高了实体链接的准确性和效率，实验结果表明其在基准数据集上优于现有方法。

本研究提出EX-Claim模型，旨在自动化识别需核查的主张。该模型利用命名实体识别和实体链接技术，显著提升了27种语言的检测能力，尤其在知识转移方面表现优异。

本研究针对历史文本中的实体链接挑战，特别是在音乐领域，提出了音乐遗产命名实体识别、分类和链接（MHERCL）新基准，并开发了一种结合知识图谱的无监督实体链接模型，显著提升了历史文献的实体链接性能。

本研究提出了一种动态上下文扩展（DCA）方法，通过顺序积累上下文信息实现高效的实体链接。实验结果表明，DCA在不同学习设置下表现良好。文章还回顾了检索增强生成（RAG）技术的进展，讨论了评估方法和未来研究方向，并提出了GraphRAG和精明RAG等新方法，以应对大型语言模型的知识更新和信息可靠性问题。

本文探讨了多种信息提取技术，包括社交网络结构的实体链接、多任务学习框架SciIE、OPIEC语料库、CasRel框架和exBERT模型。这些方法在科学文献分析和知识图谱构建中表现优异，显著提高了抽取准确度和F1值。

本文介绍了一种基于大模型的研究思路生成方法ResearchAgent，利用大型语言模型处理文献资料，提炼出研究思路并生成新颖见解。通过实体链接方法提取术语数据库，并通过ReviewingAgent评估和反馈。实验结果显示ResearchAgent具有更好的研究思路生成质量。

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。

本文通过引入黑盒子基准，全面评估最先进的实体链接方法，解决了实体链接系统缺乏统一框架的问题。研究发现实体链接系统对候选集的依赖性及其对系统普适性的限制，提出了替代候选集的方法，并展示了模型在更宽松的候选集、增加推理时间和内存占用之间的权衡关系。

LIEL是一种语言无关的实体链接系统，可在多种语言中工作，表现出色。该方法可在英语和西班牙语上工作，证明了其可行性。

本文介绍了一种语言无关的实体链接系统LIEL，可在多种语言中工作。实验表明，该系统在英语和西班牙语上表现出色，证明了该方法的可行性。

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。

本文介绍了一种构建完全注释的 Twitter 数据集的方法，并验证了一种同时学习文本和视觉内容的实体链接方法的有效性。文章强调了利用视觉信息的重要性。

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。