تُعد الكيانات محورياً في كيفية تمثيل المعرفة وتوحيدها. على سبيل المثال، تُهيكل الموسوعات مثل ويكيبيديا وفقاً للكيانات (مثلاً كيان واحد لكل مقالة في ويكيبيديا). وتمثّل القدرة على استرجاع هذه الكيانات بناءً على استعلام ما أساساً للمهام التي تعتمد على المعرفة، مثل ربط الكيانات والإجابة على الأسئلة في نطاق مفتوح. تُفهم النماذج الحالية على أنها تصنيفات بين علامات أساسية، حيث تُخصص علامة واحدة لكل كيان. وتُنتج متجهات الأوزان تمثيلات كثيفة للكيانات من خلال ترميز معلومات وصفية حول الكيانات. لكن هذا النهج يعاني من عدة عيوب: (أ) يُمثل التفاعل بين السياق والارتباط بالكيان أساساً من خلال جداء المتجهات، مما قد يفوت التفاعلات الدقيقة؛ (ب) يتطلب تخزين تمثيلات كثيفة مساحة ذاكرة كبيرة عند التعامل مع مجموعات كيانات كبيرة؛ (ج) يجب اختيار مجموعة سلبية مناسبة من البيانات عند التدريب، مما يتطلب عينة مختارة من البيانات السلبية. في هذه الدراسة، نُقدّم GENRE، أول نظام يسترجع الكيانات من خلال توليد أسمائها الفريدة، من اليسار إلى اليمين، خطوة بخطوة، بشكل تلقائي (autoregressive). ويقلل هذا النهج من المشكلات التقنية المذكورة أعلاه، لأنه: (أ) يُمكّن التصنيف التلقائي من التقاط العلاقات مباشرة بين السياق واسم الكيان، وبالتالي يُشفّر كلاً من السياق والاسم بشكل فعّال؛ (ب) يُقلل بشكل كبير من حجم الذاكرة المطلوبة، لأن معاملات معمارية الترميز-الإعادة التوليدية تتناسب مع حجم القاموس، وليس مع عدد الكيانات؛ (ج) يتم حساب خسارة softmax دون الحاجة إلى عينة من البيانات السلبية. وقد أجرينا تجارب على أكثر من 20 مجموعة بيانات في مهام تفكيك الغموض الكيني، وربط الكيانات بشكل كامل، واسترجاع المستندات، وحققنا نتائج جديدة قياسية أو تنافسية للغاية، مع استخدام جزء ضئيل جداً من حجم الذاكرة مقارنة بالنظم المنافسة. وأخيراً، نُظهر أن بإمكاننا إضافة كيانات جديدة ببساطة عبر تحديد أسمائها. يمكن الوصول إلى الكود والنماذج المدربة مسبقاً عبر: https://github.com/facebookresearch/GENRE.