التفريق بين الكيانات (ED)، والذي يقوم بربط ذكريات الكيانات الغامضة بكياناتها المرجعية في قاعدة معرفية، يعتبر عنصرًا أساسيًا في ربط الكيانات (EL). تظهر النماذج التوليدية الحالية دقة أعلى مقارنة بنماذج التصنيف تحت معيار زيلدا القياسي (ZELDA). ومع ذلك، تعاني النماذج التوليدية من الحاجة إلى التدريب المسبق على نطاق واسع وعدم كفاءة التوليد. وأهم من ذلك، غالبًا ما يتم تجاهل وصف الكيانات، والتي قد تحتوي على معلومات حاسمة لتمييز الكيانات المشابهة عن بعضها البعض. نقترح نموذجًا مشفر-مفكك (Encoder-Decoder) لتفريق الكيانات باستخدام وصف أكثر تفصيلاً للكيانات. بالنظر إلى النص والكيانات المرشحة، يتعلم المشفر التفاعلات بين النص وكل كيان مرشح، مما ينتج تمثيلات لكل كيان مرشح. ثم يقوم المفكك بدمج تمثيلات الكيانات المرشحة معًا واختيار الكيان الصحيح. أظهرت تجاربنا، التي أجريت على مجموعة متنوعة من مقاييس التفريق بين الكيانات، الأداء القوي والموثوق لهذا النموذج، خاصة بنسبة زيادة +1.5% في معيار زيلدا (ZELDA) مقارنة بـ GENRE. علاوة على ذلك، قمنا بدمج هذا النهج في إطار الاسترجاع/القارئ (Retrieval/Reader) ولاحظنا نسبة زيادة +1.5% في ربط الكيانات من البداية إلى النهاية في معيار جيربيل (GERBIL) مقارنة بـ EntQA.