摘要
以往将提及识别步骤整合到端到端神经共指消解模型中的尝试，因缺乏单例提及跨度（singleton mention span）数据及其他实体信息而受到限制。本文提出了一种基于多任务学习的共指消解模型，该模型能够同时学习单例提及以及实体类型、信息状态等特征。实验结果表明，该方法在OntoGUM基准测试上取得了新的最先进性能（提升2.7分），并在多个域外数据集上显著提升了模型鲁棒性（平均提升2.3分）。这一改进可能归因于其在提及识别方面具备更强的泛化能力，以及相较于仅依赖共指提及对匹配的模型，能够更充分地利用单例提及所提供的丰富数据信息。