实体消歧（ED）是指将文本中模糊实体的提及链接到知识库中的相应实体，是实体链接（EL）的核心组成部分。现有的生成式方法在标准化的ZELDA基准测试中表现出比分类方法更高的准确性。然而，生成式方法存在需要大规模预训练和生成效率低下的问题。尤为重要的是，实体描述通常包含区分相似实体的关键信息，但这些信息往往被忽视。我们提出了一种编码器-解码器模型，通过使用更加详细的实体描述来消歧实体。给定文本和候选实体后，编码器学习文本与每个候选实体之间的交互关系，为每个候选实体生成表示。然后，解码器将这些候选实体的表示融合在一起，并选择正确的实体。我们在多个实体消歧基准测试上进行了实验，结果表明该模型具有强大且稳健的性能，在ZELDA基准测试中相比GENRE提高了1.5%。此外，我们将这种方法集成到检索/阅读框架中，在GERBIL基准测试的端到端实体链接任务中观察到相比EntQA提升了1.5%的效果。