Entity Linking (EL)-Systeme haben auf Standardbenchmarks beeindruckende Ergebnisse erzielt, hauptsächlich dank der kontextuellen Repräsentationen, die durch jüngere vortrainierte Sprachmodelle bereitgestellt werden. Dennoch benötigen solche Systeme massive Mengen an Daten – Millionen gelabelter Beispiele –, um ihre optimale Leistung zu erreichen, wobei die Trainingszeiten oft mehrere Tage betragen, insbesondere bei begrenzten Rechenressourcen. In diesem Paper untersuchen wir, wie Named Entity Recognition (NER) genutzt werden kann, um die Lücke zwischen EL-Systemen, die auf großen und kleinen Mengen gelabelter Daten trainiert wurden, zu schließen. Genauer zeigen wir, wie und in welchem Maße ein EL-System von NER profitieren kann, um seine Entitätsrepräsentationen zu verbessern, die Kandidatenauswahl zu verfeinern, effektivere negative Beispiele auszuwählen und sowohl harte als auch weiche Einschränkungen auf seine Ausgabentitäten anzuwenden. Wir stellen unsere Software – Code und Modell-Checkpoint – unter https://github.com/Babelscape/ner4el zur Verfügung.