エンティティ解消（ED）は、曖昧なエンティティの言及を知識ベース内の参照エンティティにリンクする機能であり、エンティティリンク（EL）の核心的な構成要素として機能しています。既存の生成アプローチは、標準化されたZELDAベンチマークにおいて分類アプローチよりも高い精度を示しています。しかし、生成アプローチには大規模な事前学習が必要であり、生成効率が低いという問題があります。特に重要な点は、類似したエンティティを区別するために重要な情報を含む可能性のあるエンティティ説明がしばしば見落とされていることです。本研究では、より詳細なエンティティ説明を使用してエンティティを解消するためのエンコーダー-デコーダーモデルを提案します。テキストと候補エンティティが与えられた場合、エンコーダーはテキストと各候補エン蒂티との相互作用を学習し、各候補エンティ蒂の表現を生成します。その後、デコーダーはこれらの候補エンティ蒂の表現を融合し、正しいエンティ蒂を選択します。我々の実験では、様々なエンティ蒂解消ベンチマークにおいてこのモデルの強固で優れた性能が示されており、特にZELDAベンチマークではGENREに対して+1.5%の改善が見られました。さらに、このアプローチを検索/リーダーフレームワークに統合し、GERBILベンチマークにおけるエンドツーエンドのエンティ蒂リンクでEntQAに対して+1.5%の改善が観察されました。注：「エンディ」应该是「エンディティ」的误打，因此在翻译中进行了修正。