实体链接（也称为实体解析或命名实体消歧）是一项自然语言处理任务，它将文本中对真实世界对象（如人物、组织或地点）的提及，连接到结构化知识库（通常是像Wikidata或Wikipedia这样的知识图谱）中的相应条目。其目标是解决歧义：例如，“Washington”这一提及可能指美国州、城市、人物或报纸。实体链接系统必须根据上下文确定预期的指代对象，从而将自由文本锚定到机器可读的表示中。
该任务源于早期的命名实体识别（NER）工作，后者识别文本片段为实体，但不赋予其唯一身份。实体链接通过增加消歧步骤扩展了NER，通常使用周围词语、实体类型一致性和候选实体的先验概率等特征。它是信息抽取流水线中的基础组件，支持问答、关系抽取和知识库填充等下游应用。在现代AI系统中，实体链接还支持检索增强生成，其中大型语言模型查阅外部知识源以产生更准确和可验证的响应。
历史发展
实体链接的根源可追溯到1990年代和2000年代初期，当时从事信息检索和文本挖掘的研究人员开始解决名称歧义问题。早期系统依赖手工规则和词汇匹配，但该领域随着大规模评估活动的引入而获得动力。文本分析会议（TAC）及其前身消息理解会议（MUC）包含了要求将命名实体链接到知识库的任务。2009年，TAC-KBP（知识库填充）轨道将实体链接正式化为独立评估，提供了基准数据集并推动了系统性进展。
在2010年代，统计和机器学习方法占主导地位，使用词袋上下文、实体流行度和基于图的度量等特征。像AIDA和DBpedia Spotlight这样的系统被广泛使用。2010年代中期深度学习的出现带来了神经模型，这些模型学习了提及和实体的密集表示，提高了歧义案例的准确性。到2010年代末，基于Transformer的模型（包括BERT及其后继者）通过捕捉丰富的上下文语义设定了新的最先进结果。
核心挑战
实体链接面临若干固有困难。最突出的是歧义：许多实体名称是多义的，正确的指代对象通常取决于微妙的上下文线索。例如，“Apple”可能指水果、科技公司或唱片公司。相反，单个实体可能有多种表面形式，如“JFK”、“John F. Kennedy”和“President Kennedy”，需要别名解析。
另一个挑战是知识库的不完整性。许多真实世界实体尚未被表示，导致“NIL”提及的问题，即系统必须决定是创建新条目还是让提及未解析。此外，实体链接必须处理嘈杂文本，如社交媒体帖子或语音转录，其中拼写错误和非正式语言很常见。跨语言实体链接（提及在一种语言中而知识库在另一种语言中）增加了进一步复杂性。
方法和技术
传统实体链接方法遵循流水线：候选生成、候选排序，以及可选地，不可链接提及预测。候选生成使用字符串匹配、别名表或搜索索引从知识库中检索一组可能的实体。候选排序然后使用上下文相似性、实体流行度和类型兼容性等特征对每个候选进行评分。基于图的方法利用知识库的结构，使用PageRank或个性化PageRank等算法在相关实体间传播证据。
神经和深度学习方法在很大程度上取代了基于特征的方法。现代系统使用Transformer编码器为提及和实体生成上下文嵌入。一些模型在共享空间中联合学习提及和实体表示，而另一些使用交叉编码器，将提及上下文和实体描述拼接起来。最近的工作探索了生成方法，其中序列到序列模型直接生成实体标识符，以及结合密集段落检索与实体链接的检索增强方法。大型语言模型，如OpenAI和Anthropic开发的模型，也已以零样本或少样本方式应用于实体链接，尽管其在歧义案例上的可靠性仍是一个活跃研究领域。
应用和影响
实体链接对于构建和维护知识图谱至关重要。在Google Cloud和其他云平台中，实体链接服务作为API提供，使开发者无需构建自定义模型即可丰富非结构化文本。搜索引擎使用实体链接来理解查询并显示知识面板。在生物医学领域，实体链接将基因、药物和疾病的提及连接到UMLS等本体，支持文献挖掘和临床决策支持。
在Artificial intelligence和Machine learning的背景下，实体链接充当自然语言和结构化数据之间的桥梁。它是问答系统中的关键组件，其中链接问题中的实体有助于从知识库检索相关事实。它还通过将声明锚定到可验证来源来支持事实核查和错误信息检测。随着Large language model系统变得更加普遍，实体链接越来越多地用于通过将生成文本锚定到外部知识来减少幻觉。
评估和基准
实体链接的标准评估指标是准确率，定义为正确链接到黄金标准实体的提及比例。然而，当许多提及不可链接时，该指标可能具有误导性，因此也使用所有提及上的微平均准确率和文档上的宏平均准确率等变体。TAC-KBP数据集、CoNLL-YAGO和AIDA-CoNLL语料库等基准提供了比较的共同基础。较新的基准，如零样本实体链接数据集，测试对未见实体和领域的泛化能力。
尽管取得了显著进展，实体链接仍然是一个开放问题，特别是对于长尾实体、低资源语言和新实体频繁出现的动态领域。未来的研究方向包括将实体链接更紧密地集成到端到端神经模型中，利用多模态信号，以及开发能够在持续演进的知识库上运行的方法。