论文地址：https://arxiv.org/abs/1906.01250?context=cs.LG
已有的研究工作：
在实体链接上，已有的工作大多基于维基百科和启发式方法，它需要大量特地为任务注释的文档集合。并且这样的模型只适用于特定领域，在其他领域应用效果较差。
本文的工作和创新点：
本文主要关注的是实体链接的问题，也就是说，从句子当中提取出了一个实体，我们想知道它是知识图谱上的哪个节点。只利用自然产生的信息，包括未标记的文档和维基百科。首先为未标记文档中提到的每个实体创建一个召回列表，然后使用候选列表作为弱监督来约束文档级的实体链接模型。
研究方法：
给出一个从句子中提到的实体
，找到它的一个候选的知识节点
。对于文件里的其他的每个实体
，其中
，我们可以找出一组候选的知识节点
。我们可以根据任意两对
它们各自的embedding
和
来计算它们之间的相似度
然后找一个
里最大的作为
和
的相似度
。
对于每一个实体
，以及它们的上下文
，我们可以用一个一层的网络来计算它的表达
网络结构表示如下：
对于一个文件中的其它实体
，我们也可以计算它们之间的相似度
之后，以此作为权重，计算
与其他句子中的实体
到它的节点的表达：
以此来表示这个
和
的匹配程度。这个是别的实体的信息，但需要它自身的一个匹配分数。用
来表示。加上之后作为最终的
到
的分数。公式如下：
对于
，实际上我们有两个知识节点的集合，一个是准确的节点的集合
，另一个是不准确的节点的集合
。
我们的目标，是希望准确的节点集合中任意一个节点的分数
要比不准确的节点的分数
高一个margin
所以对于不满足这个条件的情况进行惩罚：
实验结果如下：
可以看到在一些数据集上远远优于其它同类的半监督模型，在一些任务上，甚至优于结合了人工注释数据的全监督模型。
评价：
一篇做实体链接很优秀的模型，在做实体链接的时候，不光关注当前实体，也考虑了其它实体链接的情况，使用加权的平均来作为注意力机制。在过程中使用的弱监督或半监督的方法很具有创新性。从实验结果上来看，在某些数据集上超过了一些为特定问题训练的全监督模型。在future work中作者提到，如果结合一些全监督模型中使用的人工注释数据，可能进一步提高模型效果。