$M^3EL$：面向多模态实体链接的多任务多主题数据集

多模态实体链接（MEL）是多种下游任务的基础组件。然而，现有的MEL数据集存在规模小、主题类型稀缺和任务覆盖有限的问题，无法有效增强多模态模型的实体链接能力。为解决这些障碍，我们提出了一种数据集构建流程，并发布了$M^3EL$，一个大规模MEL数据集。$M^3EL$包含79,625个实例，涵盖9种不同的多模态任务和5个不同的主题。此外，为进一步提高模型对多模态任务的适应性，我们提出了一种模态增强训练策略。利用$M^3EL$作为语料库，训练基于$\textit{CLIP} (\textit{ViT}-\textit{B}-\textit{32})$的$\textit{CLIP}_{\textit{ND}}$模型，并与现有的多模态基线进行比较分析。实验结果表明，现有模型的表现远低于预期（准确率为49.4%-75.8%）。分析发现，数据集规模小、模态任务覆盖不足以及主题多样性有限导致多模态模型泛化能力差。我们的数据集有效解决了这些问题，使用$M^3EL$微调的$\textit{CLIP}_{\textit{ND}}$模型在准确率上显示出显著提升，各项任务平均提升9.3%至25%。我们的数据集可在https://anonymous.4open.science/r/M3EL获取。