SPLICE：一种面向共指消解的单例增强流水线

单例提及，即文本中仅被提及一次的实体，从理论角度看对人类理解话语至关重要。然而，以往在英语端到端神经共指消解中纳入其检测的尝试，一直受限于OntoNotes基准数据集中缺乏单例提及片段。本文通过结合现有嵌套命名实体识别（NER）系统预测的提及和从OntoNotes句法树中衍生的特征，来解决这一局限。通过这种方法，我们创建了一个包含所有单例提及的OntoNotes数据集的近似版本，在黄金单例样本上实现了约94%的召回率。随后，我们提出了一个名为SPLICE的两步神经提及与共指消解系统，并在两种场景下将其性能与端到端方法进行比较：OntoNotes测试集和域外（OOD）OntoGUM语料库。结果表明，重构的单例训练在OntoNotes上取得了与端到端系统相当的结果，同时提高了域外稳定性（平均F1值提升+1.1）。我们对提及检测进行了错误分析，并深入探讨了其对共指聚类的影响，揭示了对于解析共指链而言，精确率的提升比召回率的提高带来更实质性的益处。