摘要

本文分析了高阶推理（Higher-Order Inference, HOI）对共指消解任务的影响。尽管近年来几乎所有共指消解模型都引入了HOI机制，但对其在表征学习中实际有效性的深入研究却相对匮乏。为进行全面分析，我们构建了一个端到端的共指消解系统，并实现了四种HOI方法：注意力前指代（attended antecedent）、实体等价（entity equalization）、跨度聚类（span clustering）以及聚类合并（cluster merging），其中后两种方法为本文提出的新方法。实验结果表明，在使用性能优异的编码器（如SpanBERT）的前提下，HOI对模型性能的影响为负面至边际性，为该任务中HOI的有效性提供了新的视角。我们提出的最优模型采用聚类合并方法，在英文CoNLL 2012共享任务数据集上取得了80.2的平均F1值。