摘要

先前的实体链接（Entity Linking）研究主要聚焦于非嵌套专有命名实体指代的资源，通常基于维基百科数据，即所谓的“维基化”（Wikification）任务。本文提出并评估了WikiGUM，这是一个全面完成维基化的数据集，涵盖了所有类型的命名实体指代，包括非命名实体指代、代词指代以及嵌套于其他指代之中的实体指代。该数据集覆盖了12种广泛的语言体裁，既包括书面语也包括口语，其中大多数体裁此前未被纳入实体链接研究范畴，导致我们在评估中发现预训练的最先进（SOTA）系统在该数据集上表现不佳。此外，该数据集还提供了多种其他标注信息，为在具体语境中开展实体相关研究提供了有力支持。