摘要

本文在性别化模糊代词消解共享任务（Gendered Ambiguous Pronouns Shared Task）中呈现了一组强有力的实验结果。所提出的模型融合了当前最先进语言模型与共指消解模型的优势，并引入了一种新颖的基于证据的深度学习架构。通过将共指消解模型提供的证据信息注入主架构，有效增强了模型性能；分析表明，该模型并未受到原有模型弱点（尤其是性别偏见）的负面影响。该架构具有高度的模块化与简洁性，便于后续扩展与优化，亦可广泛应用于其他自然语言处理任务。在GAP测试数据集上的评估结果显示，模型取得了92.5%的F1分数（性别偏见仅为0.97），已接近人类水平（96.6%）。本文提出的端到端解决方案在Kaggle竞赛中荣获第一名，以显著优势领先于其他参赛队伍。