搜尋意圖： 如果你在找「指代消解 是什麼」或「指代消解 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 指代消解是自然語言處理中的一項任務，旨在確定文本中代詞或其他指稱語所指代的先行詞，以理解文本的完整含義。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有讀過一句「他把它放桌上」，卻要回頭找半天「他」和「它」是誰？
你可以把指代消解想成幫文字找回指向對象的工作，代名詞、指示詞或模糊稱呼到底指誰，系統要把它對上。這是讓機器真正看懂句子關係的重要一步。
這很重要，因為只看單字不看關係，很多對話、文章和摘要都會誤解意思。
容易混淆
指代消解 vs 共指解析
指代消解常聚焦在代名詞指誰。
共指解析範圍更大，包含所有指向同一實體的表達。
最關鍵的區別：共指解析是更完整的版本。
指代消解 vs 命名實體辨識
NER 是先把人名、地名、組織名找出來。
指代消解是看後面的「他、她、它」指的是誰。
最關鍵的區別：一個找名字，一個接關係。
指代消解 vs 語義分析
語義分析看整句話大意。
指代消解看句子裡誰對應誰。
最關鍵的區別：一個看意思，一個看指向。
記住這句就好
看到「他、她、它」，系統要知道真正指的是誰。
實際案例
客服對話
顧客說「我昨天買了那個耳機，今天它沒聲音」，系統要知道「它」指的是耳機，不是昨天或今天。
新聞閱讀
一篇新聞裡連續提到兩位人物時，若沒有指代消解，摘要系統很容易把行動歸錯人，造成內容混亂。
深入了解
常見做法
規則式方法會看語法和距離，機器學習方法則會看上下文、詞性和實體特徵。
難點
代詞有時候沒有明確前文，或前文有好幾個候選對象，這時就要靠上下文和常識一起判斷。
指代消解在解什麼
指代（anaphora）是用代名詞或簡稱回頭指涉前面提過的東西。指代消解就是判斷它到底指誰。
「小明把書給小華，因為他看完了。」這個「他」是小明。 「小明把書給小華，因為他想看。」這個「他」是小華。
兩句話的結構完全一樣，判斷卻相反。差別在於「看完了」與「想看」這兩個動詞暗示的常識。這說明指代消解不能只靠語法規則，需要語意甚至世界知識。
幾個相關但不同的詞
| 名稱 | 英文 | 差別 |
|---|---|---|
| 指代消解 | anaphora resolution | 找出代詞指向前文的哪個對象 |
| 共指消解 | coreference resolution | 找出全文所有指向同一實體的詞，範圍更大 |
| 後指 | cataphora | 代詞出現在被指對象之前 |
| 零指代 | zero anaphora | 主詞被省略，中文極為常見 |
最後一列是中文處理的最大難點。中文常常直接省略主詞：「小明走進房間，坐下來，打開電腦。」後兩個動作的主詞都不見了，但人類自然知道是小明。英文必須寫出 he，中文不用，所以中文的指代消解要多處理一整類英文沒有的問題。
為什麼它在 AI 應用裡很重要
多輪對話。 使用者說「幫我查台北的天氣」，接著說「那高雄呢」，再說「明天的呢」。系統必須知道第三句省略的是「高雄的天氣」。對話系統的上下文理解，本質上就是連續在做指代消解。
檢索增強生成的查詢改寫。 RAG 系統拿使用者這一輪的問題去檢索，如果問題是「它的價格是多少」，直接拿去搜完全搜不到東西。所以正式的 RAG 流程會先做查詢改寫，把代詞還原成完整實體再檢索。這一步做不好，後面的檢索與生成都白搭。
資訊抽取。 從一篇報導抽出「某公司宣布某事」，如果文中後半都用「該公司」「其」代稱，不做消解就抽不完整。
大型語言模型在這件事上表現已經相當好，因為注意力機制天然適合處理長距離依賴。但在長文件、多實體、跨段落的情況下仍會出錯，需要驗證的場合不能完全信任。
情境判斷
Q1（直覺題）： 句子裡的「她」很明顯就是前面提到的那位老師，這算不算指代消解？
→ 算，因為系統要把代名詞對回正確對象。
Q2（判斷題）： 如果一段文字裡有兩個人名都很近，系統還能保證一定判對嗎？
→ 不能，這要看情況。候選對象越多、上下文越長，判斷就越難。
常見問題
指代消解一定要用深度學習嗎？
不一定，簡單場景規則就夠，但複雜文本通常需要更強的模型。
跟共指解析到底差在哪？
共指解析更完整，指代消解常可視為其中一部分。
這個任務很難嗎？
很難，因為它常需要語境和常識，而不是只看單一句子。
它有什麼實際用途？
問答系統、摘要、對話系統和資訊擷取都會用到。