搜尋意圖： 如果你在找「共指消解 是什麼」或「共指消解 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： 自動識別文本中指稱相同實體的不同表達式（如代詞、定指表達式），並將其分組聚集的任務。
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。
自動識別文本中指稱相同實體的不同表達式（如代詞、定指表達式），並將其分組聚集的任務。
共指消解（Coreference Resolution）是從文本中提取實體指稱關係的核心任務，對後續的深層文本理解至關重要。
基本概念
共指與指稱（Coreference vs. Reference）
- 指稱（Reference）：語言表達指向現實世界的對象或概念
- 共指（Coreference）：多個語言表達指向同一對象
例如「John 進城了。他買了一本書。」中，"John" 和 "他" 共指同一人物。
共指形式
代詞共指
- 人稱代詞："he", "she", "it", "they"
- 指示代詞："this", "that"
- 相對代詞："who", "which"
定指名詞短語共指
- "the president" → "the chief executive"
- "the museum" → "the building"
專有名詞重複
- "Barack Obama" → "Obama" → "Mr. President"
零指代（Zero Pronoun）
- 特別在亞洲語言中常見，如中文可省略主語
- "小王買了一本書。[他] 很喜歡。" 中方括號內可省略
共指鏈（Coreference Chains）
文本中所有指稱同一實體的表達式組成一個共指鏈：
- 鏈ID：PERSON-1
- 成員：[John]₁, [he]₁, [his]₁, [the man]₁
評估指標
Link-based 指標
- 精確率（Precision）：正確的共指對數 / 系統產出的共指對數
- 召回率（Recall）：正確的共指對數 / 黃金標準的共指對數
Cluster-based 指標
- B³、MUC、CEAF 等評估整個共指鏈的正確性
- 考慮局部匹配（partial matches）的評分
現代評估
- CoNLL 指標：MUC、B³、CEAF 的平均 F1 分數
分析方法的演進
規則與啟發式方法（1980-2000）
- 基於詞彙相似度、距離、性數一致性的規則
- 精度高但覆蓋率低，難以處理複雜情況
統計與機器學習方法（2000-2015）
- 將共指消解建模為二分類問題（兩表達式是否共指）
- 提取詞彙、句法、語義、discourse 特徵
- 缺點：特徵工程耗時，難以捕捉深層語義
神經網路方法（2015-2019）
- 端到端神經網路：自動提取上下文表徵
- Bi-LSTM、attention 機制改善長距離依賴
- 聯合模型：同時進行詞性標注、NER、共指消解
預訓練模型時代（2019 至今）
- BERT、RoBERTa 提供高質量上下文表徵
- Span-pair 模型：計算所有可能的提及對（mentions）的共指機率
- Joint 模型：同時進行提及邊界檢測與共指聚集
- 現代最佳模型在 OntoNotes 數據集上達 79% CoNLL F1
技術細節
提及檢測（Mention Detection）
共指消解的第一步是識別所有可能的提及（mentions）：
- 名詞短語（NP）："the dog", "Mary"
- 代詞："he", "it", "they"
- 命名實體："John", "Microsoft"
提及邊界檢測可基於依存分析、成分分析或神經網路直接預測。
共指聚集（Coreference Clustering）
給定提及集合，需決定哪些提及共指：
- 貪心聚集：逐個提及，與歷史提及找最相似者相連
- 全局聚集：同時考慮所有提及，優化整體聚集
評分函數
評估兩提及的共指機率，融合多個信號：
- 詞彙相似度（詞彙表匹配、嵌入相似度）
- 文法相容性（性數、格的一致性）
- 語義相容性（實體類型匹配）
- 距離（通常提及距離越遠，共指機率越低）
- Discourse 信號（焦點理論、中心化理論）
應用場景
文件理解與摘要 共指消解使摘要系統能識別句子間的實體連貫性，生成邏輯清晰的摘要。
問答系統 理解問題的指稱對象，在文件中定位答案時需解析共指。
資訊擷取 識別關係中的論元指稱，如 "John and Mary met. He proposed to her." 中正確識別 he=John, her=Mary。
機器翻譯 源語言共指消解有助於保持譯文的指稱一致性。
事件抽取 識別同一事件的多種表述，如 "acquisition", "bought", "purchase" 指稱同一事件類型。
故事理解與對話系統 跟蹤角色與事件的演進，理解複雜敘述與對話脈絡。
當代挑戰
長文本與遠距指稱 實體在文本早期引入，許多句後才再次提及，模型需強大的長距離依賴建模。
歧義與多解析 "The bank manager met the company director. She is famous." 中 she 指誰不確定。
暗指與隱含共指 "The company was founded in 1990. It has grown rapidly." 中 It 隱喻指代公司；"I like the book. The writing is excellent." 中指代部分而非整體。
跨語言差異 零代詞語言（中日韓）、格系統豐富的語言（俄語、德語）共指消解規律差異大。
領域與文體適應 新聞、文學、科技文本的共指模式不同；社群媒體的非標準語言增加難度。
實踐建議
- 評估應用對共指準度的需求。某些應用（如對話系統）對長距離共指更敏感。
- 使用預訓練模型結合領域特定微調，常能達到 75%+ CoNLL F1。
- 人機協作：高自信度的共指（近距、詞彙完全匹配）自動處理，邊界案例轉介人工。
- 進行詳細錯誤分析：區分提及邊界誤差、距離誤差、類型誤差，優先改善影響最大的類別。
- iPAS 考試中，共指消解通常與文件理解、資訊擷取相關，掌握核心概念與常見失誤模式有助於備考。
常見問題
為什麼說共指消解是「先有雞還是有蛋」的問題？
共指消解需要先識別提及（mention detection），但正確的提及邊界本身需要了解指稱意圖（哪些詞組是真正的提及）。兩者相互依賴，難以完全分離。現代聯合模型同時進行兩個任務，透過共享表徵與多任務學習改善。
怎樣處理文學作品中的複雜共指？
文學作品常用隱喻、擬人、暗指等修辭手法，共指邊界模糊。除了提升模型強度外，可結合文學知識圖譜、角色關係圖等背景知識，或在標注階段制定清晰的標注指南明確邊界案例處理方式。最後仍需人工審核關鍵共指。
零代詞語言的共指消解為什麼特別難？
零代詞語言（中日韓）中，主語、賓語等論元常被省略，提及檢測本身變成重大挑戰。模型需在序列中插入隱含提及，這要求對語法結構與論元結構的深入理解。現有資源（標注語料、模型）也相對缺乏，跨語言遷移效果有限。