เปรียบเทียบวิธี

	การติดตามเอนทิตีข้ามเอกสาร	การระบุการอ้างถึงร่วมกัน
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	1998 (scoring foundations); 2019 (neural joint model)	1978
ผู้ริเริ่ม	—	Hobbs (1978); Lee et al. (2017, neural end-to-end)
ประเภท	NLP pipeline — cross-document coreference resolution	NLP information-extraction task
แหล่งต้นตำรับ	Bagga, A. & Baldwin, B. (1998). Algorithms for Scoring Coreference Chains. In Proceedings of the LREC 1998 Linguistic Coreference Workshop, pp. 563–566.	Lee, K. et al. (2017). End-to-end Neural Coreference Resolution. EMNLP.
ชื่อเรียกอื่น	cross-document coreference resolution, cross-doc entity linking, Belge Ötesi Varlık Takibi	coreference, anaphora resolution, Eşgönderim Çözümleme (Coreference Resolution)
ที่เกี่ยวข้อง	4	4
สรุป	Cross-document entity tracking, formally known as cross-document coreference resolution, identifies and merges all references to the same real-world entity scattered across a collection of documents. Rooted in the B3 evaluation framework introduced by Bagga and Baldwin (1998) and substantially advanced by the neural joint model of Barhom et al. (2019), the method builds entity clusters that span document boundaries — enabling multi-document understanding, knowledge-base population, and corpus-wide entity analysis.	Coreference resolution is a natural-language-processing task that detects when different expressions in a text refer to the same entity — for example a name, a later pronoun, and a descriptive phrase all pointing at one person. Rooted in early linguistic work by Hobbs (1978) and advanced by the end-to-end neural model of Lee et al. (2017), it improves the quality of information extraction and text understanding.