2022年7月，博士生范创论文《Enhancing Structure Preservation in Coreference Resolution by Constrained Graph Encoding》获国际自然语言处理顶级期刊IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP) 录用。

该工作主要研究基于事件及实体表示联合学习的共指消解任务（Coreference Resolution）。论文针对现有方法往往忽略实例间分散式结构性信息的问题，提出了一种结合图神经网络和自适应约束的共指消解方法。该方法在保留文本序列特征的同时，对事件及相关实体进行基于语言学特征的多重关联，并通过图卷积运算对复杂语境结构进行更高层次的建模。在图编码阶段，该方法根据模型的预测概率分布，分别设计了面向表示学习的相似性约束和面向预测过程的一致性约束。前者用于学习共指实例间的表示相似性及非共指实例间的表示差异性，为后续的分类器提供更好的决策边界。后者则侧重于建模模型内部不同子模块间对于同一输入的预测一致性，从而增强模型训练阶段的稳定性。实验结果表明，该方法在不同的评价指标下均取得了优于现有方法的性能。