非结构化自然语言文本数据通常是有歧义的，尤其是命名实体。一个命名实体可以有多个名称，一个名称也可以表示几个不同的命名实体。实体链接任务即，将非结构化文本数据中对应实体链接到结构化知识库中，这有助于对原始的嘈杂文本数据的信息挖掘，以早日实现语义Web的愿景。
　　目前关于实体链接任务的研究主要基于统计模型，需要依赖人为定义的关于文本和目标实体的歧义性特征。这些特征通常需要拥有该领域知识的专家来定义，并且可能无法捕获所有相关的统计依赖性和交互作用。神经网络模型能够自动学习数据特征，并且在编码语义和处理数据稀疏性方面拥有突出优势。因此，设计了基于神经网络的实体链接模型，以便自动学习特征及其组合。首先构建了基于扩展Skip-gram的单词实体联合嵌入学习模型，以将单词和实体共同嵌入到低维向量空间，并作为后续的实体链接模型的输入。单词和实体嵌入压缩了语义含义，避免人工提取特征。然后，构建神经网络模型来自动学习提及-实体的语义相似度和实体对的一致性这两种特征。接着将集体实体链接任务建模为条件随机场模型以组合这两种特征。最后，分别进行实验测试提出模型的效果。实验结果证明，提出的单词和实体联合嵌入学习模型能够很好地学习出单词和实体语义信息，并联合实体链接模型在AIDA数据集上达到91.87%的微观F1分数。