指代消解作为自然语言处理的一个基础任务，目的是连接同一句子中在现实世界里有着同样意思的不同实体。指代消解是许多高级别自然语言任务如文本摘要，阅读理解，聊天机器人等的重要一步。在针对英文专利文本的抽取式摘要的任务中发现抽取到的关键句里只含有指代词的描述，而具体指代的实体出现在非关键句中，这给摘要读者带来不好的阅读体验，因此本文针对专利文本进行指代消解研究。
　　本研究经过查阅大量文献，没有发现专利文本领域的指代消解公开数据集，因此本研究针对专利文本中出现的高频指代现象进行了统计分析和人工检查，最后确定标注目标为指示代词短语和它们的指代实体，并最终构建了一个新的数据集Coref-Patent。传统的指代消解公开数据集例如CoNLL-2012中的标注实体往往是短语或者词级别，而句子级别的标注实体完全没有出现过。但是在本文构建的数据集Coref-Patent中出现大量句子级别的标注实体，这给指代消解的研究领域带来了极大的创新和挑战。
　　本文针对不同的指代消解模型进行了讨论，最后确定本文的基线模型使用跨度模型[36]。为了在工程环境使用和部署，本研究使用Tensorflow框架复现了该模型，并优化代码结构，打包容器镜像完成部署。线上部署模型发现：如果通过使用修改参数“最大跨度长度”的方法来匹配句子级别标注实体，会对模型输入更多的噪声跨度，模型召回率和精度会明显下降，并且计算量指数上升，需要消耗更多的GPU算力。本研究重新构建模型的输入流程并改变模型网络静态图，针对性的将句子进行处理。本文改进的句子级别跨度模型在Coref-Patent数据集上对比基线模型召回率有明显提高，最终F1分数提高6%，该模型目前已经部署在线上环境使用。