问题1：参考文献格式中的文献类型标识符，会议论文应该用[C]，但你论文中大部分标成了[J]，需要再检查下。

回答：之前确实没有注意，可能是因为自己引用bibtex的网站没有规范的对文献进行分类，答辩结束后会检查并改正该问题，谢谢老师提醒。

问题2：你的自监督学习和图神经网络方法都是针对候选实体排序，那么它们是什么关系呢？是因为自监督学习做得不好，又用图神经网络补充而不是因为针对问题不同的特点提出不同的方法吗？

回答：这两种方法确实是针对候选实体排序数据中的不同特点进行研究的，自监督学习方法是用于优化单个指称特征文本和候选实体特征文本之间关联度计算的效果，而图神经网络是引入了全新的语义一致性特征，针对文档中有多个指称时可以更好的提升任务效果，图神经网络方法无法使用较大的预训练模型编码语义特征。

问题3：候选体排序的结果就是实体链接的结果吗？论文的题目是实体链接，但是章节标题中没有体现出来链接的完整任务，可以考虑修改一下。

回答：排序结果不是链接结果，还需要稍加处理，每个指称的候选实体排序结果，取排序分数最高的实体，将该分数与阈值进行比较，大于阈值则该实体作为目标实体预测输出，否则指称目标实体为空实体；该部分内容比较简单，就直接合并到候选实体排序的内容当中了，确实没有在目录中体现出来，后面可以考虑独立写一个小节。

问题4：实体链接是一个动词，英文翻译为entity linking，后面是不是应该加上一个动词，例如实体链接发现、实体链接挖掘？

回答：实体链接本身就是一个学术界相关领域内通用的完整的任务名称，英文翻译为为一个动名词。

问题5：自监督方法和图神经网络方法有没有做比较？

回答：有做比较，在表4-4中，我们对验证集的样本进行了分类，根据样本中的指称数量，分为只有一个指称、有两个指称以及大于2个指称的三类样本，实验结果发现，自监督方法在只有一个指称的样本上效果更好，而图神经网络方法在有多个指称的样本上效果更好。