近年来随着个人计算机数量与移动个人终端数量不断攀升,每时每刻都有大量的数据产生。为了更好的处理与利用这些数据,Google公司首先提出了知识图谱的概念,并开发出了自己的知识图谱系统。在知识图谱的构建中需要引入大量的数据,来自不同数据源的数据具有多源异构性。在不同领域中相同的命名实体常有不同的表述,故其形成的领域知识图谱子图之间的实体具有不一致性。为了减少在领域知识图谱中的实体节点冗余与冲突,本文在端到端指代消解模型的基础上进行改进。由于经典模型的词嵌入模型构建的词向量为静态词向量,故对指代消解任务中一词多义等任务的效果较差,本文期望引入动态向量提升模型性能。在引入外部语境信息与从内部加入动态信息两个角度提出了新的端到端指代消解模型。并设计实现了可视化系统方便对模型的性能评估进而对模型进行改进。主要工作内容如下:（1）提出引入先验向量的端到端指代消解模型,模型基于经典的端到端指代消解模型进行改进。使用Bert词嵌入模型构建每个词的语境向量,根据其与候选共指对特征向量的相似度构建先验向量,从外部引入动态的语境信息提升模型对候选共指对的判断能力。在公开数据集Onto Notes 5.0上进行实验,共指消解的任务中本模型在基线模型的基础上平均准确率提高了2.5%,平均召回率提高了0.5%。（2）在上述模型的基础上,在内部引入动态词向量提升模型提取指称的能力。使用适合提取span特征的Span Bert高性能编码器替代Glo Ve模型将动态信息引入span的特征向量构建,提升模型提取指称的能力。在此基础上使用Bi-GRU模型对动态词向量进一步提取上下文信息再构建span的特征向量。其他深度学习组件不做更改,最后同样在公开数据集上验证算法模型,在原模型的基础上平均准确率提高了1.7%,平均召回率提高了2.2%。（3）设计实现了一个端到端共指消解模型的可视化系统,使得用户可以直观的判断自己的模型性能。而且用户可以通过系统标注文本数据,将其输入系统测试模型对不同的共指消解任务的完成度,针对性的改善迭代网络模型。