Dagan ja Itai (Dagan & Itai 1990) ovat kehittäneet korpukseen perustuvan resoluutiomenetelmän.Menetelmä perustuu korpuksessa havaittuihin yhteisesiintymämalleihin. Anaforat korvataan korrelaattiehdokkailla, jotka valitaan yhteisesiintymämallien perusteella.
Esimerkki:
They knew full well that the companies held tax money aside for collection later on the basis that the government said it was going to collect it.
Lauseessa esiintyy sana it kaksi kertaa: ensimmäinen viittaa verbin collect subjektiin ja toinen sen objektiin. Kolmesta korrelaattiehdokkaasta kerätään tilastotietoa: money, collection ja government. Seuraavassa taulukossa esitetään tilastolliset mallit, jotka saatiin korvaamalla anaforat korrelaattiehdokkailla:
| subject-verb | collection | collect | 0 |
| subject-verb | money | collect | 5 |
| subject-verb | government | collect | 198 |
| verb-object | collect | collection | 0 |
| verb-object | collect | money | 149 |
| verb-object | collect | government | 0 |
Siis government on yleisin korrelaatti ensimmäiselle anaforalle ja money jälkimmäiselle.
Connolly, Burger ja Day sovelsivat koneoppimista anaforien resoluutioon. He muunsivat resoluutio-ongelman erilliseksi luokitteluongelmaksi. (Connolly, Burger & Day 1994.)
Aone ja Bennet ovat kehittäneet automaattisesti harjoitettavan anafora-analyysisysteemin. He merkitsivät manuaalisesti anaforaviitteet sanomalehtiartikkeleista ja käyttivät niitä harjoitusesimerkkeinä. (Aone & Bennet 1996.)