学习动态上下文增强以实现全局实体链接

尽管集体实体链接（EL）方法近期取得了成功，但这些“全局”推理方法在“所有提及一致性”假设失效时可能会产生次优结果，并且由于复杂的搜索空间，通常在推理阶段面临较高的计算成本。本文提出了一种简单而有效的解决方案，称为动态上下文增强（Dynamic Context Augmentation, DCA），用于集体实体链接，该方法仅需一次遍历文档中的所有提及。DCA 依次积累上下文信息以进行高效、集体的推理，并可作为即插即用模块与不同的局部 EL 模型结合使用。我们探讨了监督学习和强化学习策略来训练 DCA 模型。大量实验表明，我们的模型在不同的学习设置、基础模型、决策顺序和注意力机制下均表现出有效性。