近年来，研究者们致力于将细粒度实体类型标注拓展至更为丰富且超细粒度的类型体系，不仅涵盖命名实体提及，还扩展至代词和名词性短语等更广泛的名词短语。然而，该超细粒度实体类型标注任务面临一个关键挑战：人工标注数据极为稀缺，而现有的远程监督或弱监督方法在标注能力方面也十分有限。为解决这一问题，本文提出一种基于BERT掩码语言模型（Masked Language Model, MLM）的方法，用于自动生成超细粒度实体类型标注的训练数据。具体而言，针对句子中的某个实体提及，我们构建适配BERT MLM的输入格式，使其预测该提及所处上下文中的上位概念（即超类），这些超类可作为实体的类型标签。实验结果表明，借助这些自动生成的标签，超细粒度实体类型模型的性能可得到显著提升。此外，我们还证明，通过简单的类型映射，该方法同样可应用于提升传统细粒度实体类型标注任务的性能。