Verbesserung der Coreference-Resolution durch das Lernen von entitätsebigen verteilten Repräsentationen

Eine langjährige Herausforderung bei der Coreference-Resolution besteht darin, Entitätsinformationen zu integrieren – Merkmale, die über Clustern von Erwähnungen definiert sind, anstatt über Paaren von Erwähnungen. Wir stellen ein neuronales Netzwerk-basiertes Coreference-System vor, das hochdimensionale Vektordarstellungen für Paare von Coreference-Clustern erzeugt. Mit diesen Darstellungen lernt unser System, wann die Kombination von Clustern wünschenswert ist. Wir trainieren das System mit einem Lernen-zum-Suchen-Algorithmus (learning-to-search), der es lehrt, welche lokale Entscheidungen (Clusterfusionen) zu einer hochbewerteten endgültigen Coreference-Partition führen. Das System übertreffen den aktuellen Stand der Technik sowohl im Englischen als auch im Chinesischen Teil des CoNLL 2012 Shared Task-Datensatzes erheblich, obwohl es nur wenige manuell entwickelte Merkmale verwendet.