Tiefe gemeinsame Entitätsklärung mit lokaler neuronalen Aufmerksamkeit

Wir schlagen ein neues tiefes Lernmodell für die gemeinsame Entitätseinstellung auf Dokumentebene vor, das gelernte neuronale Repräsentationen nutzt. Kernkomponenten sind Entitäts-Embeddings, ein neuronales Aufmerksamkeitsmechanismus über lokalen Kontextfenstern und eine differenzierbare gemeinsame Inferenzphase für die Einstellung. Unser Ansatz kombiniert damit Vorteile des Deep Learning mit traditionelleren Ansätzen wie graphischen Modellen und wahrscheinlichkeitstheoretischen Erwähnungs-Entitäts-Karten (probabilistic mention-entity maps). Umfangreiche Experimente zeigen, dass wir wettbewerbsfähige oder standesübliche Genauigkeit bei moderaten Rechenkosten erzielen können.