Gemeinsame Entitätensverknüpfung mit tiefem Reinforcement Learning

Entitätsverknüpfung ist die Aufgabe, Erwähnungen mit den entsprechenden Entitäten in einer gegebenen Wissensbasis zu verbinden. Frühere Studien haben die Notwendigkeit hervorgehoben, dass Entitätsverknüpfungssysteme die globale Kohärenz erfassen müssen. Allerdings weisen vorherige globale Modelle zwei häufige Schwächen auf. Erstens berechnen die meisten von ihnen die paarweisen Scores zwischen allen Kandidatenentitäten und wählen die am stärksten relevante Gruppe von Entitäten als endgültiges Ergebnis aus. In diesem Prozess werden sowohl die Konsistenz unter falschen Entitäten als auch die unter richtigen Entitäten berücksichtigt, was Rauschdaten einführen und die Modellkomplexität erhöhen kann. Zweitens ignorieren vorherige Modelle in der Regel die Hinweise bereits entambiguisierter Entitäten, die zur Entambiguisierung nachfolgender Erwähnungen beitragen könnten. Um diese Probleme anzugehen, transformieren wir das globale Verlinken in ein sequenzielles Entscheidungsproblem und schlagen ein Reinforcement-Learning-Modell vor, das Entscheidungen aus einer globalen Perspektive trifft. Unser Modell nutzt alle bisher referenzierten Entitäten vollständig aus und untersucht den langfristigen Einfluss der aktuellen Auswahl auf nachfolgende Entscheidungen. Wir führen Experimente auf verschiedenen Datensätzen durch; die Ergebnisse zeigen, dass unser Modell den state-of-the-art-Systemen überlegen ist und eine bessere Generalisierungslistung aufweist.