Label-Relationale Induktive Verzerrung für Extrem Feingranulare Entitätstypisierung

Bestehende Entitätstypisierungssysteme nutzen in der Regel die durch das Wissensbasis-Schema (Knowledge Base Schema) bereitgestellte Typenhierarchie, um Labelkorrelationen zu modellieren und damit die Gesamtleistung zu verbessern. Diese Techniken sind jedoch nicht direkt auf offene und praktische Szenarien anwendbar, in denen die Typmenge nicht durch das Wissensbasis-Schema eingeschränkt ist und eine große Anzahl von freiformigen Typen umfasst. Um die zugrundeliegenden Labelkorrelationen ohne Zugang zu manuell annotierten Labelstrukturen zu modellieren, führen wir einen neuen label-bezogenen induktiven Bias ein, der durch eine Graph-Propagation-Schicht repräsentiert wird. Diese Schicht kodiert effektiv sowohl globale Label-Ko-Änderungsstatistiken als auch wortebene Ähnlichkeiten.In einem großen Datensatz mit über 10.000 freiformigen Typen erreicht das graphverstärkte Modell, das mit einem aufmerksamkeitsbasierten Matching-Modul ausgestattet ist, einen deutlich höheren Recall-Wert, während es gleichzeitig eine hohe Präzision beibehält. Genauer gesagt erzielt es eine relative F1-Verbesserung von 15,3 % und zeigt weniger Inkonsistenzen in den Ausgaben. Wir zeigen zudem, dass eine einfache Modifikation unserer vorgeschlagenen Graphschicht auch die Leistung auf einem konventionellen und weitgetesteten Datensatz verbessern kann, der nur Typen des Wissensbasis-Schemas enthält.